République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supèrieur et de la recherche Scientifique

Université de Constantine -1-
Faculté des Sciences Exactes
Departement de Mathématiques

THÈSE
pour obtenir le titre de

Docteur en Sciences
de l’Université de Constantine - 1-

Mention : Mathématique

Présentée et soutenue par

Tayeb Hamaizia

Systemes Dynamiques et Chaos

"Application à l’optimisation a l’aide d’algorithme
chaotique"
soutenue le 25/04/2013

Jury :

Directeur : Mr. [Link] - Prof à centre universitaire de Mila.

Président : Mr. M. Denche - Prof à l’université de Constantine 1.
Examinateurs : Mr. [Link] - Prof à l’université de Constantine 1.
Mr. E. Zeraoulia - Prof à l’université de Tébessa.
Mr. K. Haouam - M.C à l’université de Tébessa.
Invité : Mr. R. Lozi - Prof à l’université de Sophia Antipolis-France.
Remerciements
Au terme de cette thèse, j’adresse mes sincères remerciements à toute personne dont
l’intervention a favorisé son aboutissement .
Mes remerciements les plus sincères vont à mon directeur de thèse Mr le professeur N.
Hamri pour sa disponibilité et son soutien tout au long de mes années de thèse .
Je tiens à lui exprimer ma profonde gratitude pour m’avoir accepter en thèse.
J’exprime toute ma reconnaissance à Monsieur le Professeur René Lozi qui m’a
accueilli dans son équipe "systèmes Dynamiques et Interfaces" du laboratoire J.A.
Dieudonné. J’aprécie surtout sa rigueur, son sens du détail et son esprit de synthèse,
ainsi que ses conseils avisés.

Je tiens également à citer mes copains du bureau, Aparna Das, Raphaël Clément,
Amine Ilmane,pour leur soutien amical dont j’aurait toujours de beaux souvenirs.
J ’exprime ici ma profonde gratitude à Messieurs les professeur M. Deghdak,E.
Zeraoulia et K. Haouam qui m’ont honoré d’accepter de faire partie du Jury. Ma
reconnaissance va aussi à Mr le professeur [Link] pour avoir accepter de présider le
Jury.

Je tiens à remercier le Ministère de l’Enseignement Supérieur Algerienne d’avoir

financé la préparation de ma thèse par une bourse PNE.
Mes remerciements les plus profonds vont à ma mère, ma femme et à ma princesse
Malak pour leur patience et leur soutien.

Merci à tous.
 Table des figures

1.1 Portrait de phase d’un modèle prédateur / proie . . . . . . . . . . . . . 10

1.2 L’application de Poincaré . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Diagramme de Bifurcation noeud-col . . . . . . . . . . . . . . . . . . . . 16

2.1 Cascade de doublements de période . . . . . . . . . . . . . . . . . . . . . 20

2.2 Attracteurs étranges Chua, Hénon . . . . . . . . . . . . . . . . . . . . . 22
2.3 Sensibilité aux conditions initiales de l’application logistique . . . . . . . 23

3.1 Attracteur de Lorenz σ = 10 , b = 8/3 , r = 28 . . . . . . . . . . . . . . 30

3.2 Séries temporelles x(t), y(t), z(t) du système de lorenz σ = 10 , b = 8/3
, r = 28 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Les Exposants de Lyapunov du système de lorenz σ = 10 , b = 8/3 ,
r = 28 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4 Attracteur de Lorenz (a) l’espace(x-z) , (b) l’espace (y-x) ,( c) l’espace(y-z) 33
3.5 Diagramme de bifurcation de Hénon . . . . . . . . . . . . . . . . . . . . 38
3.6 Attracteur de Hénon pour a = 1.4 , b = 0.3 . . . . . . . . . . . . . . . . 39
3.7 Illustration de la permanence de la structure de l’attracteur de Hénon à
différentes échelles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.8 Les exposants de Lyapunov en fonction du temps pour l’application de
Hénon. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.9 Attracteur de lozi pour a = 1.7 et b = 0.5 . . . . . . . . . . . . . . . . . 42
3.10 Diagramme de bifurcation de Lozi . . . . . . . . . . . . . . . . . . . . . 43
3.11 Les exposants de Lyapunov en fonction du temps pour l’application de
Lozi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.1 Minima locaux et minima globaux d’une fonction multimodale . . . . . . 48

4.2 Une fonction multimodale à deux variables . . . . . . . . . . . . . . . . . 49
4.3 Illustration des faux optima locaux introduits par la pénalisation . . . . 50
4.4 Schéma des méthodes de tunnel . . . . . . . . . . . . . . . . . . . . . . . 51
4.5 Algorithme de recherche aléatoire où (x∗ = xn ; f ∗ = yn ) . . . . . . . . . 56

5.1 Attracteur de Lozi pour a = 1.7 , b = 0.5 . . . . . . . . . . . . . . . . . 61

5.2 Attracteur de Hénon pour a = 1.4 , b = 0.3 . . . . . . . . . . . . . . . . 63
5.3 Attracteur étrange pour a = 4 , b = 0.9 . . . . . . . . . . . . . . . . . . 66

6.1 Heuristique de la stratégie globale localement moyennée. . . . . . . . . . 69

1
TABLE DES FIGURES 2

7.1 Représentation de la fonction de test F1 utilisé dans cette étude sur

10 ≤ xi ≤ 10, i = 1; 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.2 Représentation de la fonction de test Easom F2 utilisé dans cette étude
sur 100 ≤ xi ≤ 100, i = 1; 2. . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.3 Représentation de la fonction de test Rastrigin F3 utilisé dans cette étude
sur 5.12 ≤ xi ≤ 5.12, i = 1; 2. . . . . . . . . . . . . . . . . . . . . . . . . 78
7.4 Représentation de la fonction de test Rosenbrock F4 utilisé dans cette
étude. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
7.5 Représentation de la fonction de test Griewank F5 utilisé dans cette étude. 80
 Table des matières

I SYSTEMES DYNAMIQUES ET CHAOS 6

1 Systèmes dynamiques 7
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Systèmes dynamiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1 Groupe à un paramètre . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Flot ou système dynamique . . . . . . . . . . . . . . . . . . . . . 8
2.3 Trajectoire et Orbite . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Espace des phases, variables d’état et portrait de phases . . . . . 9
2.5 Déterminisme du flot . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.6 Systèmes dynamiques particuliers . . . . . . . . . . . . . . . . . . 9
2.7 Formulation de systèmes dynamiques . . . . . . . . . . . . . . . . 10
2.7.1 Systèmes dynamiques continus . . . . . . . . . . . . . . 11
2.7.1.a Résultats généraux sur les systèmes différentiels . 11
2.7.1.b Solutions des systèmes différentiels : système dy-
namique continu . . . . . . . . . . . . . . . . . . 11
2.7.2 Systèmes dynamiques discrets et section de Poincaré . . 12
2.7.2.a Section de Poincaré . . . . . . . . . . . . . . . . 13
2.7.2.b Systèmes dynamiques discrets . . . . . . . . . . . 13
2.7.2.c Intérêt de la méthode . . . . . . . . . . . . . . . 14
2.8 Attracteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.9 Bifurcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.9.1 Différents types de bifurcations . . . . . . . . . . . . . . 15
2.9.1.a Bifurcations flip ou doublement de période . . . 15
2.9.1.b Bifurcation fold ou noeud-col. . . . . . . . . . . . 16
2.9.1.c Bifurcation de Neimark. . . . . . . . . . . . . . . 16

2 Chaos déterministe 17
1 Sémantique de la théorie du chaos . . . . . . . . . . . . . . . . . . . . . 17
2 Chaos déterministe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Routes vers le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1 Par doublement de période . . . . . . . . . . . . . . . . . . . . . 19
3.2 Par Intermittences . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Quasi-périodicité . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4 Caractérisation numérique et graphique du chaos . . . . . . . . . . . . . 20
4.1 Attracteur étrange . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Sensibilité aux conditions initiales . . . . . . . . . . . . . . . . . 21

3
TABLE DES MATIÈRES 4

4.3 Exposants de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . 22

4.3.1 Caractérisation d’un attracteur par le signe des expo-
sants de Lyapunov . . . . . . . . . . . . . . . . . . . . . 25
4.4 Dimension fractale . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.4.1 Dimension de Lyapunov . . . . . . . . . . . . . . . . . . 26
4.4.2 Dimension de Hausdorff . . . . . . . . . . . . . . . . . . 27
4.4.3 Dimension de Kolmogorov ou de capacité . . . . . . . . 27
4.4.4 Dimension de corrélation . . . . . . . . . . . . . . . . . 28

3 Exemples de Systèmes dynamiques chaotiques 29

1 Modèle de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.1 Calcul des points d’équilibres . . . . . . . . . . . . . . . . . . . . 29
1.2 Stabilité des points d’équilibres . . . . . . . . . . . . . . . . . . . 31
2 Le modèle de Hénon et le modèle de Lozi . . . . . . . . . . . . . . . . . 35
2.1 Attracteur de Hénon . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2 Attracteur de Lozi . . . . . . . . . . . . . . . . . . . . . . . . . . 38

II OPTIMISATION et CHAOS 45

4 Etat de l’art sur les algorithmes chaotiques. 46

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2 Aperçu sur les Methodes d’Optimisation. . . . . . . . . . . . . . . . . . . 46
2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2 Méthodes d’Optimisation Globale ( Non-Deterministe). . . . . . 49
2.2.1 Méthodes de descente généralisées . . . . . . . . . . . . 49
2.2.2 Recherches aléatoires . . . . . . . . . . . . . . . . . . . 51
2.2.3 Méthode de multi-départ . . . . . . . . . . . . . . . . . 52
2.2.4 Méthodes de regroupement (Clustering) . . . . . . . . 52
2.2.5 Méthodes évolutionnaires . . . . . . . . . . . . . . . . . 52
2.2.6 Généralités sur les méthodes d’optimisation globale . . 54
2.3 Cooperation entre les recherches locales et globales. . . . . . . . . 54
2.4 Compromis, Exploration et Exploitation. . . . . . . . . . . . . . . 54
2.5 Les Algorithmes de Recherche Chaotiques. . . . . . . . . . . . . . 55
2.5.1 La Recherche Chaotique de l’optimum . . . . . . . . . . 55

5 Efficacité des algorithmes de recherche chaotique. 57

1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2 Principe et étapes du COA basée sur 2-D modèle. . . . . . . . . . . . . 58
3 Application de l’algorithme basée sur le modèle chaotique 2-D . . . . . . 60
3.1 La méthode COLM). . . . . . . . . . . . . . . . . . . . . . . . . . 60
TABLE DES MATIÈRES 5

3.2 la méthode (COHM). . . . . . . . . . . . . . . . . . . . . . . . . 63

3.3 La méthode COMM. . . . . . . . . . . . . . . . . . . . . . . . . . 66

6 Proposition d’une nouvelle approche pour les algorithmes d’optimisa-

tion chaotiques. 68

7 Application de l’approche proposée sur des fonctions tests. 72

1 Fonctions tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
1.1 Fonction test F1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
1.2 Fonction test F2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
1.3 Fonction test F3 . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
1.4 Fonction test F4 . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
1.5 Fonction test F5 . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
 ii

Introduction générale
L’optimisation est l’une des branches les plus importantes des mathématiques ap-
pliquées modernes, et de nombreuses recherches, à la fois pratiques et théoriques, lui
sont consacrées.
Nous cherchons à élaborer notre emploi du temps, à optimiser nos espaces de ran-
gement, ou encore le trajet que nous aurons à parcourir pour nous rendre quelque
part, etc. Nous faisons de l’optimisation. En fait, l’optimisation cherche à améliorer une
performance en se rapprochant d’un point optimum. Comme nous le rappelle l’adage
populaire selon lequel : "les mathématiques permettent de mettre le monde en équa-
tion", il peut être tracé un parallèle entre l’optimisation quotidienne et celle, plus tech-
nique que l’on retrouve en science. En mathématique, la meilleure solution se recherche
au sein d’un domaine initial. Cette solution est souvent soumise à des contraintes qui
correspondent à des obligations ou des souhaits à respecter. Le critère permettant de
distinguer qu’une solution est la meilleure s’appelle la fonction objectif. L’optimisation
mathématique consiste à chercher dans le domaine initial une solution qui maximise
ou minimise une fonction objectif tout en respectant des contraintes. Pour un domaine
continu, on distingue classiquement deux types d’optimisation :
– L’optimisation locale est la recherche d’une solution qui est meilleure locale-
ment( dans un voisinage de cette solution). Cette solution est appelée un optimum
local.
– L’optimisation globale est la recherche de la meilleure solution sur tout le
domaine ; c’est-à-dire que dans tout le domaine il n’existe aucune solution qui
lui soit meilleure tout en respectant les contraintes. Cette solution est appelée
l’optimum global.
Par définition, l’optimum global est aussi une solution locale. En revanche, il est
bien plus épineux de trouver l’optimum global, car lorsque l’on pense avoir trouver cet
optimum, sa démonstration se révèle bien souvent particulièrement ardue.
L’intérêt de l’optimisation globale par rapport à l’optimisation locale est patent. Elle
garantit en effet que personne ne peut avoir une solution meilleure que celle trouvée.
Or, pour une entreprise, cette information a son importance, car la différence entre la
solution globale et une solution locale est bien souvent significative.
Mais l’intérêt n’est pas compétitif. Dans de nombreux problèmes, l’optimum glo-
bal est la seule solution mathématique correspondant à une réalité physique. C’est ce
qu’illustre par exemple la recherche de la quantité de chaque élément présent dans un
mélange chimique à l’équilibre.
De nos jours, afin de résoudre des problèmes d’optimisation globale, de nombreuses
stratégies algorithmiques s’avèrent disponibles. Selon la nature du processus de re-
cherche mis en oeuvre, les méthodes utilisées pour l’optimisation globale peuvent etre
classées en deux catégories : les méthodes déterministes et les méthodes stochastiques.
 iii

Les méthodes déterministes requièrent des hypothèses restrictives sur la fonction à op-
timiser, telles que la continuité, la dérivabilité ou les conditions de Lipchitz. De plus,
ces méthodes ne sont applicables que pour des problèmes de faible dimension. Pour les
autres problèmes, seules les méthodes stochastiques peuvent être utilisées. Les méthodes
stochastiques, contrairement aux méthodes déterministes, sont basées sur une approche
en partie ou entièrement guidée par un processus stochastique. Les algorithmes que
nous allons étudié font partie des méthodes stochastiques globales permettant de ré-
soudre des problèmes généraux d’optimisation. Par ailleurs, ils permettent de fournir le
plus haut degré de certitude concernant l’optimalité globale des solutions trouvées. Ces
algorithmes s’appellent :
Algorithmes d’Optimisation Chaotiques (COA).
Durant ces dernières dècennies, la thèorie des systèmes non linèaires a ètè appliquèe
à l’optimisation afin d’augmenter le degré de convergence. Notamment, après le travail
de Caponetto et al.[71, 69], des applications du chaos ont attiré beaucoup d’attention.
Grâce aux propriétés naturelles des systèmes chaotiques, telles que leur sensibilité aux
conditions initiales et leur évolution dans une large bande de fréquence, les systèmes
chaotiques sont de bons candidats pour l’optimisation.
Cette thèse est divisée en deux parties et est composée de sept chapitres. La
deuxième partie a fait l’objet de deux Publications :
"Fast chaotic optimization algorithm based on locally averaged strategy and
multifold chaotic attractor "
et
"An improved chaotic optimization algorithm using a new global locally avra-
ged strategy"
 La première partie est une revue de la bibliographie sur la théorie des systèmes
dynamiques non linéaires et le chaos. L’objectif de cette partie est de donner les éléments
principaux de ces concepts de la façon la plus simple et de proposer une synthèse de
ces matières pour mieux comprendre l’application de ces concepts dans le domaine qui
nous concerne
Elle est présentée à travers trois chapitres :

Le 1er chapitre est constitué de rappels sur les systèmes dynamiques non linéaires
avec un accent particulier porté sur les systèmes à temps continue et discret.
Le 2eme chapitre retrace un bref historique de la théorie du chaos déterministe. Dans
ce chapitre nous balaierons les différents outils mathématiques qui nous servent à
caractériser le comportement Chaotique, tels que les attracteurs étranges, les exposants
de lyapunov et la dimension fractale.
Le 3eme chapitre est une illustration concrète de toutes les notions précédentes par
des exemples célèbres tels que le modèle de Lorenz et les modèles de Hénon et Lozi qui
nous servira dans la suite de la thèse.
 iv

 La seconde partie de cette thèse est consacrée à l’application de la théorie du

Chaos à l’optimisation. Son objective est une contribution au développement d’une
méthode originale d’optimisation globale basée sur les systèmes chaotiques.

Elle est présentée à travers quatre chapitres

Le 4eme chapitre brosse un état de l’art sur certaines techniques d’optimisation.

Deux grandes classes de méthodes sont présentées : les méthodes déterministes et les
méthodes non déterministes ( stochastiques), ainsi que les caractéristiques principales
de chaque classe.

Le 5eme chapitre Nous présentons un algorithme d’optimisation chaotique efficace

basé sur le modèle de Lozi. Cet algorithme appelé COLM, utilise une approche en
deux phases, de manière à explorer l’espace de recherche d’une façon chaotique. La
deuxieme partie de ce chapitre est consacrée à l’étude comparative des COAs qui
son basés sur différents modèles chaotiques. En fin nous donnons des applications de
l’approche proposée pour plusieurs problèmes.

Le 6eme chapitre nous emmene au coeur du travail réalisé. Elle est consacrer à la
description de l’approche que nous avons developpée. Elle sera designée par ICOLM.
Elle utilise le principe de l’approche étudiée dans le chapitre 5 avec une amélioration
en optimisant localement la recherche globale.

Dans Le 7eme chapitre notre nouvelle méthode est testée sur une batterie de
fonctions de test. Cet algorithme permet de trouver avec certitude un proche voisinage
l’optimum global.
 Première partie

SYSTEMES DYNAMIQUES ET
CHAOS

6
 Chapitre 1

Systèmes dynamiques

1 Introduction
La notion de temps dans l’étude des modèles physiques et mathématiques remonte
à Galilée, qui le premier introduisit cette notion dans l’étude de la chute des corps
et le mouvement de la terre autour du soleil. Cette introduction du temps dans les
équations est ce qui s’appellera l’étude des systèmes dynamiques. Au XVIII siécle, Isaac
Newton a défini l’équivalence masse-énergie et trouve de manière explicite la cause de
certains mouvements apparemment désordonnés. Il parle de déterminisme. Selon cette
vision, tout semblait aussi étre parfaitement prédictible et causal. Le futur devenait
prévisible : il suffisait de traduire le mouvement en équations différentielles et de les
résoudre. La mécanique newtonienne n’est pas fausse, mais considére l’homme debout
immobile contre la pesanteur [1].
Dés le début du siécle, le mathématicien Henri Poincaré [2] montra dans son étude
du système solaire qu’il existait des orbites stables et des orbites instables et que, quel-
quefois, une trés faible perturbation dans le système pouvait induire un changement
d’état d’une orbite. Il s’aperçut que des causes identiques pouvaient ne pas conduire
aux mêmes effets. Le système étudié était déterministe, mais le principe de causalité
était violé. Et aussi il se rend compte que l’espace euclidien à 3 dimensions ne rend
pas compte de tous les phénomènes. Benoît Mandelbrot précise qu’un point n’est pas
toujours dans un espace à 3 dimensions, il peut se situer, par exemple, dans un espace
à 3, 3897 dimensions. La valeur décimale indique comment varie l’intensité de la défor-
mation selon chacune des directions de l’espace. C’est la dimension fractale. En 1963
le titre de la communication d’Edward Lorentz, la plus citée dans la bibliographie spé-
cialisée, pose bien le problème : "Est-ce qu’un battement d’ailes de papillon au Brésil
peut provoquer une tornade au Texas ?". Il y décrivit le comportement d’un système
dynamique non-linéaire inspiré d’un modèle de l’atmosphère terrestre. Selon la valeur de
certains paramètres, un comportement dynamique nouveau était mis en évidence. Les
trois variables d’état du système, permettant de déterminer l’évolution des masses d’air,
manifestaient une activité erratique, imprévisible. Edward Lorenz mit en évidence que,
dans les systèmes non linéaires, d’infimes différences dans les conditions initiales engen-
draient à long terme des systèmes totalement différents. Pour mieux faire comprendre
l’importance de cette sensibilité aux conditions initiales, il eut recours à une image qui
contribua au succès médiatique de la théorie du chaos : celle de l’effet papillon. Cette

7
CHAPITRE 1. SYSTÈMES DYNAMIQUES 8

métaphore insistait sur la disproportion entre la cause et l’effet soulignant au passage

l’imprédictibilité à long terme de l’évolution de tels systèmes [3].

2 Systèmes dynamiques
En général, un système dynamique décrit des phénomènes qui évoluent au cours
du temps. Le terme " système " fait référence à un ensemble de variables d’état (dont
la valeur évolue au cours du temps) et aux interactions entre ces variables. L’ensemble
des variables d’état d’un système permet de construire un espace mathématique appelé
" espace des phases ".
Nous introduisons la notion des systèmes dynamiques de façon formelle via le concept
de groupe à un paramètre [4, 5].

2.1 Groupe à un paramètre

Soit M un ensemble quelconque et G un groupe additif (R ou Z). Une famille ϕt


d’application M dans M indexée par le groupe G, (t ∈ G) est appelée groupe à un

paramètre de M si :
∀t, s ∈ G, ϕt+s = ϕt + ϕs etϕ0 = IM
Nous définitions, à présent, précisément les systèmes dynamiqus et spécifions le voca-
bulaire utilisé pour la description de leurs comportements.

2.2 Flot ou système dynamique

 t Soit M un ensemble quelconque et G un groupe additif (R ou Z). Considérons

ϕ t∈G un group à un paramètre d’applications M dans
 M indexées par le groupe G.

On appelle flot ou système dynamique le couple (M, ϕt t∈G ).

L’ensemble M précédent constitue l’espace des phases du flot. Tout point x de cet
espace représente un état du système dynamique.

2.3 Trajectoire et Orbite

Soient (M, ϕt t∈G ) un système dynamique et x un ètat de l’espace des phases. On


appelle trajectoire d’un point x de M l’application définie sur G et à valeurs dans M

par :

φ: G −→ M (1.1)
t
t 7−→ ϕ (x)

On appelle orbite d’un point x l’image de la trajectoire issue de x c’est à dire le

sous ensemble γ(x) de l’espace des phases défini par :
CHAPITRE 1. SYSTÈMES DYNAMIQUES 9

γ(x) = ϕt (x), t ∈ G

2.4 Espace des phases, variables d’état et portrait de phases

De manière simplifiée, l’espace des phases permet de traduire des séries de nombre
en une représentation spatiale, de dégager l’essentiel de l’information d’un système en
mouvement et de dresser la carte routière de toutes ses possibilités. L’espace des phases
est un espace mathématique souvent multi-dimensionnel. Chaque axe de coordonnées
de cet espace correspond une variable d’état du système dynamique étudié et chaque
variable d’état caractèrise le système à un instant donné. Pour chaque instant donné,
le système est donc caractérisé par un point de cet espace. A l’instant suivant, il sera
caractérisé par un autre point et ainsi de suite. Si l’espace des phases est représenté
en trois dimensions, cette suite de points peut montrer graphiquement l’évolution du
système dans le temps. L’ensemble des trajectoires possibles constitue le portrait de
phases. Celui-ci peut aider à percevoir l’attracteur du système.
Considérons la relation suivante entre deux points x et y de M :

x ≈ y ⇔ x, y appartiennent à la même orbite

2.5 Déterminisme du flot

Le flot tel que nous venons de le définir est un processus déterministe. En effet, la
structure de groupe à paramètre implique que à chaque application ϕt est biunivoque.
De ce fait, les états passés ou futurs sont uniquement déterminés par l’état présent : le
flot est donc déterministe.

2.6 Systèmes dynamiques particuliers

D’après la définition des flots, l’ensemble G indexant le groupe à un paramètre est
l’ensemble (R ou Z). D’après ce critère, les systèmesdynamiques sont classés selon :
– les systèmes dynamiques à temps continu (M, ϕ t∈R )
t

– les systèmes dynamiques à temps discret (M, ϕt t∈Z )

En outre, suivant la structure de l’espace des phases M et les propriétés des ap-
plications ϕt , plusieurs types de systèmes dynamiques sont distingués. En particulier,
pour les systèmes à temps continu, se dégagent trois grandes catégories :
– M est un espace mesurable, ϕt sont des applications mesurables alors le système
dynamique associé est dit mesurable également.
– M est un espace topologique et les applications ϕt sont continues alors le système
dynamique considéré est continu.
CHAPITRE 1. SYSTÈMES DYNAMIQUES 10

Figure 1.1 – Portrait de phase d’un modèle prédateur / proie

– M est un ouvert de l’espace affine réel de dimension finie d, les applications ϕt

son de classe C d sur M alors le système est quantifié de différentiable.

2.7 Formulation de systèmes dynamiques

En plus de l’espace d’état, On peut le représenter mathématiquement par un en-
semble d’équations différentielles ou aux différences [4, 5]. Si la fonction f est non
linéaire, le système ne l’est pas non plus. Alors, si le temps est exprimé explicitement
dans la fonction f , le système est dit "non autonome".

ẏ(t) = f (t, y) ∀t ∈ U
(
(1.2)
t0 ∈ R, y(t0 ) = y0 ∈ Rd
La notion de déterminisme provient du fait que le système considéré est complètement
caractérisé par son état initial et sa dynamique.
CHAPITRE 1. SYSTÈMES DYNAMIQUES 11

C-à-d soit U l’ensemble des conditions initiales et x0 ∈ U , si pour tout x0 , alors x(t, x0 )
existe et est unique. Le système est dit déterministe.
Les systèmes dynamiques sont classés en deux catégories :

2.7.1 Systèmes dynamiques continus

Dans cette section, nous montrons que les solutions des systèmes différentiels sont
des systèmes dynamiques.

2.7.1.a Résultats généraux sur les systèmes différentiels

Ce paragraphe est consacré à des rappels sur les systèmes différentiels, rappels préa-
lables à la démonstration du lien entre les systèmes différentiels et les systèmes dyna-
miques continus [5, 6].

Définition 1 (Problème de Cauchy) Soient d un entier naturel positif, U un ouvert

de R × Rd et f une application de U dans Rd au moins continue.
Soit l’application différentielle : y 0 = f (t, y) pour tout couple appartenant à U .
Les conditions initiales sont fixées : t0 ∈ R et y(t0 = y0 ∈ Rd .
Un problème de Cauchy consiste à déterminer un couple (I, y) où I est un intervalle de
R tel que t0 ∈ I et y une fonction de I dans Rd vérifiant :

t ∈ I, y 0 (t) = f (t, y(t))ety(t0 ) = y0

Plusieures théorèmes [7, 8] démontrent des résultats d’unicité et d’éxistance locale et

globale des solutions du problème de Cauchy. Parmi ceux-ci, nous avons choisi d’énoncer
le théorème de Cauchy-Lipschitz.

Théorème 1 (Cauchy-Lipschitz) Soit le problème de cauchy :


ẏ(t) = f (t, y(t)) ∀t ∈ I
(1.3)
y(t0 ) = y0

Si f est continue sur I × Rd dans Rd et est localement lipschitzienne en y alors le

problème de Cauchy admet une solution unique sur I.

2.7.1.b Solutions des systèmes différentiels : système dynamique continu

Soient d un entier naturel positif, U un ouvert de R × Rd et f une application de U
dans Rd de classe C ∞ . Considérons l’équation différentielle :

ẏ(t) = f (t, y) ∀t ∈ U
(1.4)
t0 ∈ R, y(t0 ) = y0 ∈ Rd
CHAPITRE 1. SYSTÈMES DYNAMIQUES 12

D’aprés le théorème de Cauchy-Lipschitz et puisque la fonction f est C ∞ ((R ×

Rd ), Rd ), il y a une existence et unicité de la solution sur un intervalle maximal, que
nous supposons être R. La solution y(t), ayant pour conditions initiales (t0 , y0 ), est
notée :

φ: R −→ Rd (1.5)
t 7−→ y(t) = φ(t, t0 , y0 )

Elle vérifie donc les deux relations : φ̇(t, t0 , y0 ) = f (φ(t, t0 , y0 )) et φ(t0 , t0 , y0 ) = y0 .

De ce fait, la solution φ est la courbe intégrale du système passant par le point
(t0 , y0 ). L’ensemble de toutes les courbes intégrales du système (1.2) constitue un
groupe à un paramètre t ∈ R. Le flot associé, noté ϕt , est engendré par la famille de
fonctions définies et à valeurs dans l’espace des phases telle que ϕt (y0 ) représente l’état
atteint au bout d’un temps t à partir de l’état initial (t0 , y0 ).

Ainsi, l’ensemble des solutions d’un système différentiel constitue un système

dynamique. En d’autre termes, la fonction f , appelée champ de vecteurs, définit d’une
part le système différentiel mais détermine également un système dynamique continu.

Dans la suite, les systèmes dynamiques étudiés sont engendrés par des systèmes
différentiels dont nouss précisons à présent la forme du champ de vecteurs.
* Le champ de vecteurs f est non linéare.
* La fonction f ne dépend pas explicitement du temps ; le champ de vecteur est alors
dit autonome.
* Les systèmes étudiés sont dissipatifs : la divergence du champ de vecteurs est
constante négative ou elle est en moyenne négative sur les orbites considérées.

Par exemple, le système de Lorenz de 1963 [3], un des systèmes différentiels les
plus connus et étudiés, vérifie ces trois proprietés. A la lecture des équations (1.4), le
caractère non linéaire et autonome se constate aisément. Sa divergence s’exprime en
fonction de ces paramètres qui sont positifs −σ − 1 − b et s’avère constante et négative.

ẋ = σ(y − x)
(
8
ẏ = rx − y − xz σ = 10, r = 28 et b = (1.6)
ż = −bz + xy 3

2.7.2 Systèmes dynamiques discrets et section de Poincaré

Nous présentons, dans cette section, la méthode des sections de Poincaré [2] qui per-
met de construire des systèmes dynamiques discrets à partir des systèmes différentiels.
CHAPITRE 1. SYSTÈMES DYNAMIQUES 13

Figure 1.2 – L’application de Poincaré

2.7.2.a Section de Poincaré

La technique dite des sections de Poincaré facilite l’étude des systèmes dynamiques
considèrès en ramenant l’analyse d’un système différentiel (temps continu) à celle d’une
application (temps discret). Par le biais de cette méthode, la dimension d du problème
initial sous forme de système différentiel est réduite d’une unité avec l’application en
dimension d − 1.
Soit (Rd , ϕtt∈R ) un système dynamique créé par un champ de vecteurs f . Il s’agit de
déterminer les intersections successives des orbites avec un hyperplan H transverse au
flot dans l’espace des phases. La séquence des points ordonnés suivant le temps constitue
la section de Poincaré S :

S = H ∩ ϕt (x), t ∈ R, x ∈ M


2.7.2.b Systèmes dynamiques discrets

Définissons par récurrence la suite des fonctions {g n }n∈Z de S et à valeurs dans S
selon les formules :
g 0 = IS , g n+1 = g n ◦ g 1 etg n−1 = g n ◦ g −1
où les deux fonctions g 1 et g −1 à la base de récurrence sont déterminées par :

g1 : S −→ S (1.7)
τ t
x 7−→ y = ϕ (x)/τ = min(t > 0, ϕ (x) ∈ S)
CHAPITRE 1. SYSTÈMES DYNAMIQUES 14

et

g −1 : S −→ S (1.8)
τ t
x 7−→ y = ϕ (x)/τ = max(t < 0, ϕ (x) ∈ S)

L’ensemble des fonctions {g n }n∈Z constitue un groupe à un pramètre. En effet,

les trajectoires et la section de Poincaré sont héritées d’un flot déterministe issu d’un
système différentiel ; les fonctions {g n } sont donc automatiquement biunivoques. Nous
disposons, dans ces conditions, d’un système dynamique discret (Rd−1 , {g n }n∈Z ).

2.7.2.c Intérêt de la méthode

La technique des section de Poincaré offre deux avantages :
* d’une part, la recherche des attracteurs autres que les points fixes est possible et leur
étude est simplifiée via les applications.
* par ailleurs, la représentation des resultats est simplifiée. La description et l’inter-
prétation de la dynamique est notamment plus simple dans le plan que dans l’espace
pour des systèmes de dimension trois.

Nous venons donc de montrer que les systèmes différenteils donnent lieu à une double
vision des systèmes dynamiques. Leurs solutions constituent, d’une part, des systèmes
continus. En outre, leur étude, au moins partiellement, est simplifiée par la technique
des sections de Poincaré qui permet de se ramener à l’analyse d’un système discret.

2.8 Attracteur
La région de l’espace de phases vers laquelle convergent les trajectoires d’un
système dynamique dissipatif s’appelle "attracteur". Les attracteurs sont des formes
géométriques qui caractérisent l’évolution à long terme des systèmes dynamiques. Il en
existe quatre types distincts : un point, un cycle limite, un tore ou avoir une structure
encore plus complexe de type fractale.[9].

1. L’attracteur "point fixe" est un point de l’espace de phase vers lequel tendent les
trajectoires, c’est donc une solution stationnaire constante.
2. L’attracteur "cycle limite" est une trajectoire fermée dans l’espace des phases
vers laquelle tendent les trajectoires. C’est donc une solution périodique du système.
3. L’attracteur "tore" représente les mouvements résultant de deux ou plusieurs
oscillations indépendantes que l’on appelle parfois "mouvements quasi périodiques".
4. Les attracteurs étranges sont bien plus complexes que les autres, ils seront définis
ultèrieurement, on parle d’attracteur étrange lorsque la dimension fractale n’est pas
entière.
CHAPITRE 1. SYSTÈMES DYNAMIQUES 15

Définition 2 (Attracteur) Soit (Rd , ϕt t∈R ) un système dynamique. Un attracteur



A de ce système vérifie les quatre conditions suivantes :

1. A est invariant sous l’action du flot :ϕt (A) = A.
2. A est asymptotiquement stable au sens de lyapunov.
3. Il existe une orbite dense sur A.
4. A ne peut pas être décomposé en deux sous-ensembles non triviaux qui soient
séparément invariants.

Le bassin d’attraction B(A) de l’attracteur A est alors constitué par l’ensemble des
points de l’espace des phases pour lesquels A représente la limite asymptotique :

B(A) = x ∈ Rd | lim ϕt (x) ∈ A

t→∞
A l’inverse du cas linéaire, pour un système dynamique non linéaire, plusieurs attrac-
teurs peuvent coexister. En effet, deux choix de conditions initiales dans deux bassins
d’attraction distincts conduisent à deux états asymptotiques différents. La connaissance
des conditions initiales des systèmes différentiels non linéares est donc essentielle.

2.9 Bifurcation
Un autre ensemble de concepts utile à l’analyse des systèmes dynamiques est la théo-
rie de la "bifurcation". Ce concept renvoie à l’étude des changements de comportement
d’un système lorsque les paramètres de ce dernier changent. La bifurcation signifie un
changement qualitatif de la dynamique du système, qui résulte du changement d’un des
paramètres du système. Par exemple, déstabilisation d’un équilibre stable, apparition
ou disparition d’un cycle ou d’un attracteur, ...
La valeur pour laquelle la bifurcation se produit est nommée le point de bifurcation.

2.9.1 Différents types de bifurcations

Dans cette section, on considère trois types de bifurcations locales : la bifurcation
de doublement de période, la bifurcation de Neimark et la bifurcation point selle (ou
col)/noeud. Ces bifurcations sont locales car elles peuvent être analysées par la linéarisa-
tion du système au voisinage d’un point dynamique contemporain avec des programmes
en Pascal, Fortran et Mathematica.
Tous les types de bifurcations étudiés correspondent toujours à |λi | = 1. de nom-
breux types de bifurcation sont inventoriés dans [10, 11, 12]

2.9.1.a Bifurcations flip ou doublement de période

Cette bifurcation a lieu lorsqu’une des deux valeurs propres est égales à −1. Un
cycle d’ordre k qui subie cette bifurcation va changer de nature et crée un cycle d’ordre
CHAPITRE 1. SYSTÈMES DYNAMIQUES 16

Figure 1.3 – Diagramme de Bifurcation noeud-col

2k de la même nature. C’est-à-dire, un point fixe stable d’ordre 1, par exemple, devient
instable en même temps que l’apparition d’un cycle d’ordre 2 [Link] situation
peut être représentée par :

Cycle attractif d’ordre k ↔ cycle répulsif d’ordre k + cycle attractif d’ordre 2k

2.9.1.b Bifurcation fold ou noeud-col.

La bifurcation λ = +1 correspond à la situation où l’une des deux valeurs propres
est égale à +1. Ce type de bifurcation donne naissance à deux cycles d’ordre k en même
temps, l’un est attractif et l’autre est instable. Cette situation peut être représentée par :

∅ ↔ cycle attractif + cycle répulsif

Où ∅ signifie absence de cycle.

2.9.1.c Bifurcation de Neimark.

Cette bifurcation se produit lorsque la matrice Jacobienne possède deux valeurs
propres complexes conjuguées λ1 = λ¯2 et de plus |λi=1,2 | = 1. Elle se traduit par :

Foyer attractif d’ordre k ↔ foyer répulsif d’ordre k + une courbe invariante attractive.
 Chapitre 2

Chaos déterministe

1 Sémantique de la théorie du chaos

Le mot chaos n’a pas ici le même sens que l’usage dans la vie courante [13].
On retrouve trace de ce mot du grec Khaos dans les écrits de Christine de Pisan
(Chemin de long estude) qui définit le chaos comme un

" état de confusion des éléments ayant précédé l’organisation du monde "

Au XVIème siècle Desportes, le décrit dans ses Elegies comme

" Toute sorte de confusion, de désordre "

Le chaos, dans son sens familier aujourd’hui, c’est le désordre et la violence, mais
aussi l’inintelligibilité.
Loin de ces considérations historiques et mythologiques, Chaos : un terme souvent
utilisé comme métaphore du désordre. Et la théorie du Chaos a vu le jour dans les
travaux d’Henri Poincaré à la fin du XIXe siècle et c’est dans les années soixante qu’elle
fut redécouverte après la publication d’un article qui allait révolutionner le monde des
sciences [3]. Le chaos est devenu un champ d’exploration de la science,

2 Chaos déterministe
Le chaos est défini par un comportement lié à l’instabilité et à la non-linéarité dans
des systèmes dynamiques déterministes. La relation entre l’instabilité et la chaoticité
est alors que le système manifeste une très haute sensibilité aux changements de condi-
tions est ce qu’affirmait Poincaré dans le chapitre sur le Hasard de son ouvrage intitulé
Science et Méthode[14] :
«Une cause très petite, qui nous échappe, détermine un effet considérable que nous ne
pouvons pas ne pas voir, et alors nous disons que cet effet est dû au hasard. (...). Il
peut arriver que de petites différences dans les conditions initiales en engendrent de
très grandes dans les phénomènes finaux. Une petite erreur sur les premières produirait
une erreur énorme sur les derniers. La prédiction devient impossible et nous avons le
phénomène fortuit».

17
CHAPITRE 2. CHAOS DÉTERMINISTE 18

Le phénomène de croissance rapide des erreurs de prédiction est ce que l’on appelle
chaos. Ce phénomène introduit donc du hasard dans la description d’un système phy-
sique, même si ce système correspond à des équations d’évolution parfaitement déter-
ministes comme celles de la dynamique du mouvement des astres. La théorie du chaos
étudie en détail comment une petite incertitude sur l’état initial d’une évolution tempo-
relle déterministe peut donner lieu à une incertitude des prédictions qui croît rapidement
avec le temps. On dit qu’il y a dépendance sensitive des conditions initiales. La pro-
priété de sensibilité aux conditions initiales se traduit par le fait que, dans l’espace des
phases, la distance entre deux trajectoires tend à augmenter de manière exponentielle
au cours du temps, pouvant atteindre une distance limite qui est de l’ordre du diamètre
de l’attracteur. La sensibilité aux conditions initiales caractérise un système chaotique.
La théorie du chaos selon Keller [15] est « l’étude qualitative du comportement
apériodique instable d’un système dynamique déterministe ». qui admet le manque
d’une définition générale d’un système dynamique chaotique considère qu’un tel sys-
tème possède trois propriétés essentielles. Premièrement, il est radicalement sensible
aux conditions initiales. Deuxièmement, il peut faire preuve d’un comportement hau-
tement désordonné et troisièmement, malgré cette dernière caractéristique de désordre,
un système dynamique chaotique est déterministe c’est-à-dire qu’il obéit à des lois qui
décrivent complètement son mouvement.

3 Routes vers le chaos

On ne sait pas à l’heure actuelle dans quelles conditions un système va devenir chao-
tique. Cependant il existe plusieurs types d’évolution possibles d’un système dynamique
régulier vers le chaos. Supposons que la dynamique étudiée dépende d’un paramètre de
contrôle.[11, 16, 17]
Lorsqu’on varie ce paramètre, le système peut passer d’un état stationnaire à un état
périodique, puis au-delà d’un certain seuil, suivre un scénario de transition et devenir
chaotique. Il existe plusieurs scénarios qui décrivent le passage du point fixe au chaos.
D’une manière générale, l’évolution du point fixe vers le chaos n’est pas progressive mais
marquée par des changements discontinus appelés bifurcations. Une bifurcation marque
le passage soudain d’un régime dynamique à un autre, qualitativement différent. Tous
ces scénarios ont été prédits par la théorie et observés dans de nombreuses expériences.
En physique, c’est notamment la convection thermique de Rayleigh-Bénard, dans la-
quelle une couche de fluide située entre deux plaques horizontales est soumise à un
gradient de température vertical, qui a servi à l’origine de système modèle pour l’étude
du chaos. Depuis, le chaos a été mis en évidence dans bien d’autres domaines. Nous
allons en exposer brièvement trois types d’évolution possibles.
CHAPITRE 2. CHAOS DÉTERMINISTE 19

3.1 Par doublement de période

Ce scénario de transition vers le chaos est sans doute le plus connu. Par augmenta-
tion du paramètre de contrôle de l’expérience, la fréquence du régime périodique double,
puis est multipliée par 4, par 8, par 16 < etc. Les doublements étant de plus en plus
rapprochés, on tend vers un point d’accumulation auquel on obtiendrait hypothétique-
ment une fréquence infinie. C’est à ce moment que le système devient chaotique. Il
a été étudié en particulier en dynamique de populations par [Link] sur l’application
logistique,xn+1 = [Link] (1 − xn ). Selon la valeur du paramètre a, la suite converge soit
vers un point fixe nul ou pas. Dès que a est plus grand que 3 le système bifurque, c’est
à dire qu’il oscille entre 2 valeurs autour du point fixe. On parle de cycle attracteur
de période 2. En continuant à augmenter a, ces 2 attracteurs s’écartent du point fixe
jusqu’à ce qu’une nouvelle bifurcation ait lieu. Chaque point se dédouble et on obtient
un cycle attracteur de période 4. On dit qu’il y a doublement de période. C’est à partir
de cet exemple que Feigenbaum pressentit l’existence d’une forme d’universalité dans
cette transition vers le chaos sous forme de cascade de doublement de période.

3.2 Par Intermittences

Ce scénario via les intermittences se caractérise par l’apparition erratique de bouf-
fées chaotiques dans un système qui oscille de manière régulière. Le système conserve
pendant un certain laps de temps un régime périodique ou pratiquement périodique,
c’est à dire une certaine "régularité", et il se déstabilise, brutalement, pour donner lieu
à une sorte d’explosion chaotique. Il se stabilise de nouveau ensuite, pour donner lieu à
une nouvelle "bouffée" plus tard. On a constaté que la fréquence et la durée des phases
chaotiques avaient tendance à s’accroître plus on s’éloignait de la valeur critique de la
contrainte ayant conduit à leur apparition. L’intermittence suppose en particulier que le
cycle limite (correspondant à l’état périodique d’où est issu ce phénomène de transition)
bifurque de façon sous-critique et qu’il n’y ait pas d’attracteur à proximité. C’est ce que
l’on observe dans le système de Rössler.

3.3 Quasi-périodicité
Le scénario via la quasi-périodicité a été mis en évidence par les travaux théoriques
de Ruelle et Takens (1971) illustré par exemple sur le modèle de Lorenz (1963). Ce scé-
nario a été confirmé par de nombreuses expériences dont les plus célèbres se trouvent
en thermo-hydrodynamique - convection de Rayleigh-Bénard dans une petite boîte - et
en chimie - réaction de Bélousov-Zabotinsky - entre autres. cette route vers le chaos
résulte de la "concurrence" de différentes fréquences dans le système dynamique. Dans
un système à comportement périodique à une seule fréquence, si nous changeons un pa-
ramètre alors il apparaît une deuxième fréquence. Si le rapport entre les deux fréquences
CHAPITRE 2. CHAOS DÉTERMINISTE 20

Figure 2.1 – Cascade de doublements de période

est rationnelle comportement est périodique. Mais, si le rapport est irrationnel, le com-
portement est quasi périodique Dans ce cas, les trajectoires couvrent la superficie d’un
tore. Alors, on change de nouveau le paramètre et il apparaît une troisième fréquence,
et ainsi de suite jusqu’au chaos. n existe aussi des systèmes qui passent directement de
deux fréquences au chaos.

4 Caractérisation numérique et graphique du chaos

Ce chapitre offre des outils mathématiques permettant de caractériser les systèmes
dynamiques chaotiques. Ceux-ci étant définis par un attracteur étrange. Plusieurs pro-
priétés permettent cette caractérisation. L’une des propriétés géométriques la plus re-
marquable d’un attracteur étrange est qu’un " zoom " répété indéfiniment sur l’une
de ses parties reproduit toujours le même motif feuilleté. Un attracteur étrange pos-
sède en fait une structure fractale dont la dimension, qui traduit sa complexité, peut
CHAPITRE 2. CHAOS DÉTERMINISTE 21

être estimée par le calcul de la dimension de corrélation. L’autre propriété majeure est
la sensibilité aux conditions initiales. Le degré de sensibilité aux conditions initiales
quantifie le caractère chaotique du système. Il est évalué par les valeurs numériques
des exposants de Lyapunov. De la sensibilité aux conditions initiales dépendent les
possibilités de prévision de l’état du système. Possibles à court terme du fait de la na-
ture déterministe des systèmes chaotiques, elles deviennent impossibles à long terme.
Le degré de prédictibilité des systèmes chaotiques peut être estimé par l’entropie de
Kolmogorov-Sinaï.[18, 19].

4.1 Attracteur étrange

Il est contenu dans un espace fini. Son volume est nul. Sa dimension est fractale et
non entière ; sa trajectoire est complexe ; presque toutes les trajectoires sur l’attracteur
ont la propriété de ne jamais passer deux fois par le même point. En d’autres termes,
chaque trajectoire est apériodique ; deux trajectoires proches à un instant " t " voient
localement leur distance augmenter à une vitesse exponentielle. Ce phénomène traduit
la sensibilité aux conditions initiales ; toute condition initiale appartenant au bassin
d’attraction, c’est-à-dire à la région de l’espace des phases dans laquelle tout phénomène
dynamique sera "‘attiré " vers l’attracteur, produit une trajectoire qui tend à parcourir
de façon spécifique et unique cet attracteur[9].
Une " définition " d’un attracteur étrange peut etre formulée :
Un sous-ensemble borné A de l’espace des phases est un attracteur étrange pour une
transformation T de l’espace s’il existe un voisinage U de A ; c’est à dire que pour
tout point de A il existe une boule contenant ce point et contenue dans R vérifiant les
propriétés suivantes :
 Attraction : U est une zone de capture, ce qui signifie que toute orbite par T
dont le point initial est dans U ; est entièrement contenue dans U : De plus, toute orbite
de ce type devient et reste aussi proche de A que l’on veut.
 Sensibilité : les orbites dont le point initial est dans R sont extrêmement sensibles
aux conditions initiales.
 Fractal : A est un objet fractal.
 Mélange : Pour tout point de A, il existe des orbites démarrées dans R qui
passent aussi prés que l’on veut de ce point.

4.2 Sensibilité aux conditions initiales

Cette propriété a été observée pour la première fois par E. Lorenz sur son modèle
météorologique. Elle est connue sous le nom populaire d’effet papillon. La sensibilité des
trajectoires chaotiques aux conditions initiales est une autre caractéristique permettant
de reconnaître un comportement chaotique, puisque La plupart des systèmes chaotiques
exhibent la sensibilité aux conditions initiales ; pour deux conditions initiales arbitraires
CHAPITRE 2. CHAOS DÉTERMINISTE 22

Figure 2.2 – Attracteurs étranges Chua, Hénon

très voisines initialement ; les deux trajectoires correspondantes à ces données initiales
divergent exponentiellement, par suite les deux trajectoires sont incomparables [20, 21].

4.3 Exposants de Lyapunov

L’évolution d’un flot chaotique est difficle à appréhender, parce que la divergence
des trajectoires sur l’attracteur est rapide, C’est pourquoi on essaye d’estimer ou même
de mesurer la vitesse de divergence ou convergence, Cette vitesse s’appelle l’exposant
lyapunov.
L’exposant de Lyapunov sert à mesurer le degré de stabilité d’un système et permet
de quantifier la sensibilité aux conditions initiales d’un système chaotique. Le nombre
d’exposants de Lyapunov est égal à la dimension de l’espace des phases et ils sont
CHAPITRE 2. CHAOS DÉTERMINISTE 23

Figure 2.3 – Sensibilité aux conditions initiales de l’application logistique

généralement indexés du plus grand au plus petit λ1 , λ2 , λ3 , .... L’apparition du chaos

exige que les exposants de Lyapunov doivent remplir trois conditions [22, 23] :
• Au moins l’un d’eux est positif pour expliquer la divergence des trajectoires.
• Au moins l’un d’eux est négatif pour justifier le repliement des trajectoires.
• Aa somme de tous les exposants est négative pour expliquer qu’un système chao-
tique est dissipatif, c’est-à-dire qu’il perd de l’énergie.
La valeur du plus grand exposant de Lyapunov quantifie le degré de chaos du
système, mais le fait que les trois conditions énoncées ci dessus soient réunies ne suffit
pas à conclure qu’un système est chaotique. Il demeure indispensable de confronter les
résultats du calcul des exposants de Lyapunov avec ceux fournis par d’autres outils
d’analyse non-linéaire. Une méthode d’approximation des exposants de Lyapunov est
CHAPITRE 2. CHAOS DÉTERMINISTE 24

l’algorithme de Wolf [24]. Cet algorithme permet de calculer les exposants de Lyapunov
à partir du calcul effectif de la divergence de deux trajectoires après t pas de temps
par rapport à la perturbation introduite parallèlement, et ce au sein d’un attracteur,
les étapes de l’algorithme sont :

1. Changement du paramètre de contrôle.

2. Choix aléatoire d’une condition initiale.
3. Création d’une nouvelle trajectoire à partir de la trajectoire courante à laquelle
on ajoute une petite perturbation.
4. Evolution dans l’attracteur de ces deux trajectoires voisines et calcul de la
moyenne de la divergence renormalisée entre ces deux trajectoires.
5. Réajustement de l’écart, permettant ainsi à chaque pas de temps de l’évolution
du point précédent le calcul d’une moyenne de la divergence.
6. Retour au point (5) efféctué selon un nombre donné.
7. Retour au point (1).
8. Représentation du plus grand exposant de Lyapunov en fonction du paramètre de
contrôle donné.
Une méthode perturbative sur le long de la trajectoire chaotique peut souvent
s’appliquer :
Considérons une itération à 1D

xn+1 = f (xn )
avec une condition initiale x0 sur un attracteur chaotique, une petite perturbation δx
évolue alors en δx1 tel que

x1 + δx1 = f (x0 + δx0 ) = f (x0 ) + f 0 (x0 )δx0

où f 0 est la dérivée de f par rapport à x. La déviation est donc donnée par δx1 =
f 0 (x0 )δx0 . Aprés une seconde itération, nous obtenons une nouvelle déviation :

δx2 = f 0 (x1 )δx1 = f 0 (x1 )f 0 (x0 )δx1

et à l’étape n
n−1
Y
δx2 = ( f 0 (xm ))δx0 (2.1)
m=0

L’évolution de la perturbation au départ donne un écart δxn par rapport à l’évolution

sans perturbation. En supposant |δxn | ≈ (γ)n |δx0 |, l’évolution est obtenue par un taux
CHAPITRE 2. CHAOS DÉTERMINISTE 25

Type d’Attracteur Signe des exposants de Lyapunov

Point fixe -,-,-

Cycle limite périodique 0,-,-

Cycle limite quasi-périodique 0,0,-

Attracteur étrange +,0,-

Tableau 2.1 – Caractérisation des attracteurs.

effectif γ par pas d’itération, qui est exprimé par l’équation (2.5) à l’aide de l’équation
(2.4).
n−1
δxn 1/n Y
lim (| |) = lim ( |f 0 (xm )|)1/n (2.2)
n→∞ δx0 n→∞
m=0

En prenant le logarithme, nous obtenons l’exposant de l’évolution. C’est l’exposant

de lyapunov.
n−1
1X
λ = log(γ) = lim log(|f 0 (xi )|) (2.3)
n→∞ n
i=0

4.3.1 Caractérisation d’un attracteur par le signe des exposants de Lyapu-

nov
Un exposant de Lyapunov positif indique que selon la direction qu’il représente la
divergence entre deux trajectoires voisines augmente exponentiellement avec le temps
[20, 25, 26]
Il s’agit donc bien là d’une caractérisation d’un attracteur étrange. Pour une appli-
cation bidimensionnelle, on peut dès lors résumer la correspondance entre le type de
l’attracteur et le signe des exposants de Lyapunov (ici ils sont deux) dans le Tableau :

4.4 Dimension fractale

Dans l’antiquité, lorsqu’on parlait d’une dimension, on pensait soit à la hauteur, soit
à la longueur, soit à la largeur d’une chose. Au XVIIème siècle, Descartes en donna une
définition plus générale. Pour lui, une dimension est une coordonnée que l’on mesure
dans un repère d’axes. Usuellement, on dit que ce sont les coordonnées de l’espace
CHAPITRE 2. CHAOS DÉTERMINISTE 26

euclidien. Cette définition se montra spécialement utile pour décrire le mouvement d’un
point dans l’espace, et a été exploitée au mieux par la mécanique de Newton. Au milieu
du XIXème siècle, le mathématicien Riemann donna une interprétation encore plus
générale de la notion de dimension. Puisqu’un phénomène évolue sous l’influence de
divers paramètres, Riemann suggéra que l’on attribue une coordonnée distincte à chacun
de ces paramètres. De nos jours on appelle ces paramètres des "degrés de liberté".
L’importante nouveauté de cette conception est que rien ne nous empêche de donner à
chaque point plus que trois coordonnées.
Ces dernières années, cette définition des dimensions comme "coordonnées d’un
point" ne fut pas remise en question, mais elle commence à poser un problème. Elle
pose un problème depuis que Benoit Mandelbrot a montré la pertinence qu’il y a bien
souvent à utiliser des dimensions d’espace fractionnaires. Une dimension fractionnaire
(on dit "fractale"), c’est par exemple une dimension 1,3897. Parler d’un point dans un
espace à 6 ou 10 dimensions, on peut le concevoir comme une simple extension de ce
que l’on conçoit dans un espace à 3 dimensions.
Plusieurs définition de dimension fractale ont été proposées depuis le debut de ce
ciecle. Certaines ont un intérêt purement théorique, pour une étude de ces définitions
nous renvoyons à [27, 28, 29].

Définition 3 Il existe plusieurs définitions pour la dimension fractale :

– Ceux, qui définissent la dimension d’un ensemble. Cet ensemble peut etre un sous-
ensemble d’un espace métrique quelconque, un attracteur ou non. Nous présentons
la dimension de Hausdorff [30] et la dimension de capacité.
– Ceux qui tiennent compte de la dynamique d’un système. Ce sont la dimension
d’information et la dimension de corrélation. Habituellement on dit qu’on définit
la dimension fractale d’un attracteur.

Il existe plusieurs type de dimensions pour les attracteurs chaotiques, parmi celle-ci
on peut citer :

4.4.1 Dimension de Lyapunov

Paramètre permettant de mesurer la dimension du chaos. Suivant le type de chaos
généré, la dimension de Lyapunov est plus ou moins grande : pour des systèmes non
retardés (dimension finie) tels que les systèmes de Lorenz ou Rössler, la dimension de
Lyapunov est au maximum égale au nombre de variables du système (dimension faible),
alors que pour les systèmes à retard (dimension infinie) la dimension de Lyapunov tend
vers de grandes valeurs. Plus la dimension sera grande, plus la complexité du chaos sera
élevée[31].
Classant les exposants de Lyapunov λ1 ≥ λ2 ≥ .... ≥ λn .
CHAPITRE 2. CHAOS DÉTERMINISTE 27

La dimension de Lyapunov DL est définiepar :

j
P
λi
i=1
DL = j + (2.4)
λj+1
Où j est le plus grand entier qui satisfait :

λ1 + λ2 + λ3 + ... + λj ≥ 0.

4.4.2 Dimension de Hausdorff

La définition d’une dimension non entière la plus connue et la plus utilisée théori-
quement est la dimension de Hausdorff. Nous la présentons succintement en renvoyant
à Kahane et salem, pour une étude plus complète [28].
Soit M un ensemble de Rn recouvert par des ensembles Ai de petits diamètres
c’est-à-dire :
∞
M ⊂ ∪ Ai , 0 < |Ai | ≤ ε.
i=1

On définit la mesure de Hausdorff d-dimensionnelle par :

(∞ )
X d
µd (M ) = lim inf |Ai | , |Ai | ≤ ε. (2.5)
ε→0
i=1

La dimension de Hausdorff de l’ensemble M est le réel dH tq :

0 si d > dH
n
µd (M ) = +∞ si d < dH (2.6)

Définition 4 On définit la dimension de Hausdorff par :

dH (M ) = sup {d/µd (M ) = +∞} = inf {d/µd (M ) = 0} (2.7)

La dimension de Hausdorff existe toujours. C’est une propriété qui la différencie des
autre dimensions fractales. Le calcul numérique de dH est delicat, parce qu’il difficile
de trouver le recouvrement minimal. Pour une méthode de calcul voir Chorin[32].

4.4.3 Dimension de Kolmogorov ou de capacité

Soit un ensemble de points situés dans un espace à n dimensions. Cherchons à
recouvrir cet ensemble par des (hyper) cubes de côtés ε. Soit N (ε) le nombre minimal
de cubes nécessaires à cette opération. Paéfinition [11], la dimension de Kolmogorov ou
de capacité dC est la limite si elle existe :
CHAPITRE 2. CHAOS DÉTERMINISTE 28

log(N (ε))
dC = lim (2.8)
ε→0 log(1/ε)
quand l’arête ε des hypercubes tend vers zéro. Par exemple, la dimension de Kol-
mogorov de l’ensemble triadique de Cantor obtenu est dC ≈ 0.6309. Celle du triangle
de Sierpinski est dC ≈ 1.5849. La dimension de Kolmogorov est plus facile à déterminer
que la dimension de Hausdorff-Besicovitch. Cependant, dans beaucoup de cas, d’après
le théorème d’Hutchinson, elle est égale à la dimension de Kolmogorov.
La dimension fractale définie ci-dessus ne caractérise que la géométrie de l’attrac-
teur. Or, les expériences font apparaître le besoin de rendre compte également de la
dynamique sur l’attracteur, en particulier des aspects statistiques. En effet, dans un
régime chaotique (correspondant à un attracteur étrange) les positions de deux points
d’une même courbe trajectoire éloignés dans le temps sont sans corrélation entre elles
(à cause de la S.C.I.), et ceci par définition d’un tel régime. En revanche, tous les points
étant situés sur l’attracteur, il existe entre eux une certaine corrélation spatiale que l’on
peut chercher à l’aide d’une fonction appropriée.

4.4.4 Dimension de corrélation

La dimension de corrélation est une grandeur permettant d’estimer le degré de
complexité de l’attracteur du système. En fait, elle estime la dimension fractale de
l’attracteur du système dynamique. Si le système est chaotique et s’inscrit donc dans
un attracteur étrange de structure fractale, [33, 34, 35]. Dans cette méthode, la pro-
priété d’auto similarité d’un attracteur est sondée par le cadrage du comportement de
l’intégrale de corrélation :
N
1 X
CM (ε) = 2 H(ε − kXM (i) − XM (j)k) (2.9)
N
i,j=1
i6=j

Où H(.) est la fonction de Heaviside est égal à 1 pour des arguments positifs et égal à
0 pour des arguments négatifs. CM est le nombre (normalisé) de points de l’espace de
phases reconstruit appartenant à une sphère de rayon ε. l’algorithme de la dimension de
corrélation a l’avantage d’être calculable très efficacement. La dimension de corrélation
découle ainsi directement de l’intégrale de corrélation et s’exprime selon la formule :

Définition 5 On définit la dimension de corrélation par :

log(CM (ε))
Dc (ε) = lim (2.10)
ε→0 log(ε)
 Chapitre 3

Exemples de Systèmes dynamiques

chaotiques

1 Modèle de Lorenz
Edward Lorenz fut un météorologue qui, le premier, mit en évidence le caractère
chaotique de la météorologie. Le couplage de l’atmosphère avec l’océan est décrit par le
système d’équations aux dérivées partielles couplées de Navier-Stockes de la mécanique
des fluides. En 1963, Lorenz eut l’idée de chercher un modèle d’équations pour étudier
l’instabilité de Rayleigh-Bénard [37, 3].
Ce modèle a joué un rôle historique important puisque son évolution temporelle fait
apparaître un comportement chaotique. De plus, il constitua le premier et le célèbre sys-
tème différentiel dissipatif permettant d’observer un attracteur étrange pour certaines
valeurs des paramètres.
Dans sa version exprimée en paramètres et variables réduits, le système de trois équa-
tions différentielles couplées s’écrit :
 .
 x = σ(y − x)
·
y = rx − y − xz (3.1)
 ·
z = xy − bz

σ ou P r désigne le nombre de Prandtl( égal à 10 dans les simulations) , b = 8/3 et

r est le nombre de Rayleigh réduit.
Nous allons étudier le comportement et les différents portraits de phases obtenus pour
différentes valeurs du paramètres de contrôle.

1.1 Calcul des points d’équilibres

· · ·
Les points fixes sont par définition tel que x = y = z = 0. Un premier point fixe
trivial est P0 : x = y = z = 0, ∀r ≥ 0

 σ(y − x) = 0 ⇔ x = y (1)
rx − y − xz = 0 (2)
 xy − bz = 0 ⇔ z = b (3)
xy

29
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 30

Figure 3.1 – Attracteur de Lorenz σ = 10 , b = 8/3 , r = 28

√
(1) dans (3) donne x2 = bz ⇔x =∓ z

(1) dans (2) donne −xz + rz − z = 0 ⇔z = r-1

les points fixes P1 et P2 sont donc

(3.2)
p p p p
P1 = ( b(r − 1), b(r − 1), r − 1) et P2 = (− b(r − 1), − b(r − 1), r − 1)
Pour r = 1 , P0 = P1 = P2 donc pour r ∈ [0; 1], il n’y a qu’un seul point fixe P0 et pour
r > 1, il y a 3 points fixes P0 , P1 et P2 .
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 31

Figure 3.2 – Séries temporelles x(t), y(t), z(t) du système de lorenz σ = 10 , b = 8/3 ,
r = 28

1.2 Stabilité des points d’équilibres

Nous allons maintenant étudier la stabilité linéaire des points fixes pour le cas |r −
1| <<< 1
La stabilité des points d’équilibres est déterminée en linéarisant le flot au voisinage
de ces points et en calculant les valeurs propres, notées λi , de la matrice jacobienne en
ces points. La matrice jacobienne s’écrit :

−σ
!
σ 0
J= r − z −1 −x (3.3)
y x −b
– Pour P0
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 32

Figure 3.3 – Les Exposants de Lyapunov du système de lorenz σ = 10 , b = 8/3 ,

r = 28

L’origine est un point fixe pour toutes les valeurs de paramètre b, σ et r. La matrice
jacobienne est :

−σ σ
!
0
J= r −1 0 (3.4)
0 0 −b
et comme det(J − λI) = 0, nous avons l’équation caractéristique, suivante :

(λ + b) λ2 + (σ + 1) λ + σ (1 − r) = 0 (3.5)
 

a pour racines :
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 33

(a) (b) (c)

Figure 3.4 – Attracteur de Lorenz (a) l’espace(x-z) , (b) l’espace (y-x) ,( c) l’espace(y-z)

p
(σ − 1)2 + 4rσ
−σ − 1 + 2
λ1 = (3.6)
p2
−σ − 1 − (σ − 1)2 + 4rσ
λ2 = (3.7)
2
λ3 = −b (3.8)

– Pour P1 et P2 :
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 34

La matrice jacobienne correspond à ces points s’écrit :

 
−σ σ p 0
J = p 1 p −1 − b(r − 1)  (3.9)
b(r − 1) b(r − 1) −b

Ses valeurs propres sont les racines du polynôme caractéristique :

det(J − λI) = P (λ) = λ3 + (σ + b + 1) λ2 + b (σ + r) λ + 2bσ (r − 1) (3.10)

Le polynôme est d’ordre trois, on peut le résoudre par les formules de Cardan et
déterminer le signe des racines par les condition de Routh-Hurwitz.

Et selon les valeurs du paramètre r, ce polynome peut avoir trois racines réelles
négatives ou bien une une racine réelle et deux racines complexes conjuguées.

On peut simplifier ce calcul en utilisant le fait qu’il existe une valeur propre λ1 = 0
si r = 1 donc on peut supposer que |λ1 | << 1 si |r − 1| << 1 on peut donc négliger λ21
et λ31 de l’équation

λ1 ∼ 2σb(r−1)
= − +br < 0 pour r > 1 (3.11)

Les autres valeurs propres λ2 , λ3 ne dépendent pas de r.

− λ2 − λ(σ + 1 + b) − (σb + b) = 0 (3.12)

On résout donc :
∆ = (σ + 1 + b)2 − 4b(σ + 1)
Les valeurs propres sont donc :

p
(σ + 1 + b)2 + 4b4b(σ + 1)
(σ + 1 + b) −
λ1 = − <0 (3.13)
p 2
− (σ + 1 + b) + (σ + 1 + b)2 + 4b4b(σ + 1)
λ2 = <0 (3.14)
2

On fait de même avec P2 et on trouve le même résultat λ3 < λ2 < λ1 < 0 ( noeud
stable)
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 35

Donc pour les points P1 , P2 sont stable pour |r − 1| << 1.

A r = 1, on a donc une bifurcation fourche supercritique.
On va maintenant montrer que les points fixes issus de la premiere bifurcation se
destabilisent à leur tour pour une valeur rc par une bifurcation de Hopf.
Cette deuxieme bifurcation est caracterisée par une paire de valeurs propres complexes
conjuguees pour lesquelles la partie reelle change de signe a la bifurcation. On sait donc
qu’il existe des solutions purement imaginaires λ1,2 = ±iw quand r assume sa valeur
critique rc .
En prenant les parties reelles et imaginaires de l’equation caracteristique on trouvera
deux equations independantes permettant de determiner ω et la valeur de rc
Reprenons l’équation
$P (λ) = λ3 + (σ + b + 1) λ2 + b (σ + r) λ + 2bσ (r − 1) $
⇔ (iω)3 + (σ + b + 1) (iω)2 + b (σ + rc ) (iω) + 2bσ (rc − 1) ⇔

ω 2 (σ + 1 + b) + 2σb(1 − rc ) = 0
ω 3 − ω(σb + brc )

c −1)
ω 2 = 2σb(r

⇔ σ+1+b
ω 2 = σb + brc )
( 2σb
σb+ σ+1+b
rc =
⇔ 2σb
σ+1+b
−b

 ω = ±((σb + b)rc )
σ(σ+b+3)
⇔ rc = σ−b−1
ω = ±((σb + b)rc )
Application numérique : rc = 24.74 et ω = ±92.64.

2 Le modèle de Hénon et le modèle de Lozi

L’astronome Michel Hénon exploitera la suggestion de Pomeau et Ibanez , pour obte-
nir un système très simple. Celui-ci est présent au séminaire de Nice (sur la turbulence),
en janvier 1976 lorsque Pomeau expose l’idée de réaliser des systèmes dynamiques plus
simples encore que celui de Lorenz, mais présentant des caractéristiques similaires, et
qui permettraient de prouver plus clairement des "évidences" mises en lumière par les
calculs numériques. Puisque le raisonnement repose sur la section de Poincaré il propose
de produire une application du plan dans lui-même, plutôt qu’une équation différen-
tielle, imitant le comportement de Lorenz et son attracteur étrange[38]. La familiarité
de Hénon avec les applications du plan dans lui-même, lui permet de réagir rapidement
et de produire un système très simple donnant un attracteur étrange. Il est connu depuis
sous le nom de système de Hénon et correspond à l’application (3. 15), un problème
très général avec les attracteurs étranges, amené par la proposition de Ruelle et non
résolu depuis : il n’existe aucune preuve mathématique de leur existence, seulement des
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 36

indications numériques (graphiques), même pour les plus étudiés d’entre eux. Cela signe
une certaine "limite" aux expériences numériques dans le domaine. Un seul système (3.
21) fait exception, celui construit par René Lozi, mathématicien à l’université de Nice,
à partir de l’attracteur de Hénon. Il est un peu plus simple que les autres et le mathé-
maticien Michal Misiurewicz est parvenu à démontrer, grâce aux outils des systèmes
dynamiques, l’existence effective de l’attracteur étrange.

2.1 Attracteur de Hénon

L’application de Poincaré correspondante au modèle de Lorenz étant fortement dissi-
pative, donc difficile à calculer précisement. M. Hénon en 1976, dans le but de simplifier
le système de trois équations différentielles du modèle de Lorenz, proposa l’application
suivante du plan sur lui même :

H: R2 −→ R2 (3.15)
(x, y) 7−→ (y + 1 − ax2 , bx)

a et b étant deux paramètres réels, où la valeur de la constante a contrôle la non-

linéarité de l’itération, et celle de b traduit le rôle de la dissipation. Les valeurs habi-
tuellement utilisées pour a, b sont a = 1.4 et b = 0.3.
Partant d’un point du plan de coordonnées (x0 , y0 ) on peut calculer les coordonnées
(x1 , y1 ) du point suivant, et ainsi de suite. L’application de Hénon est inversible ; son
inverse est :
H −1 (x, y) = (b−1 y, x − 1 + ab−2 y 2 ). (3.16)
La matrice jacobienne ici a pour expression :
−2ax 1
 
J= b 0 (3.17)

Le déterminant de la matrice jacobienne est égale à |J| = −b Considérons l’application

de Hénon
H(x, y) = (1 + y − ax2 , bx) (3.18)
avec 0 < b < 1.
Cette application a deux points fixes
p
b − 1 + (1 − b)2 + 4a
x1 = , y1 = bx1 (3.19)
p 2a
b − 1 − (1 − b)2 + 4a
x2 = , y2 = bx2
2a
trouvés à partir de la relation : H(x, y) = (1 + y − ax2 , bx) = (x, y).
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 37

2
Le déterminant (b − 1)2 + 4a est négative si a < a0 = − (b−1)
4 = −0.1225; dans ce
cas il n’y a pas des points fixes.
La Stabilité
La matrice jacobienne J a pour valeurs propres, les valeurs données par :
p
λ1,2 = −ax ± a2 x2 + b (3.20)
Si l’on calcule les valeurs absolues des valeurs propres, on constate que la plus petite
des valeurs propres est toujours inférieure à 1, tandis que la plus grand est inférieur,
égale ou supérieur à 1 suivant que |x| inférieur, égale ou supé rieur à (1 − b)/2a, on en
déduit que le point fixe (x2 , y2 ) est un point selle.
L’autre point fixe est stable si a < 3(1 − b)2 /4 = 0.3675.
Si a = 3(1 − b)2 /4, on a λ1 (x1 , y1 ) = b et λ2 (x2 , y2 ) = −1.
Diagramme de bifurcation
La construction de diagramme de bifurcation est faite en faisant varier le paramètre
a de 0 à 2 avec un pas de 0.0005 ; b est égale à 0.3.
Le diagramme obtenu est représenté par la figure (3. 6).
Ce diagramme est de type de bifurcation de doublement de période, l’attracteur de
Hénon contient deux points fixes.
La partie stable se situe dans l’intervalle [0, 0.3675] .
Un 2−cycle stable commence à a = 0.3675 suivi d’un 4− cycle stable à a = 0.9 et
ainsi de suite.
La période continue de doubler jusqu’à une valeur déterminée où le trajectoire com-
mence à prendre une forme particulière.
Pour a = 1.4, on ne distingue plus les cycle ; le système est chaotique.
L’attracteur de Hénon pour a = 1.4, b = 0.3 est représenté dans la figure(??) .
la structure de l’attracteur se répète identiquement à elle-même aux échelles d’ob-
servation successives. Cette structure dont la permanence à différent échelle est carac-
téristique d’un objet fractale.
Par ailleurs, la dimension de Hausdorff de l’attracteur de Hénon objet intermidiaire
entre une ligne et une surface, est D = 1.26.
On peut aussi calculer la dimension de l’attracteur de Hénon par la dimension de
Lyapunov. On a pour a = 1.4, b = 0.3, l’application de Hénon a deux exposants de
Lyapunov λ1 = 0.42205, λ2 = −1.626 la dimension de Lyapunov par définition est
égale à DL = 1.2596.
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 38

Figure 3.5 – Diagramme de bifurcation de Hénon

2.2 Attracteur de Lozi

Dans le but de simplifier l’attracteur de Hénon, René Lozi[39], propose l’application
suivante :

L: R2 −→ R2 (3.21)
(x, y) 7−→ (y + 1 − a |x| , bx)

Propriétés de l’application de Lozi

1. La seule différence entre l’application de Hénon et de Lozi est que le terme non-
linéaire x2 de l’application de Hénon est remplacé par |x| dans l’application de
Lozi. Cette modification de l’application de Hénon est linéaire pour x > 0, x < 0.
2. L’application de Lozi n’est pas différentiable.
3. Si a = 0, L’application de Lozi est une application linéaire, donc on pose toujours
a 6= 0.
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 39

Figure 3.6 – Attracteur de Hénon pour a = 1.4 , b = 0.3

4. L’application de Lozi est inversible ; son inverse est :

L−1 (x, y) = (b−1 y, x − 1 + a/b |y|). (3.22)

5. Le déterminant de la matrice jacobienne est égale à |J| = −b, alors il y a contrac-

tion des aires pour |b| < 1
Cette application possède deux points fixes hyperbolique définit par :
1 b
si b < a + 1

P1 = (x̄1 , ȳ1 ) = ( 1+a−b , 1+a−b ),
(3.23)
1 b
P2 = (x̄2 , ȳ2 ) = ( 1−a−b , 1−a−b ), si b < −a + 1
On peut facilement déterminer la stabilité locale de ces points par l’évaluation des
valeurs propres de la matrice jacobienne :
 
∂|x|
Df (x) = −a ∂x 1 (3.24)
b 0

La Stabilité
L’équation caractéristique de la matrice jacobienne est :
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 40

Figure 3.7 – Illustration de la permanence de la structure de l’attracteur de Hénon à

différentes échelles.

λ2 + aλ − b pour P1 (3.25)
2
λ − aλ − b pour P2

Stabilité de P1
2
Pour b > −a 4 , les valeurs propres sont des réelles
2
Pour b < −a 4 , les valeurs propres sont des complexes.
Elle sont de module inférieur à 1 si :
b > −1, b < a + 1 et b < 1 − a. Et le point fixe P1 est stable.
Les valeurs propres sont de module supérieur à un si :
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 41

Figure 3.8 – Les exposants de Lyapunov en fonction du temps pour l’application de

Hénon.

b < −1, b < a + 1 et b < 1 − a. Et le point fixe P1 est instable.

Les valeurs propres λ1 et λ2 sont |λ1 | < 1 et |λ2 | > 1 si :
b > a + 1 et b > 1 − a. Et le point fixe P1 est une point selle ou col.
Stabilité de P2
L’équation caractéristique pour P2 est définit par λ2 − aλ − b
∆ = a2 + 4b.
L’existence de P2 est pour b > −a + 1, alors ∆ = a2 + 4b > 0 et les valeurs propres
sont toujours des réelles.
Elle sont de modules supérieurs à un si
b > −a + 1, b > a + 1. Et le point fixe P2 est instable.
Les valeurs propres λ1 et λ2 sont |λ1 | < 1 et |λ2 | > 1 si :
b > a + 1 et b > 1 − a. Et le point fixe P2 est une point selle ou col.
Pour plus de détails voir les références cités à la fin de cette étude, en particulier
Le résumé de la stabilité des points fixes pour l’application de Lozi est donné dans
le tableau (3.1)
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 42

Stabilité des poins fixes Stabilité de P1 Stabilité de P2

b<a+1
b < −a + 1 Stable N’existe pas
b > −1
b<a+1
b < −a + 1 Instable N’existe pas
b < −1
b>a+1
b > −a + 1 Selle Selle
b > −a + 1
b>a+1 N’existe pas Instable
Tableau 3.1 – Variation de la stabilité de P1 , P2 par rapport à la variation du para-
mètres a et b

Figure 3.9 – Attracteur de lozi pour a = 1.7 et b = 0.5

Misiurewicz dans[39] prouve l’existence d’un attracteur étrange de l’application de

Lozi.
Pour les paramètres a = 1.7 et b = 0.5 la suite de points itérés par l’application de
Lozi converge vers un attracteur étrange représenté par la figure (3. 9)
Structure fractal
Pour déterminer la structure de l’attracteur de Lozi, on peut faire un agrandissement
d’un région de l’attracteur et on observe que la structure se répète.
Contrairement au cas de l’application de Hénon, le route vers le chaos par l’appli-
cation de Lozi n’est pas une bifurcation de doublement de période. Puisque la dérivée
de l’application de Lozi n’est pas continue.
Le diagramme obtenu est représenté par la figure (3. 10).
Exposants de Lyapunov pour l’application de Lozi
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 43

Figure 3.10 – Diagramme de bifurcation de Lozi

Pour a = 1.7, b = 0.5, l’application de Lozi a deux exposants de Lyapunov λ1 =

0.69314 qui est positif, λ2 = −1.204. On vérifie bien cependant que la somme de ces
exposants est strictement négative.
La figure (3. 11) représente la variation des exposants de Lyapunov en fonction du
temps pour l’application de Lozi.
Dimension de l’attracteur de Lozi
On a pour a = 1.7, b = 0.6, l’application de Lozi a deux exposants de Lyapunov
λ1 = 0.69314, λ2 = −1.204, alors la dimension de Lyapunov est égale à DL = 1.5757.
CHAPITRE 3. EXEMPLES DE SYSTÈMES DYNAMIQUES CHAOTIQUES 44

Figure 3.11 – Les exposants de Lyapunov en fonction du temps pour l’application de

Lozi
 Deuxième partie

OPTIMISATION et CHAOS

45
 Chapitre 4

Etat de l’art sur les algorithmes

chaotiques.

1 Introduction
L’optimisation est l’une des branches les plus importantes des mathématiques ap-
pliquées modernes, et de nombreuses recherches, à la fois pratiques et théoriques, lui
sont consacrées. dans lequel on définit une fonction cout, que l’on cherche à minimiser
par rapport à ses paramètres. Par exemple, dans le célèbre problème du voyageur de
commerce, on cherche à minimiser la longueur de la tournée d’un "voyageur de com-
merce", qui doit visiter un certain nombre de villes, avant de retourner à la ville de
départ. La définition du problème d’optimisation est souvent complétée par la donnée
de contraintes : tous les paramètres (ou variables de décision) de la solution proposée
doivent respecter ces contraintes, faute de quoi la solution n’est pas réalisable.
Du côté algorithmique, un algorithme d’optimisation nécessite généralement la défini-
tion d’une fonction rendant compte de la pertinence des solutions potentielles, à partir
des grandeurs à optimiser. Cette fonction est appelée fonction d’adaptation f ou fit-
ness function en terminologie anglo-saxonne. L’algorithme convergera vers un optimum
de cette fonction, quelle que soit sa définition. La pertinence de la solution dépendra
donc de la pertinence de la " question " posée à l’ordinateur. La fonction f doit donc
exprimer le plus fidèlement possible le désir de l’utilisateur, sous forme mathématique.
Sa définition peut être analytique, ou le résultat du jugement de l’utilisateur[40].

2 Aperçu sur les Methodes d’Optimisation.

La théorie de l’optimisation peut être séparée en deux grandes branches : l’optimi-
sation locale et l’optimisation globale. Si on peut considérer que la première est presque
" entièrement connue ", la seconde est encore partiellement méconnue et les recherches
y sont à leur apogée, comme le confirment les nombreuses parutions récentes[40]. La
tâche principale de l’optimisation globale est la recherche de la solution qui minimisera
un critère de coût donné, appelée " optimum global ". L’optimisation globale vise donc
à chercher non seulement un minimum local, mais surtout le plus petit de ces minima
locaux. Il existe deux grandes approches à l’optimisation globale. L’une est dite déter-

46
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 47

ministe où les algorithmes de recherche utilisent toujours le même cheminement pour

arriver à la solution, et on peut donc " déterminer " à l’avance les étapes de la recherche.
L’autre est non déterministe ou aléatoire : pour des conditions initiales données, l’algo-
rithme ne suivra pas le même cheminement pour aller vers la solution trouvée, et peut
même proposer différentes solutions[41, 42, 43, 44, 45]. C’est par cette seconde branche,
la recherche globale aléatoire, que les travaux les plus complexes (temps de calcul impor-
tant, nombreux optima locaux, fonctions non-dérivables et fonctions fractales’) seront
souvent traités plus efficacement

2.1 Définitions
Un problème d’optimisation est usuellement formulé comme un problème de mini-
misation et s’écrit sous la forme :

minx f (x),


 telque,

hj (x) ≤ 0; i = 1, ..., m, (4.1)
 gi (x) ≤ 0; j = 1, ..., p,


x ∈ S,
Où f est la fonction (scalaire) à minimiser, appelée ”fonction coût” ou ”fonction
objectif”, x représente le vecteur des variables d’optimisation, gi sont les contraintes
d’inégalité et hj les contraintes d’égalité, et S est l’espace des variables (appelé aussi
espace de recherche). S indique le type de variables considérées : réelles, entières, mixtes
(réelles et entières dans un même problème), discrètes, continues, bornées, etc.
Un point xA est appelé un point admissible si xA ∈ S et si les contraintes
d’optimisation sont satisfaites : gi (xA ) ≤ 0, i = 1, ..., m et hj (xA ) = 0, j = 1, ..., p. La
solution de (IV.1) est l’ensemble des optima x∗ .

x∗ est un minimum global de f si et seulement si f (x∗ ) ≤ f (x) ; ∀x ∈ S, et x∗ est

un minimum local de f si et seulement si f (x∗) ≤ f (x)∀x ∈ S/ kx − x∗ k ≤ ε, ε > 0.
La Figure (IV.1)(a) présente un exemple d’une fonction à une variable, avec des
minima locaux et un minimum global. Parmi les minima locaux, celui qui possède la
plus petite valeur de f est le minimum global. Une fonction multimodale présente
plusieurs minima (locaux et globaux), et une fonction unimodale n’a qu’un minimum,
le minimum global. La Figure (4.1) montre une fonction multimodale à deux variables.

On appelle ”méthode (ou algorithme ou recherche) locale” celle qui converge vers
un minimum local. Les recherches locales partent usuellement d’un point initial x0
avec un pas initial ρ0 . Ces paramètres vont conditionner la descente d’une des vallées
de la fonction (cf. schéma en Figure (4.2). De nombreuses méthodes locales existent.
Les plus anciennes et les plus utilisées sont les méthodes où la direction de descente est
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 48

f(x) S

x0 Recherche local

Minimum
global x

Minimum local x* Minimum local

Figure 4.1 – Minima locaux et minima globaux d’une fonction multimodale

déduite des dérivées de la fonction (méthode de la plus forte pente, méthode de Newton,
méthode de gradient conjugué et la méthode quasi-Newtoniennes).
Les méthodes globales ont pour objectif d’atteindre un ou plusieurs optima globaux.

Typiquement, le coût machine d’une optimisation est conditionné par le nombre

d’évaluations de la fonction objectif. Si l’on veut, par exemple, optimiser un système
mécanique modélise par éléments finis, le temps de calcul sera principalement la somme
des temps de simulations utilisées par l’optimiseur.

Il n’existe pas un algorithme optimal pour tous les problèmes [87], et la plupart des
méthodes possèdent des paramètres à régler.
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 49

Figure 4.2 – Une fonction multimodale à deux variables

2.2 Méthodes d’Optimisation Globale ( Non-Deterministe).

on trouve dans la littérature, différentes classifications des méthodes globales. Une
classification, basée sur [46], est présentée dans cette section. Elle n’a pas pour objectif
d’être complète, ni de montrer tous les détails des méthodes, mais plutôt de mettre en
évidence les caractéristiques de chaque groupe.

2.2.1 Méthodes de descente généralisées

Dans ces méthodes un algorithme d’optimisation local est employé itérativement,
et la direction de descente est modifiée de manière à éviter la convergence vers un
optimum local déjà trouvé. Une façon de réaliser ceci est de pénaliser la fonction f au
fur et à mesure que l’optimiseur s’approche d’un minimum local x∗i déjà trouvé. Par
exemple,
fP = f + P (x∗1 , x∗2 , ..., x∗c ),
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 50

Figure 4.3 – Illustration des faux optima locaux introduits par la pénalisation

où
c
X Ki
P =
|x − x∗i |α
i=1

et c est le nombre de minima locaux trouvés. Un désavantage de la pénalisation directe

de f est que l’on peut introduire des optima locaux dans fP qui n’existent pas dans f
(cf. Figure 4.3).
Une autre manière d’explorer d’autres régions après avoir trouvé des minima locaux
est d’utiliser les méthodes de tunnel [47]. Elles cherchent des points de départ dans des
vallées différentes. Cette méthode présente deux phases qui sont exécutées en alternance.
Dans la première phase, une recherche locale est effectuée sur la fonction f , à partir
d’un point de départ xi0 . Elle convergera (on le suppose) vers un minimum (local) x∗i .
Ensuite, la phase de ”tunnel” se déroule. Un nouveau point de départ xi+1 0 est cherché
dans une autre vallée, à l’aide d’une fonction tunnel T . x0 doit vérifier la condition
i+1

0 ) < f (xi ) pour garantir qu’il se situera dans une vallée plus basse, donc différente
f (xi+1 ∗
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 51

Figure 4.4 – Schéma des méthodes de tunnel

des précédentes. xi+1

0 0 ) < 0, la fonction tunnel étant, par exemple,
doit satisfaire T (xi+1

f (x) − mint=1,c f (x∗i )

T (x) = Qc ∗ 2αi
i=1 ||x − xi ||
Où αi est un paramètre qui contrôle "la force" de répultion autour de x∗i .
La Figure 4.4 schématise la méthode de tunnel.
Ces méthodes souffrent typiquement de mauvais conditionnements numériques liés
à P (x) et T (x).

2.2.2 Recherches aléatoires

Dans ce groupe de méthodes on peut avoir des recherches aléatoires pures, qui
consistent à tirer un point, au hasard, à chaque itération. La fonction coût est évaluée
en ce point, et s’il y a une amélioration, ce point et la fonction correspondante sont
enregistrés, et le processus continue. Les recherches aléatoires peuvent aussi être as-
sociées aux recherches locales. Ainsi des points au hasard sont pris pour ré-initialiser
des recherches locales. Ces ré-initialisations sont susceptibles de converger plusieurs fois
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 52

vers les mêmes minima locaux. De plus, il n’y a pas de discrimination entre régions
prometteuses ou non prometteuses [48].

2.2.3 Méthode de multi-départ

La méthode multi-départ diffère simplement de la recherche aléatoire par le fait
qu’elle applique une procédure de recherche locale au point initial avant de tester si son
image est meilleure[49]. Elle présente donc l’avantage de traiter le point généré, mais par
contre le point obtenu sera souvent le même. En effet, l’inconvénient de Multi-départ
est que le même minimum local peut s’identifier plusieurs fois menant à une recherche
globale inefficace.

2.2.4 Méthodes de regroupement (Clustering)

Les méthodes de groupements peuvent être considérées comme une forme modifiée
de l’algorithme standard de multi-départ. Ces méthodes essayent d’éviter l’ineffica-
cité introduite par la méthode de multi-départ en choisissant soigneusement les points
auxquels la recherche locale est lancée. Les trois étapes principales des méthodes de
groupements sont :
– Echantillonnage du domaine de recherche.
– Transformation des points pour les grouper autour des minima locaux.
– Application d’une technique groupante pour identifier les groupes que représentent
les voisinages des minima locaux.
Bien évidemment, la difficulté consiste à regrouper judicieusement les points de ma-
nière à ce que tous les points ayant le même groupe. Et si ce procédé identifie avec
succès ces groupes ; qui représentent les voisinages des minima locaux ; alors un nombre
important des recherches locales peuvent être évité en commençant simplement une re-
cherche locale d’un certain point dans chaque groupe [50, 51]. Deux méthodes existent
pour exécuter cette opération de groupement : le groupement de densité et la liaison
simple, détaillées dans [52, 53]. Un désavantage de ces méthodes est qu’elles sont peu
performantes pour les fonctions ayant de nombreux minima. Dans ces cas, en effet, un
grand nombre d’échantillons est nécessaire.

2.2.5 Méthodes évolutionnaires

Les méthodes évolutionnaires sont des méthodes d’optimisation probabilistes qui
sont souvent présentées par analogie avec la théorie de la sélection naturelle de Darwin.
Les individus les plus performants d’une population ont une plus grande probabilité
de survivre et de se reproduire, en donnant des descendants encore mieux adaptés. La
correspondance avec la minimisation d’une fonction est la suivante : un ”individu”
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 53

est un point x, la ”population” est un ensemble de points,et ”la performance d’un

individu” x est évaluée par sa valeur de fonction coût f (x). En partant d’une échan-
tillonnage de l’espace de recherche (une population initiale), ces méthodes réalisent des
tirages de nouvelles populations (des générations) à l’aide d’opérations de sélection,
croisement et mutation [54, 55, 56, 57].
Les différents algorithmes évolutionnaires se distinguent par la mise en oeuvre de ces
opérations. Historiquement, ils ont été développés indépendemment en trois variantes
[58, 59, 60, 61] : algorithmes génétiques, stratégies d’évolution et programmation évo-
lutive. Un exemple de structure d’algorithme évolutionnaire est le suivant :
– initialisation de la population P (t), t = 0(au hasard, par exemple) ;
– evaluation de la population couranteP (t) : calcul de la fonction coût pour tous
les points de la population ;
– sélection de certains individus de P (t) en fonction de leur fonction coût f par
exemple les meilleurs : les parents P0 (t),
– croisement entre parents et création des ”enfants” ⇒ P1 (t),
– Mutation perturbation aléatoire des individus de P1 (t) ⇒ P2 (t),
– Evaluation de P2 (t),
– Formation de la nouvelle population P (t + 1) à partir des individus de P (t) et
de P2 (t), par exemple en choisissant les meilleurs individus appartenant à P (t)
et à P2 (t) ;
– t ← t + 1;
– Si le critère d’arrêt n’est pas satisfait, retour en 3.
Une quatrième famille de méthodes évolutionnaires, plus distante de la métaphore
biologique et au formalisme plus rigoureux, est la famille des algorithmes d’optimisation
statistique. A partir des individus sélectionnés (étape 3), une densité de probabilité
de présence de l’optimum est estimée. Cette densité servira à générer des nouveaux
individus (étapes 4 et 5). Ces méthodes peuvent être considérées comme des algorithmes
évolutionnaires sans opérateurs.

Les algorithmes évolutionnaires permettent de réaliser des recherches globales, for-

mellement grâce à l’étape 5. Leurs intérêts pratiques réside dans leurs applicabilité à
une très large gamme de problèmes car ils n’utilisent que la fonction coût (pas de déri-
vées) et peuvent accomoder des variables mixtes. Cependant, pour trouver un optimum,
ils ont besoin d’un grand nombre d’évaluations de la fonction coût. Ainsi, ils ne sont
considérés directement utilisables que pour les problèmes où le calcul de la fonction ne
nécessite pas de ressources importantes.
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 54

2.2.6 Généralités sur les méthodes d’optimisation globale

De manière synthétique, on notera que les méthodes d’optimisation globales pré-
sentent toujours deux composantes. Une composante globale ou exploratrice, qui permet
d’explorer l’espace de recherche, et une composante locale ou exploitatrice, qui vise à
exploiter les informations (relation entre x et f ) recueillies. Les méthodes d’optimisation
globales sont, souvent, stochastiques, à travers leur composante exploratrice. Ainsi on
ne peut pas les juger à partir d’une seule exécution. Pour les qualifier, il est nécessaire
d’effectuer une analyse statistique (moyenne, écart-type, etc.) de plusieurs exécutions.

2.3 Cooperation entre les recherches locales et globales.

L’existence de solutions locales dans les problèmes d’optimisation a engendre d’im-
portants efforts pour le développement de méthodes d’optimisation globales [53, 54]. Le
coût numérique élève des optimiseurs globaux est l’origine d’efforts subséquents pour
augmenter la vitesse de la recherche, soit en ajoutant de la connaissance spécifique,
soit en combinant des algorithmes locaux (efficaces) avec des algorithmes globaux. Il
existe plusieurs manières d’associer les recherches locales et globales. Quelques cas ont
été déjà présents en Section précédente : recherches aléatoires combinées avec des re-
cherches locales, méthodes de regroupement et méthodes de descente généralisées. La
façon la plus simple de réaliser cette association est d’effectuer les recherches en série,
c’est-à-dire qu’une optimisation globale à côut limite est d’abord exécutée, ensuite cette
solution est raffinée par une recherche locale. De nombreuses recherches locales-globales
en parallèle ont été proposées [53, 60] et analysées. Dans ces cas, les itérations des al-
gorithmes locaux et globaux sont entrelacées. De plus, on peut diviser les algorithmes
hybrides parallèles en deux catégories : ceux où la recherche locale converge, et ceux où
la recherche locale est arrêtée prématurément. Des algorithmes génétiques mimétiques
sont des exemples du premier cas. Les algorithmes du deuxième cas sont, en général, ba-
sés sur les méthodes de regroupement dans lesquelles les recherches locales qui arrivent
à des régions déjà explorées sont abandonnées.

2.4 Compromis, Exploration et Exploitation.

Les inventeurs des algorithmes génétiques ont introduit les notions d’exploitation et
exploration. L’exploitation insiste sur la capacité d’examiner par une méthode des zones
de recherche particulières alors que l’exploration met en avant la capacité de découvrir
des zones de recherche prometteuses. Ces deux notions complémentations concernent
l’ensemble des méthodes de recherche. Il est donc pertinent d’analyser l’ensemble des
méthodes d’optimisation en fonction de ces deux notions. Ces méthodes se différencient
également selon, la manière dont elles font varier l’intensité de l’exploration au cours de
la recherche. Les méthodes de recherches aléatoires permettent une bonne exploration
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 55

puisque tout point a une probabilité identique d’être atteint, même s’il n’y a pas d’ex-
ploitation des résultats déjà obtenus. L’efficacité de ces méthodes peut être améliorée
en incorporant des techniques supplémentaires dans leurs mécanismes. Plus la méthode
utilise des mécanismes spécifiques, plus la méthode dispose de moyens potentiels pour
conduire efficacement la recherche de l’optimum global [61, 62].

2.5 Les Algorithmes de Recherche Chaotiques.

On a traité dans la section précédente une classe des approches probabilistiques ba-
sées sur l’observation. Parmi ces méthodes, l’algorithme de recherche aléatoire est pro-
bablement le plus robuste, le plus simple et n’est pas limité par le dimensionnement de
l’espace de recherche, ce pendant il est probablement le moins efficace. Les algorithmes
de recherche aléatoire peuvent être utilises d’une manière intelligente, de manière à ce
que leur efficacité puisse être améliorée et leurs avantages restent valables en même
temps. L’idée principale est de construire des algorithmes de recherche chaotique qui
explorent l’espace de recherche d’une manière chaotique. Les algorithmes d’optimisa-
tion chaotiques comme une méthode émergente de l ’optimisation globale ont attiré
beaucoup d’attention dans les applications d’ingénierie. Leurs bonnes performances ont
été soulignées. Dans le cadre d’algorithmes évolutionnaires, l’utilisation de séquences
chaotiques au lieu de celles aléatoire a été introduite par Caponetto et al. [69].
Depuis leur travail original, la littérature sur l’optimisation chaotique est florissante.
Ils sont utilisés dans le cadre de la méthode de réglage pour déterminer les paramètres
du PID d’un régulateur de tension automatique, ou également pour l’optimisation de
la conception technique et dans beaucoup d’autres problèmes physiques, économiques
et biologiques.

2.5.1 La Recherche Chaotique de l’optimum

La méthode de la recherche chaotique est une méthode très simple, non affectée par
la dimension du problème d’optimisation. Cette méthode est basée sur l’exploration de
l’espace de recherche S d’une manière chaotique afin de trouver un point qui minimise
la fonction objective f . Cette méthode consiste à sélectionner à chaque itération une
solution au hasard. La fonction objective f est évaluée en ce point. La nouvelle valeur
est comparée à la précédente, si elle est meilleure que la précédente, cette valeur est
enregistrée, ainsi que la solution correspondante, et le processus continue. Sinon on
repart du point précédent et on recommence le procédé, jusqu’à ce que les conditions
d’arrêt soient atteintes. La figure (4.5) résume l’algorithme.
CHAPITRE 4. ETAT DE L’ART SUR LES ALGORITHMES CHAOTIQUES. 56

Poser n=1 et y0 = +  Poser n=1 et y0 = + 

Fixer le nombre Nmax d'itération à effectuer Fixer le nombre Nmax d'itération à effectuer
Tant que n ≤ Nmax Tant que n ≤ Nmax
Générer aléatoirement x selon la loi Générer chaotiquement x selon un modèle
uniforme sur S chaotique sur S
Si f(x)< y n-1 Si f(x)< y n-1
Poser yn= f(x) et xn=x Poser yn= f(x) et xn=x
Sinon Sinon
Poser yn= y n-1 et xn=xn-1 Poser yn= y n-1 et xn=xn-1
Incrémenter n d'une unité Incrémenter n d'une unité

Figure 4.5 – Algorithme de recherche aléatoire où (x∗ = xn ; f ∗ = yn )

 Chapitre 5

Efficacité des algorithmes de

recherche chaotique.

1 Introduction.
Le chaos est désormais un concept bien établi et il y a une vaste littérature sur la
nature du chaos. Depuis plus de trois décennies, le comportement inhabituel des sys-
tèmes chaotiques a attiré l’attention de plusieurs différentes communautés scientifiques.
Les comportements chaotiques ont été observées dans différents domaines des sciences,
par exemple l’ingénierie, la médecine, l’écologie, la biologie et l’économie.
Le chaos est mathématiquement défini comme un modèle aléatoire généré par des sys-
tèmes déterministes simples. En général, le chaos a trois importantes propriétés dyna-
miques [62, 64, 65, 67] :
– la sensibilite aux conditions initiales.
– la propriété de semi-stochastique.
– la propriété quasi-aléatoire.
L’idée d’utiliser des systèmes chaotiques au lieu des processus aléatoires a été re-
marqué dans plusieurs domaines. Un de ces champs est la théorie de l’optimisation.
Dans les algorithmes d’optimisation aléatoire le rôle du hasard peut être joué par
une dynamique chaotique.
Des études expérimentales ont affirmé que les avantages de l’utilisation des modèles
chaotiques au lieu des modèles aléatoires sont souvent évidents mais il n’est pas encore
mathématiquement prouvé [68, 69].
A partir de ces proprieté du chaos, certains nouveaux algorithmes de recherche
appelés algorithmes d’optimisation chaotique (COAs) sont présentés dans la littérature
[70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81].
Les méthodes COA peuvent facilement échapper à des minima locaux contrairement
aux algorithmes d’optimisation stochastique.
L’algorithme d’optimisation stochastique s’échappe souvent à des minima locaux en
acceptant quelques mauvaises solutions selon une certaine probabilité. Mais les COAs
s’échappent à des minima locaux à cause de la régularité des mouvements chaotiques.
Dans la plupart des méthodes de COA, les variables du chaos sont générées par
l’application logistique. L’objectif de cette section est d’étudier l’efficacité de quelques

57
CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.58

modèles chaotiques de dimension deux en tant que des générateurs de variables chao-
tiques. A cet égard, nous avons choisi trois applications différentes en remplaçant le
générateur de variables chaotique dans l’un des COAs.

2 Principe et étapes du COA basée sur 2-D modèle.

Beaucoup de problèmes d’optimisation sans contrainte avec des variables continues
peuvent être formulés comme des problèmes d’optimisation de la manière suivante :

 minx f (x),

telque,
(5.1)
 X = [x1 , x2 , ..., xn ]

xi ∈ [Li , Ui ], i = 1, 2, ..., n,
La f est appelée fonction objectif, X représente le vecteur des variables d’optimi-
sation
la procédure de recherche chaotique basée sur le modèle 2-D (Lozi) peut étre illustrée
comme suit[82, 83, 84] :
Entrées :
Mg :le nombre maximal d’itérations de la recherche globale chaotiques.
Ml :le nombre maximum d’itérations de la recherche locale chaotiques.
Ml + Mg : le critère d’arrêt de la méthode d’optimisation chaotique.
λ : le pas de la recherche locale chaotique.
Sorties :
X̄ : la meilleure solution d’exécution en cours de recherche chaotique.
f¯ : la meilleure fonction objectif.

Le processus de base de COA comporte généralement deux phases principales

Définir un générateur de séquences chaotiques basées sur une application chaotique

(ici 2-D chaotique map).

puis on génère un point candidat xc dans la région de recherche [L, U ] ; l’optimum

x̄, est le point candidat ayant obtenu la plus petite valeur de f (xc ).
Le processus est schématisé par l’algorithme de la page suivante, les points xc sont
générés dans le domaine [L, U ] au moyen du vecteur chaotique z.
Dans cet algorithme , nous supposons que les composantes de z sont restreintes à
l’intervalle [0, 1].

A chaque itération, un nouveau vecteur de séquences chaotiques est généré en

utilisant le modèle chaotique.
CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.59

Algorithm 1: COLM
1 -Step 1 : Initialize the number Mg , Ml of chaotic search and initialization of variables and
initial conditions Set k=1, y (0), y1 (0),a = 1.7 and b = 0.5 of Lozi map. Set the initial best
objective function f¯ = +∞
2 -Step 2 : algorithm of chaotic global search :
while k ≤ Mg do
xi (k) = Li + zi (k).(Ui − Li )
if f (X(k)) < f¯ then
X̄ = X(k); f¯ = f (x(k))
end if
k =k+1
end while
-Step 3 : algorithm of chaotic local search :
while k ≤ (Mg + Ml ) do
if r ≤ 0.5 then
xi (k) = x̄i + λzi (k).|(Ui − Li )|
else
xi (k) = x̄i − λzi (k).|(Ui − Li )|
end if
if f (X(k)) < f¯ then
X̄ = X(k); f¯ = f (x(k))
end if
k =k+1
end while

On obtient un nouvel optimum local x̄.

L’étape deux de cet algorithme de la recherche chaotique globale est similaire à la
technique d’optimisation de Monte-Carlo qui converge lentement et obtient l’optimum
global avec une faible probabilité.
La premiere étape de cet algorithme est utilisée pour obtenir un bon optimum pour
l’étape de raffinage où la recherche chaotique locale.z est toujours le modèle chaotique
et λ est un paramètre scalaire lié au rayon de la recherche autour de x̄.
Les optima locaux sont mis à jour chaque fois qu’un point est trouvé de mieux telle
que la procédure se poursuit pour la recherche au voisinage du nouveau point optimal.
CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.60

3 Application de l’algorithme basée sur le modèle chao-

tique 2-D .
La conception de notre algorithme basée sur le modèle chaotique 2-D vise à
améliorer la convergence de l’optimisation chaotique. Pour tester l’efficacité de cet
algorithme, nous l’avons appliqué d’une part à différentes fonctions tests. D’autre
part, nous avons étudié l’efficacité de quelques modèles de dimension deux en tant que
générateurs de variables chaotiques dans cet algorithme.

Différents types d’équations chaotiques ont été utilisées, l’application logistique

et d’autres applications non aléatoires, telles que l’application Tente, l’application de
Gauss, l’application de Lozi,le système Mackey-Glass ,le système de Lorenz, l’applica-
tion de Ikeda et d’autres ont été adoptées et ont donnés des résultats très intéressants.

3.1 La méthode COLM).

L’attracteur de Lozi est défini par le système d’équations suivant, ou a etb sont des
constantes :

y1 (k) = 1 − a|y1 (k − 1)| + by(k − 1)
y(k) = y1 (k − 1) (5.2)

où k est le nombre d’itération. Dans ce travail, les valeurs de y sont normalisées dans
l’intervalle [0, 1] dans le problème d’optimisation. Cette transformation est donnée par :

(y(k) − α)
z(k) = . (5.3)
β−α
Où y ∈ [−0, 6418, 0, 6716]et[a, b] = (−0.6418, 0.6716). Les paramètres utilisés dans
ce travail sont a = 1, 7 et b = 0, 5. Si on programme ces formules avec Matlab, le graphe
de l’application (5.1) avec les valeurs suivantes a = 1.7 ;b = 0.5 est donné par la figure
(5.1) :
Des tests sur des fonctions connues de la littérature ont été fait. Le but était de
vérifier l’efficacité de l’approche proposée (Tableau 5.1).
1- La première fonction est définie par :

f1 = x41 −7x21 −3x1 +x42 −9x22 −5x2 +11x21 x22 +99sin(71x1 )+137sin(97x1 x2 )+131sin(51x2 ).
(5.4)
- Domaine de recherche : −10 ≤ xi ≤ 10, i = 1, 2.
2- La deuxième fonction F2 est la fonction de Easom à deux variables définie par :
2 −(x 2 ))
F2 = −cos(x1 )cos(x2 )e(−(x1 −π) 2 −π)
(5.5)

- Domaine de recherche : −100 ≤ xi ≤ 100, i = 1, 2.

CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.61

Figure 5.1 – Attracteur de Lozi pour a = 1.7 , b = 0.5

3- La troisième fonction F3 est la fonction de Rastrigin à deux variables définie

par :
F3 = 20 + x21 − [Link](2πx1 ) + x22 − [Link](2πx2 ). (5.6)
- Domaine de recherche : −5.12 ≤ xi ≤ 5.12, i = 1, 2.
4- La quatrième fonction F4 est la fonction de Rosenbrock tridimensionnelle définie
par :
3
X
F4 = 100. ((xi+1 − x2i )2 + (1 − xi )2 ). (5.7)
i=1

dans le domaine de recherche : −2.048 ≤ xi ≤ 2.048, i = 1, 2, 3.

5- La cinquième fonction F5 est la fonction de Griewank en n = 3 dimensions

définie par :
3 3
X x2i Y xi
F5 = 1 + + cos √ (5.8)
4000 i
i=1 i=1

dans le domaine de recherche : −500 ≤ xi ≤ 500, i = 1, 2, 3.

CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.62

λ Mg Ml meilleure va- Valeur L’écart-type (x∗, y∗)

leur moyenne
0.3105
 
F1 :Lozi 0.001 24 50 -371.0150 -368.5212 11.1135
0.2442
2.9605
F2 : Easom 0.001 24 50 -0.8476 -0.8476 0.0000
3.5541
0.3038
F3 : Rastrigin 0.001 24 50 0.0589 0.0589 0.0000 0.2774 !
1.0213
F4 : Rosenbrok 0.001 24 50 0.0034 0.0060 0.0043 1.0486
1.1041!
0.6106
F5 : Griewank 0.001 24 50 0.3775 0.3979 0.0080 0.9361
0.3953
−2.6200
 
F1 : Lozi 0.01 40 50 -367.3930 -358.0622 7.5935
 1.5648
3.2293
F2 : Easom 0.01 40 50 -0.9565 0.0000
3.7128 
−0.6788
F3 : Rastrigin 0.01 40 50 0.0371 0.0341 0.0030 −0.6447!
1.0066
F4 : Rosenbrok 0.01 40 50 0.0003 0.0065 0.0039 1.0060
1.0135 !
−0.0060
F5 : Griewank 0.01 40 50 0.0000 0.0067 0.0022 −0.0018
−0.0091
−4.6404
 
F1 : Lozi 0.1 40 50 -379.0027 -371.5180 5.1866
−3.0760
3.2934

F2 : Easom 0.1 40 50 -0.9774 -0.9599 0.0060
3.4138 
−0.2886
F3 : Rastrigin 0.1 40 50 0.0199 0.0315 0.0082 −0.3647!
1.0317
F4 : Rosenbrok 0.1 40 50 0.0231 0.2153 0.0670 1.0351
1.1113 !
−0.1705
F5 : Griewank 0.1 40 50 0.0008 0.0130 0.0070 −0.2763
−0.3607
−5.8930
 
F1 : Lozi 0.1 1000 50 -382.7108 -379.7557 1.7817
 2.9309
3.0659
F2 : Easom 0.1 1000 50 -0.9957 -0.9957 0.0000
2.9234 
−0.1886
F3 : Rastrigin 0.1 1000 50 0.0013 0.0013 0.0000 −0.4647!
1.0317
F4 : Rosenbrok 0.1 1000 50 0.0143 0.1799 0.0884 1.0351
1.1113 !
−0.1306
F5 : Griewank 0.1 1000 50 0.0011 0.0117 0.0070 −0.2616
−0.2961
Tableau 5.1 – COLM
CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.63

3.2 la méthode (COHM).

Le modèle de Hénon est un système dynamique à temps discret. C’est l’un des
systèmes dynamiques ayant un comportement chaotique les plus étudiés. L’attracteur
de Hénon prend tout point du plan (x, y) et lui associe le nouveau point :

y1 (k) = 1 − a.y12 (k − 1) + by(k − 1)
(5.9)
y(k) = y1 (k − 1)
où k est le nombre d’itération. Dans ce travail, les valeurs de y sont normalisés dans
l’intervalle [0, 1] à chaque variable de décision dans l’espace à n dimensions du problème
d’optimisation. Cette transformation est donnée par :

(y(k) − α)
z(k) = . (5.10)
β−α
Il dépend de deux paramètres, a et b, qui ont pour valeurs canoniques : a = 1.4 et
b = 0.3. Pour ces valeurs, l’attracteur de Hénon est chaotique. Pour d’autres valeurs de
a et b, il peut être chaotique, intermittent ou converger vers une orbite périodique. Un
aperçu du comportement de l’attracteur peut être donné par son diagramme orbital.
L’attracteur fut introduit par Michel Hénon comme une simplification de la section de
Poincaré de l’attracteur de Lorenz. Dans le cas canonique, le point de départ appro-
chera soit un ensemble de points, connu sous le nom d’attracteur étrange de Hénon,
soit l’infini. L’attracteur de Hénon est fractal, continu dans une direction, et forme un
ensemble de Cantor dans l’autre. Des estimations numériques donnent une dimension
de corrélation d’environ 1.25 ± 0.02 et une dimension de Hausdorff de 1.261 ± 0.003
pour l’attracteur canonique. En tant que système dynamique, l’attracteur canonique de
Hénon est d’un intérêt particulier car, contrairement à la carte logistique, ses orbites
n’ont pas de description simple. Si on programme ces formules avec Matlab on aura le
graphe de la figure (5.2) avec les valeurs suivantes a = 1.4 ; b = 0.3.

Figure 5.2 – Attracteur de Hénon pour a = 1.4 , b = 0.3

CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.64

Des test sur des fonctions connues de la littérature présenté dans la sous section pré-
cédante (voir la section Fonctions tests) , ont été faits. Le but était de vérifier l’efficacité
de l’approche proposée (Tableau 5.2).
CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.65

λ Mg Ml Best Value Mean Va- Std. Dev (x∗, y∗)

lue
0.3105
 
F1 :Lozi 0.001 24 50 -371.0150 -368.5212 11.1135
0.2442
3.6050
F2 : Easom 0.001 24 50 -0.8476 -0.8476 0.0000
3.5417 
0.2338
F3 : Rastrigin 0.001 24 50 0.0589 0.0589 0.0000 −0.2774!
1.0213
F4 : Rosenbrok 0.001 24 50 0.0034 0.0060 0.0043 1.0486
1.1041!
0.6106
F5 : Griewank 0.001 24 50 0.3775 0.3979 0.0080 0.9361
0.3953
−2.6200
 
F1 : Lozi 0.01 40 50 -367.3930 -358.0622 7.5935
 1.5648
3.4934
F2 : Easom 0.01 40 50 -0.9565 -0.9565 0.0000
3.8138 
−0.0017
F3 : Rastrigin 0.01 40 50 0.0371 0.0341 0.0030 −0.2318!
1.0066
F4 : Rosenbrok 0.01 40 50 0.0003 0.0065 0.0039 1.0060
1.0135 !
−0.0060
F5 : Griewank 0.01 40 50 0.0000 0.0067 0.0022 −0.0018
−0.0091
−4.6404
 
F1 : Lozi 0.1 40 50 -379.0027 -371.5180 5.1866
−3.0760
3.4934

F2 : Easom 0.1 40 50 -0.9774 -0.9599 0.0060
4.8138 
−0.4886
F3 : Rastrigin 0.1 40 50 0.0199 0.0315 0.0082 −0.5047!
1.0317
F4 : Rosenbrok 0.1 40 50 0.0231 0.2153 0.0670 1.0351
1.1113 !
−0.1705
F5 : Griewank 0.1 40 50 0.0008 0.0130 0.0070 −0.2763
−0.3607
−5.8930
 
F1 : Lozi 0.1 1000 50 -382.7108 -379.7557 1.7817
 2.9309
3.0659
F2 : Easom 0.1 1000 50 -0.9957 -0.9957 0.000
3.2234 
−0.1186
F3 : Rastrigin 0.1 1000 50 0.0013 0.0013 0.0000 −0.3247!
1.0317
F4 : Rosenbrok 0.1 1000 50 0.0143 0.1799 0.0884 1.0531
1.1513 !
−0.0906
F5 : Griewank 0.1 1000 50 0.0012 0.0107 0.0070 −0.2616
−0.2861
Tableau 5.2 – COHM
CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.66

3.3 La méthode COMM.

L’attracteur est défini par le système d’équations suivant, où a etb sont des
constantes : 
y1 (k) = 1 − a(siny1 (k − 1)) + by(k − 1)
y(k) = y1 (k − 1) (5.11)

Où k est le nombre d’itération. Dans ce travail, les valeurs de y sont normalisés dans
l’intervalle [0, 1] à chaque variable de décision dans l’espace à n dimensions du problème
d’optimisation. Cette transformation est donnée par :

(y(k) − α)
z(k) = .
β−α

Où y ∈ [−8.588, 27.645]et[α, β] = [−8.588, 27.645]. Les paramètres utilisés dans ce

travail sont a = 4 et b = 0.9. Si on programme ces formules avec Matlab on aura le
graphe de la figure avec les valeurs suivantes a = 4 ;b = 0.9 on aura ce graphe :

Figure 5.3 – Attracteur étrange pour a = 4 , b = 0.9

Des tests sur des fonctions connues de la littérature (voir la section Fonctions tests)
, ont été fait. Le but était de vérifier l’efficacité de l’approche proposée (Tableau 5.3) .
CHAPITRE 5. EFFICACITÉ DES ALGORITHMES DE RECHERCHE CHAOTIQUE.67

λ Mg Ml Best Value Mean Va- Std. Dev (x∗, y∗)

lue
2.8728
 
F1 :Lozi 0.001 24 50 -365.5515 -365.5515 0.0057
−0.1600
2.6050

F2 : Easom 0.001 24 50 -0.8476 -0.8476 0.0000
2.5417 
0.3338
F3 : Rastrigin 0.001 24 50 0.0589 0.0589 0.0000 −0.2774!
1.1213
F4 : Rosenbrok 0.001 24 50 0.0034 0.0033 0.0001 1.0386
1.1401!
0.7106
F5 : Griewank 0.001 24 50 0.3775 0.3775 0.0000 0.8861
0.4853
3.4934
 
F1 : Lozi 0.01 40 50 -377.5517 -372.5025 3.3956
3.3881
3.3934
F2 : Easom 0.01 40 50 -0.9565 -0.9565 0.0000
2.9338 
0.17886
F3 : Rastrigin 0.01 40 50 0.0371 0.0341 0.0030 0.24647!
1.0166
F4 : Rosenbrok 0.01 40 50 0.0003 0.0065 0.0039 1.0260
1.0935 !
−0.0065
F5 : Griewank 0.01 40 50 0.0000 0.0067 0.0022 −0.0020
−0.0091
−3.4934
 
F1 : Lozi 0.1 40 50 -369.8807 -369.4553 0.1898
−4.8138
3.4934

F2 : Easom 0.1 40 50 -0.9774 -0.9599 0.0060
3.8138 
−0.7886
F3 : Rastrigin 0.1 40 50 0.0199 0.0315 0.0082 −0.4647!
1.0327
F4 : Rosenbrok 0.1 40 50 0.0231 0.2153 0.0670 1.1351
1.1513 !
−0.0705
F5 : Griewank 0.1 40 50 0.0008 0.0130 0.0070 −0.2763
−0.2907
1.0659
 
F1 : Lozi 0.1 1000 50 -389.9468 -389.9468 0.0003
2.2234
3.0659
F2 : Easom 0.1 1000 50 -0.9957 -0.9957 0.000
2.9234 
−0.0886
F3 : Rastrigin 0.1 1000 50 0.0018 0.0015 0.0022 −0.1647!
1.0477
F4 : Rosenbrok 0.1 1000 50 0.0143 0.1799 0.0884 1.0251
1.1413 !
−0.2306
F5 : Griewank 0.1 1000 50 0.0009 0.0017 0.0070 −0.1616
−0.2871
Tableau 5.3 – COMM
 Chapitre 6

Proposition d’une nouvelle

approche pour les algorithmes
d’optimisation chaotiques.

Dans ce chapitre, nous proposons une nouvelle stratégie d’optimisation chaotique

qui est une amélioration de la méthode COLM [82, 83, 84] (Chaotic Optimization
based on Lozi Map)qui repose sur une recherche globale suivie d’une recherche locale
et peut donner des resultas insatisfaisants. Nous avons fait une modification dans la
phase globale de la recherche. En a fait quelques étapes de recherches locales chaotiques
autour de chaque point obtenu par la série chaotique, c-à-d en optimisant localement
pendant quelques itérations le résultat global . Cette nouvelle recherche est appelée
ICOLM [85, 86]. Donc ICOLM a améliorée la méthode COLM par une recherche
globale localement moyennée.

Heuristique : La stratégie globale localement moyennée du ICOLM conduit à des

meilleurs résultats que la méthode COLM comme montre la Fig.6.1. Dans cette figure,
on affiche trois résultats de la recherche globale x1 (k), x2 (k), x3 (k) tel que :

f (x2 (k)) < f (x3 (k)) < f (x1 (k)). (6.1)

La recherche locale qui suit la recherche globale commence à partir du meilleur résultat
global x2 (k) ( 10.1) et donne x2 (k + 1). Par contre, la recherche "locale-globale" autour
x1 (k), x2 (k), x3 (k) conduit à x1 (k + 1), x2 (k + 1), x3 (k + 1) qui vérifient :

f (x1 (k + 1)) < f (x3 (k + 1)) < f (x2 (k + 1)). (6.2)

La recherche locale suivant la recheche "locale-globale" commence à partir du meilleur

résultat x1 (k + 1) (10.2) et conduit à x̄ qui vérifient :.

f (x̄) < f (x1 (k + 1)). (6.3)

Pendant la recherche locale chaotique, le pas λ est un paramètre important dans le

comportement de la convergence de l’optimisation. Ainsi, deux valeurs différentes de λ
sont successivement utilisées lors de la recherche locale.

68
CHAPITRE 6. PROPOSITION D’UNE NOUVELLE APPROCHE POUR LES ALGORITHMES D’OPTIM

Figure 6.1 – Heuristique de la stratégie globale localement moyennée.

La procédure de la nouvelle recherche chaotique basée sur un modèle 2-D peut étre
illustrée comme suit :
Entrées :
Mg : le nombre maximal d’itérations de la recherche globale chaotiques
Ml :le nombre maximum d’itérations de la recherche locale chaotiques.
Mgl1 : le nombre maximal d’itérations de la 1er recherche globale-locale.
Mgl2 : le nombre maximal d’itérations de la 2eme recherche globale-locale.
Mg .(Mgl1 + Mgl2 ) + Ml : le critère d’arrêt de la méthode d’optimisation chaotique.
λ : le pas dans la recherche locale chaotique.
λgl1 : le pas dans la première recherche globale-locale .
λgl2 : le pas dans la deuxième recherche globale-locale.
Sorties :
X̄ : la meilleure solution d’exécution en cours de recherche chaotiques
f¯ : la meilleure fonction objectif.

Dans la suite, nous affichons quelques résultats que nous avons obtenu, ces résultats
montrent une meilleure optimisation par cette nouvelle méthode.
A chaque étude, 48 cas ont été faites et exécutés indépendemment pour chacune des
deux méthodes COLM et ICOLM impliquant 48 essais de différentes conditions initiales
y1(0), y(0) (paramètres de l’application de Lozi).
Pour tous les cas étudiés, les quatre configurations, numérotés de ICOLM1 à
CHAPITRE 6. PROPOSITION D’UNE NOUVELLE APPROCHE POUR LES ALGORITHMES D’OPTIM

Algorithm 2: ICOLM
1 Step 1 :Initialize the number Mg , Mgl1 ,Mgl2 , Ml of chaotic search and initialization of
variables and initial conditions Set k=1, y (0), y1 (0),a = 1.7 and b = 0.5 of Lozi map. Set
the initial best objective function f¯ = +∞
2 Step 2 : algorithm of chaotic global search :
while k ≤ Mg do
xi (k) = Li + zi (k).(Ui − Li )
if f (X(k)) < f¯ then
X̄ = X(k); f¯ = f (x(k))
end if
-Step 2-1 : sub algorithm of chaotic local search :
while j ≤ Mgl1 do
for i = 0 to n do
if r ≤ 0.5 then
xi (j) = x̄i + λgl1 zi (j).|(Ui − Li )|
else
xi (j) = x̄i − λgl1 zi (j).|(Ui − Li )|
end if
end for
if f (X(j)) < f¯ then
X̄ = X(j); f¯ = f (x(j))
end if
j =j+1
end while
-Step 2-2 : sub algorithm of chaotic local search :
while s ≤ Mgl2 do
for i = 0 to n do
if r ≤ 0.5 then
xi (s) = x̄i + λgl2 zi (s).|(Ui − Li )|
else
xi (s) = x̄i − λgl2 zi (s).|(Ui − Li )|
end if
end for
if f (X(s)) < f¯ then
X̄ = X(s); f¯ = f (x(s))
end if
s=s+1
end while
k =k+1
end while
3 Step 3 : algorithm of chaotic local search :
while k ≤ Mg × (Mgl1 + Mgl2 ) + Ml do
for i = 0 to n do
if r ≤ 0.5 then
xi (k) = x̄i + λzi (k).|(Ui − Li )|
else
xi (k) = x̄i − λzi (k).|(Ui − Li )|
end if
end for
if f (X(k)) < f¯ then
X̄ = X(k); f¯ = f (x(k))
end if
k =k+1
CHAPITRE 6. PROPOSITION D’UNE NOUVELLE APPROCHE POUR LES ALGORITHMES D’OPTIM

λ λMgl1 λMgl2 Mg Ml Mgl1 Mgl2

IC1 0.001 0.04 0.01 6 50 2 2
IC2 0.01 0.04 0.01 10 50 2 2
IC3 0.1 0.04 0.01 10 50 2 2
IC4 0.1 0.04 0.01 100 50 5 5
C1 0.001 24 50
C2 0.01 40 50
C3 0.1 40 50
C4 0.1 1000 50
Tableau 6.1 – L’ensemble des valeurs des paramètres de l’algorithme pour chaque ité-
ration

ICOLM4 et COLM1 à COLM4, qui sont utilisés sont présentés dans le Tab.6.1.
 Chapitre 7

Application de l’approche proposée

sur des fonctions tests.

La validationde l’efficacité et l’étude du comportement de la nouvelle stratégée pro-

posée sera réalisée par la résolution des problèmes représentés par des fonctions analy-
tiques tests choisies de telle sorte que la recherche du point de minimum soit difficile.
N’importe quel algorithme classique d’optimisation bloque sur la première barrière de
la fonction qu’il trouve. Des chiffres tels que les valeurs des coordonnées du point de
minimum trouvés, la valeur correspondante de la fonction objectif sont très important
pour nous donner la puissance réelle d’une méthode. Néanmoins, des problèmes sont
rencontrés car les algorithmes ont des comportements très dépendants de la fonction
objectif. Par conséquent, il n’y aura pas de critère unique.

1 Fonctions tests
Cinq problèmes sont résolus. Trois minimisations en dimension 2, la nouvelle fonction
(fonction de Lozi), la fonction Easom, la fonction Rastrigin , et deux minimisations en
dimension 3, la fonction de Rosenbrock en dimension 3, la fonction de Griewank en
dimension 3.

1.1 Fonction test F1

En premier lieu, on s’intéresse à minimiser une nouvelle fonction ( Lozi function)
bidimensionnelle :

f1 = x41 −7x21 −3x1 +x42 −9x22 −5x2 +11x21 x22 +99sin(71x1 )+137sin(97x1 x2 )+131sin(51x2 ).
(7.1)

- Le domaine de recherche : −10 ≤ xi ≤ 10, i = 1, 2.

Elle est très complexe, et possède des centaines de minima locaux. La caractéristique
essentielle de cette fonction , c’est que l’emplacement des minima n’est pas symétrique
(Fig.11. 1)
.

72
CHAPITRE 7. APPLICATION DE L’APPROCHE PROPOSÉE SUR DES FONCTIONS TESTS.73

x̄
 
algo Best value Mean value [Link] ȳ
Lozi Function
−2.7686
 
IC1 -382.3917 -355.8410 13.6581
−0.4055
0.3105
C1 -371.0150 -368.5212 11.1135
 0.2442 
−0.7327
IC2 -392.5400 -365.7837 14.0615
 1.3203 
−2.6200
C2 -367.3930 -358.0622 7.5935
 1.5648 
−1.9677
IC3 -393.3134 -379.6872 8.8797
−1.9982
−4.6404
C3 -379.0027 -371.5180 5.1866
−3.0760
−1.6161
IC4 -395.8441 -387.3368 9.0825
−2.2475
−5.8930
C4 -382.7108 -379.7557 1.7817 2.9309
Tableau 7.1 – Comparison of algorithms COLM and ICOLM for f1 .

1.2 Fonction test F2

La fonction F2 est la fonction Easom à deux variables [2, 5] :
2 −(x 2 ))
F3 = −cos(x1 )cos(x2 )e(−(x1 −π) 2 −π)
(7.2)

Ses caractéristiques sont les suivantes :

– domaine de recherche : −100 ≤ xi ≤ 100, i = 1, 2.
– nombre de minima locaux : plusieurs minima locaux.
– un minimum global : x̄ = (π, π), f (x̄) = −1.
.

1.3 Fonction test F3

La deuxième fonction est la fonction de Rastrigin à deux variables définie par :

F2 = 20 + x21 − [Link](2πx1 ) + x22 − [Link](2πx2 ). (7.3)

Ses caractéristiques sont :

– domaine de recherche : −5.12 ≤ xi ≤ 5.12, i = 1, 2.
– nombre de minima locaux : plusieurs minima locaux.
– un minimum global : x̄ = (0, 0), f (x̄) = 1.
.
CHAPITRE 7. APPLICATION DE L’APPROCHE PROPOSÉE SUR DES FONCTIONS TESTS.74

1.4 Fonction test F4

On s’intéresse à minimiser la fonction de Rosenbrock tridimensionnelle. Nous avons
formulé le problème de minimisation comme ci-dessous :
3
X
F4 = 100. ((xi+1 − x2i )2 + (1 − xi )2 ). (7.4)
i=1

– le domaine de recherche : −2.048 ≤ xi ≤ 2.048, i = 1, 2, 3.

.
x̄
 
algo Best value Mean value [Link] ȳ
Rosenbrock’s Function !
0.9030
IC1 0.0001 0.0106 0.0114 0.8143
0.6617!
1.0213
C1 0.0034 0.0060 0.0043 1.0486
1.1041!
0.9700
IC2 0.0000 0.0012 0.0010 0.9413
0.8840!
1.0066
C2 0.0003 0.0065 0.0039 1.0060
1.0135!
0.9604
IC3 0.0000 0.0032 0.0047 0.9198
0.8449!
1.0317
C3 0.0231 0.2153 0.0670 1.0351
1.1113!
0.9968
IC4 0.0000 0.0000 0.0000 0.9937
0.9880!
1.0317
C4 0.0143 0.1799 0.0884 1.0351
1.1113
Tableau 7.2 – Comparison of algorithms COLM and ICOLM for F4 .

1.5 Fonction test F5

Dans ce test, la minimisation de la fonction test de Griewank en n = 3 dimensions :
3 3
X x2i Y xi
F5 = 1 + + cos √ (7.5)
4000 i
i=1 i=1
CHAPITRE 7. APPLICATION DE L’APPROCHE PROPOSÉE SUR DES FONCTIONS TESTS.75

- domaine de recherche : −500 ≤ xi ≤ 500, i = 1, 2, 3.

Cette fonction est multimodale et elle présente plusieurs minima locaux et un seul
minimum global, F = 0, qui se trouve en xi = 0.0, i = 1, 3. .

x̄
 
algo Best value Mean value [Link] ȳ
Griewank’s Function
−0.0003
!
IC1 0.0000 0.0072 0.0010 0.0003
−0.0011!
0.6106
C1 0.3775 0.3979 0.0080 0.9361
0.3953 !
−0.0060
IC2 0.0000 0.0067 0.0022 −0.0018
−0.0091!
−0.0064
C2 0.0218 0.0916 0.0402 0.2170
0.0013 !
−0.1318
IC3 0.0074 0.0267 0.0238 −0.0213
−0.0107!
−0.1705
C3 0.0008 0.0130 0.0070 −0.2763
−0.3607!
−0.0040
IC4 0.0000 0.0000 0.0000 −0.0067
−0.0060!
−0.1306
C4 0.0011 0.0117 0.0070 −0.2616
−0.2961
Tableau 7.3 – Comparison of algorithms COLM and ICOLM for F5 .
CHAPITRE 7. APPLICATION DE L’APPROCHE PROPOSÉE SUR DES FONCTIONS TESTS.76

Figure 7.1 – Représentation de la fonction de test F1 utilisé dans cette étude sur
10 ≤ xi ≤ 10, i = 1; 2.
CHAPITRE 7. APPLICATION DE L’APPROCHE PROPOSÉE SUR DES FONCTIONS TESTS.77

-cos(x1) cos(x2) exp(-(x1-)2 -(x2-)2)

-7
x 10

0.5

-0.5

-1

-1.5
10
5 10
0 5
0
-5 -5
x2 -10 -10
x1

Figure 7.2 – Représentation de la fonction de test Easom F2 utilisé dans cette étude
sur 100 ≤ xi ≤ 100, i = 1; 2.
CHAPITRE 7. APPLICATION DE L’APPROCHE PROPOSÉE SUR DES FONCTIONS TESTS.78

Figure 7.3 – Représentation de la fonction de test Rastrigin F3 utilisé dans cette étude
sur 5.12 ≤ xi ≤ 5.12, i = 1; 2.
CHAPITRE 7. APPLICATION DE L’APPROCHE PROPOSÉE SUR DES FONCTIONS TESTS.79

Figure 7.4 – Représentation de la fonction de test Rosenbrock F4 utilisé dans cette

étude.
CHAPITRE 7. APPLICATION DE L’APPROCHE PROPOSÉE SUR DES FONCTIONS TESTS.80

Figure 7.5 – Représentation de la fonction de test Griewank F5 utilisé dans cette étude.
 Conclusion générale
L’optimisation par chaos est un domaine de recherche assez récent constitue, comme
nous venons de le présenter, une des applications des dynamiques chaotiques. Ce type
de dynamique possède par nature deux aspects essentiels :
– l’évolution dans le temps est très sensible aux conditions initiales et pseudo-
aléatoires.
– Mais ces dynamiques possèdent aussi un déterminisme local ( loi d’évolution dy-
namique, équation différentielle d’évolution dans le temps) qui permet une repro-
duction, du même pseudo-aléatoire.
Le travail de thèse consisté dans un premier temps à maîtriser et à comprendre certaines
des propriétés complexes de la dynamique chaotique. Cette compréhension a été accom-
pagnée par une illustration concrète de toutes les notions précédentes par des exemples
célèbres tels que le modèle de Lorenz et les modèles de Hénon et Lozi qui nous on servi
dans la thèse.
La vocation de cette dissertation, dans un deuxième temps est de présenter une ten-
tative d’amélioration d’une nouvelle technique d’optimisation basée sur le chaos COA,en
particulier un algorithme appelé COLM par [Link].
Cet algorithme repose sur (la méthode à deux phases) une recherche globale suivie
par une recherche locale. Dans cette méthode, on distingue la phase globale de la phase
locale. Pendant la première, on évalue la fonction en plusieurs points chaotiques, alors
que dans la seconde, on manipule chacun de ces points de manière locale, comme par
exemple en recherchant un minimum local autour d’eux.
La bonne connaissance de la dynamique de nos modèles et la méthode COLM nous a
permis de développer une technique d’optimisation chaotique. Dans cette approche nous
avons amélioré cet algorithme en optimisant localement pendant quelques itérations
le résultat global. Cette recherche globale localement moyennée est appelée ICOLM
[Impoved COLM].
L’utilisation des algorithmes chaotiques avec l’approche proposée représente une
technique d’optimisation globale très efficace.
Les résultats des applications faites ont donné des résultats satisfaisants surtout en
ce qui concerne le temps nécessaire pour atteindre un voisinage très étroit de l’optimum
global et aussi la qualité de la solution obtenue.
Les tests effectués montrent une grande supériorité des approches proposées, par
rapport à l’utilisation d’autres techniques. De plus, les résultats obtenus en appliquant
ces algorithmes sur des cas réels sont excellents : une amélioration significative est
apportée, comparativement aux meilleurs résultats trouvés par les autres méthodes.

81
 Bibliographie
[1] STEWART I. Dieu joue-t-il aux dés ? Les mathématiques du chaos. Paris : Nouvelle
Bibliothèque Scientifique Flammarion, 1992, 441 p.
[2] POINCARE, H. Les Méthodes Nouvelles de la Mécanique Céleste, volume 3 vols.
Gauthier-villars Paris édition.
[3] LORENZ E. Deterministic non periodic flow. J Atm Sci 1963, 20, (130-141) : 386-
377
[4] ARNOLD, V. (1974). Equation differentielles ordinaires. Mir, moscow édition
[5] MARLE, C.-M. (2003). Systèmes dynamiques : une introduction. C-M. Marle,
[Link], ellipses édition.
[6] HUBBARD, J. et WEST, B.(1999) Equations différentielles et systèmes méca-
niques. Cassini édition.
[7] DEMAILLY, J.-P.(1991). Analyse Numérique et équation différentielles. Presses
universitaires de grenoble édition.
[8] ROUCHE, N. et MAWHIN, J (1973a). Equations diférentielles ordinaires Tome I :
Théorie générale. Masson et cie édition.
[9] RUELLE, D et TAKENS, F. On the nature of turbulence. Commun Math Phys
1971, 20, 167-192
[10] BERGE, P. POMEAU, Y. et VIDAL, C. (1988). L’ordre dans le chaos : vers une
approche déterministe de la turbulence. Hermann édition
[11] DANG-VU, H. et DELCARTE, C. Bifurcations et Chaos. Paris : Ellipses, 2000.
[12] GUCKENHEIMER, J. et HOLMES,P. (1983) Nonlinear Osciators, Dynamical Sys-
tèmes, and Bifurcations of Vector Fields, volume 42 de Applied Mathematical
Sciences. Springer verlag édition.
[13] LETELLIER C. Introduction. Le chaos dans la nature. Paris : Vuibert, 2006, 1-5.
[14] POINCARÉ H. Science et Méthode. Paris : 1908.
[15] KELLER S. In the wake of chaos. Chicago and London : The University of Chicago
Press, 1993.
[16] KAPLAN, D. et GLASS, L. Finite-difference equations. Understanding nonlinear
dynamics. New-York : Springer-Verlag, 1995, 1-53.
[17] HILBORN, R. Chaos and Nonlinear Dynamics an Introduction for Scientists and
Engineers, Oxford Student Edition, 1994.
[18] FORTRAT, J.O. YAMAMOTO, Y. et HUGHSON, R.L. Respiratory influences on
nonlinear dynamics of heart rate variability in humans. Biol Cybern 1997, 77, 1,
1-10.

82
BIBLIOGRAPHIE 83

[19] HUGHSON, R.L. YAMAMOTO, Y. et FORTRAT, J.O. Is the pattern of breathing

at rest chaotic ? A test of the Lyapunov exponent. Adv Exp Med Biol 1995, 393,
15-19.
[20] ALLIGOOD, K.T. SAUER, T.D. et YORKE, J.A. Chaos : an Introduction to
Dynamical Systems, Springer-Verlag édition (1996).
[21] MIRA,C. GARDINI,L. BUGOLA, A. et J.-C. CATHALA. « Chaotic dynamics in
two-dimensional noninvertible maps.» WoTld Scieniific, 1996. 10
[22] HONGRE, L. SAILHAC, P. ALEXANDRESCU, M. et DUBOIS, J. Nonlinear
and multifractals approaches of the geomagnetic field. Physics of the Earth and
Planetary Interiors 1999, 110, 157-190.
[23] ROSENSTEIN, M. COLLINS, J. et DE LUCA, C. A practical method for calcula-
ting largest Lyapunov exponents for small data sets. Physica 1993, D 65, 117-134.
[24] WOLF, A. SWIFT, J. SWINNEY, H. and VASTANO, J. Determining Lyapunov
exponents from a time series. Physica 1985, 16 D, 285-317.
[25] QI, G. DU, S. CHEN, G. CHEN, Z. and YUAN, Z. On a four-dimensional chaotic
system, Chaos, Solution and Fractals, Vol. 23, pp. 1671-1682, 2005.
[26] PARKER, T.S. CHUA, L.O. : Pratical numerical algorithms for chaotic systems,
Edition Springer-Verlay, (1989).
[27] MANDELBORT, B.B. F ORME, Hasard et Dimension, Flammarion, Paris (1975).
[28] KAHANE, J.P. et SALEM, R. : Ensembles parfaits et séries trigonométriques,
Hermann, paris(1963)
[29] FALCONER : The geometry of fractal sets, Cambridge [Link] (1985).
[30] HAUSDORFF, F. : Dimension und ausseres Mass, Math. Annalen79(1919) 157
[31] LI, [Link] YORK, J.A. : Period three implies chaos, [Link]., Vol.82,
pp.985-992, 1975
[32] CHORIN, A.J. : Estimates of intermittency, Spectra and blow-up in devloped
turbulence, Comm. on pure and appl. math. 4 (1981), 853 The evolution of a
turbulent vortex, Comm. math. phys. 83 (1982), 517.
[33] GRASSBERGER, P. et PROCACCIA, I. Characterization of strange attractors.
Physical Review Letters 1983, 50, 346-349.
[34] GRASSBERGER, P . Generalised dimension of strange attractors, Phys Rev Lett.
97A, (1983), p227
[35] GRASSBERGER, P . On the fractal dimension of the Henon attractor, Phys Rev
Lett. 97A, (1983),p224
[36] YAMAMOTO, Y. Detection of chaos and fractals from experimental time se-
[Link] techniques in neuroscience research. Berlin Heidelberg New-York To-
kyo : Springer-Verlag, 1999, 669-687.
BIBLIOGRAPHIE 84

[37] LORENZ E.N., ATMOS [Link].20, 130-141(1963).

[38] HÉNON, M. (1976). A Two Dimentionnal Mapping with a Strange Attractor.
Comm. Math. Phys. 50,pp.69-76.
[39] LOZI R., (1978), Un Attracteur étrange ( ?) du Type Attracteur de Hénon . Journal
de Physique. Colloque C5 ; Supplément au no 8, Tome 39,pp.9-10.
[40] Zhigljavsky, A.A. Theory of Global Random Search. Mathematics and its applica-
tions, Kluwer Academic Publishers, 1991.
[41] Dixon, L. C. Szego, G. P. 1er Ed. Towards Global Optimization 2. Norti-Holland
Amsterdam, pp. 472. 1978.
[42] Dixon, L. C. Szego, G.P. Global Optimization, Springer Verlag Lecture Notes in
Computer Science vol. 350, 1987.
[43] Nemirovsky, A. Yudin, D. Problem Complexity and Method Efficiency in Optimi-
zation, John Wiley et Sons, 1983.
[44] Papadimitriou, C. H. Steiglitz,K. Combinatorial Optimization : Algorithms and
Complexity, Prentice Hall, 1982.
[45] Pardalos, P. M. Rosen, J. B. Constrained Global Optimization : Algorithms and
Applications, Springer-Verlag, 1987.
[46] Le Riche, R. Cours : Introduction à l’Optimisation Globale. Disponible sur
http ://[Link]/ -leriche (2004).
[47] Levy, A.V., Montalvo, A. The tunneling algorithm for the global minimization of
functions. SIAM J. of Sci. and Stat. Comp., 1(15), 15-29 (1985).
[48] Kalos, M.H. et Whitlock, P.A. Monte Carlo Methods, volume I : Basics. John
Wiley and Sons, 1986.
[49] Torn, A. A. A Program for Global Optimization, Multistart with Clustering
(MSC), Proceedings of Euro IFIP 79, North-Holland, pp. 427-434. 1979.
[50] Becker, R. W. Lago, G. V. A Global Optimization Algorithm, Proceedings of the
8th Allerton Conference on Circuits and Systems Theory. 1970.
[51] Rinnooy Kan, A. H. G. Timmer, G. T. Stochastic Global Optimization Methods ;
Part I : Clustering Methods, Mathematical Programming, vol. 39, pp. 27-56, 1987.
[52] R. Horst, P. M. Pardalos, Handbook of Global Optimization, Kluwer Academic
Publishers, pp. 829-869, 1995.
[53] Torn, A.A., Zilinskas, A. Global Optimization. Springer-Verlag, Berlin (1989).
[54] Back, T. Evolutionary Algorithms in Theory and Practice. Oxford Univ. Press
(1996).
[55] Holland, J. H. Outline for a logical theory of adaptive systems. Journal of the
Association for Computing Machinery, 3, pp.297-314, 1962.
BIBLIOGRAPHIE 85

[56] Holland, J. H. Genetic Algorithms and the Optimal Allocation of Trials, SIAM
Journal on Computing, vol. 2, p. 88-105. 1973.
[57] Michalewicz, Z. Genetic algorithms + Data structures = evolution programs. Sprin-
ger, 1999.
[58] Back, T. Hammel, U. Schwefel, H.-P. Evolutionary Computation : Comments on
the History and Current State. IEEE Transactions on Evolutionary Computations,
1(1), 3-17 (1997).
[59] Schoenauer, M. Michalewicz, Z. Evolutionary Computation : An Introduction.
Control and Cybernetics, Special Issue on Evolutionary Computation, 26 (3), pp.
307-338, 1997.
[60] J. R. Koza, Genetic Programming. MIT Press. 1992.
[61] Burgin, G. H. On playing two-person zero-sum games against non-minimax players.
IEEE Transactions on Systems, Man, and Cybenetics, 5(4), pp. 369-370. 1968.
[62] Ibbitt,R. P. Donnell, T. Designing conceptual catchment models for automatic
fitting methods. IAHS Publication n° 101, 462-475, 1971.
[63] Johnston,P. R. Pilgrim, D. H. Parameter optimization for watershed models. Water
Resources Research, 12(3), 477-486. 1976. .
[64] X.X. Wu, Z. Chen, Introduction of Chaos Theory, Shanghai Science and Techno-
logy, Biblio- graphic Publishing House, 1996.
[65] Strogatz SH. Nonlinear dynamics and chaos. Massachussets : Perseus Publishing ;
2000.
[66] Alligood KT, Sauer TD, Yorke JA. Chaos : an introduction to dynamical systems.
London, UK : Springer ; 1996.
[67] Wu, X.X. Chen, Z. Introduction of Chaos Theory, Shanghai Science and Techno-
logy, Bibliographic Publishing House, 1996.
[68] Bucolo, M. Caponetto,R. Fortuna, L. Frasca, M. Rizzo, A. Does chaos work better
than noise ? IEEE Circuits and Systems Magazine 2 (3) (2002) 4-19.
[69] Caponetto, R. Fortuna, L. Fazzino, S. Xibilia, M.G. Chaotic sequences to improve
the performance of evolutionary algorithms, IEEE Transactions on Evolutionary
Computation 7 (3) (2003) 289-304.
[70] Chen, L. Aihara, K. Optimization by chaotic simulated annealing, in : Proceedings
of the International Conference of Sino-Japanese Young Scientist, 1995, pp. 3-57.
[71] Li, B. and Jiang, W. "Chaos optimization method and its application".Control
Theory and Application, vol. 14, Aug. 1997, pp. 613-615.
[72] B. Li, W. Jiang, Optimization of complex functions by chaos search, International
Journal of Cybernetics and Systems 29 (4) (1998) 409-419.
BIBLIOGRAPHIE 86

[73] Zhang, T. Wang, H. Wang, Z. Mutative scale chaos optimization algorithm and its
application, Control and Decision 14 (3) (1999) 285-288.
[74] C. Zhang, X. Li, H. Shaho, Chaos optimization algorithm based on linear search
and its application to nonlinear constraint optimization problems, Control and
Decision 16 (1) (2001) 120-125.
[75] Xu, H.P. Zhu, H. Zhang,T. Wang, Z.C. Application of mutation scale chaos algo-
rithm in power plant and units economics dispatch, Journal of Harbin Institute of
Technology 32 (4) (2000) 55-58.
[76] Hu, Y. Li, Y.C. Yu, J.X. Chao, H.D. Steeped-up chaos optimization algorithm and
its application, Journal of System Engineering 17 (1) (2002) 41-44.
[77] Y.D. Li, S.Y. Li, A new generic chaos optimization combination method, Control
Theory and Application 19 (1) (2002) 143-145.
[78] Liu, S.S. Hou, Z.J. Weighted gradient direction based chaos optimization algorithm
for nonlinear programming problem, in : Proceedings of the 4th World Congress
on Intelligent Control and Automation, 2002, pp. 1779-1783.
[79] Li, W. Liang, X.M. A hybrid algorithm based on chaos optimization and steepest
decent, Algorithm, Computing Technology and Automation 22 (2) (2003) 12-14.
[80] Xu, L. Zhou, S.O. Zhang, H.M. A hybrid chaos optimization method and its ap-
plication, System Engineering and Electronics 25 (2) (2003) 226-228.
[81] Yang,J. Zhou, J. Wu, W. Liu, F. Zhu, C. Cao, G. A chaos algorithm based on
progressive optimality and Tabu search algorithm, in : Proceedings of the 4th
Conference on Machine Learning and Cybernetics, 2005, pp. 2977-2981.
[82] Coelho, L.D.S. : Tuning of PID Controller for an Automatic Regulator Voltage
System using Chaotic Optimization Approach. Chaos, Solitons and Fractals. 39(4),
1504-1514 (2009)
[83] Shayeghi, H. Jalilzadeh, S. Shayanfar, H.A. Safari, A. : Robust PSS Design using
Chaotic Optimization Algorithm for a Multimachine Power System. ECTI-CON
2009, Pattaya, Thailand. 40-43 (2009)
[84] Shayeghi, H. Shayanfar, H.A. Jalilzade, S. Safari,A. A PSO based Unified Power
Flow Controller for Damping of Power System Oscillations. Energy Conversion and
Management. 50(10), 2583-2592 (2009)
[85] Hamaizia, T., Lozi, R. :Improving Chaotic Optimization Algorithm using a new
global locally averaged [Link] ENPACS. (2011)
[86] Hamaizia, T. Lozi, R. Improving Chaotic Optimization Algorithm using a new
global locally averaged [Link] ENPACS. (2011)
[87] Wolpert, D.H. Macready, W.G. The No Free Lunch Theorems for Optimization.
IEEE Transactions on Evolutionary Computation, 1(1), 67-82 (1997).
Résumé : Le chaos, phénomène typique des systèmes non linéaires, est aujourd’hui
très largement étudié, en raison de ses propriétés et des nombreuses applications poten-
tielles. En effet, on peut observer du chaos dans de nombreux phénomènes physiques,
chimiques, météorologiques, démographiques ou économiques et ses caractéristiques
"font qu’on peut envisager de l’utiliser à des fins applicatives". Ces dernières années,
les intérêts de plus en plus de l’ingénierie ont stimulé les études de contrôle du chaos,
le chaos synchronisation, et l’optimisation du chaos.
Le Chaos est une sorte des caractéristiques des systèmes non linéaires, qui est un
comportement dynamique instable borné que "les expositions" sensibles dépendance
aux conditions initiales et comprend une infinité de mouvements périodiques instables.
Bien qu’il semble être aléatoire, il se produit dans un système déterministe non-linéaire
dans des conditions déterministes.
La combinaison de méthodes d’optimisation et les fondements des systèmes chaotiques
est une question importante dans les sciences nonlinéaires, a attiré les intérêts de
divers domaines ces dernières années et a reçu beaucoup d’attention dans la littérature.
L’optimisation Chaotique est un nouveau algorithme d’optimisation stochastique,
qui utilise directement les variables chaotiques pour rechercher la solution optimale.
La sensibilité aux conditions initiales et la propriété stochastiques du chaos font
l’optimisation chaotique pour mieux obtenir la solution optimale globale que d’autres
méthodes ayant été adoptée avant. Il peut facilement s’échapper de minima locaux que
les autres algorithmes stochastiques. Pour cette these, nous cherchons des contributions
originales sur tous les aspects liés aux méthodes d’optimisation avec l’utilisation de
concepts de séries temporelles chaotiques, les attracteurs, les exposants de Lyapunov.
Ces algorithmes permettent de trouver avec certitude un proche voisinage l’optimum
global.

Mots clés : chaos, optimisation

Abstract : Chaos, typical phenomenon of nonlinear systems, is now widely studied,
because of its properties and many potential applications. Indeed, there may be chaos in
many phenomena physical , chemical, meteorological, demographic or economic and its
characteristics are that we can consider using it for application. In recent years, growing
interests from engineering have stimulated the studies of chaos control , chaos synchro-
nization , and chaos optimization Chaos is a kind of characteristics of nonlinear systems,
which is a bounded unstable dynamic behavior that exhibits sensitive dependence on
initial conditions and includes infinite unstable periodic motions. Although it appears
to be stochastic, it occurs in a deterministic nonlinear system under deterministic condi-
tions. The combination of optimization methods and fundamentals of chaotic systems
are important issues in nonlinear science , has attracted interests from various fields
in recent years and has received much attention in the literature. Chaotic optimization
is a new stochastic optimization algorithm, which directly utilizes chaotic variables to
search the optimal solution. The sensitive dependence on initial conditions and intrin-
sic stochastic property of chaos make chaotic optimization to obtain the global optimal
solution more possible than the method having been adopted before. It can more easily
escape from local minima than other stochastic algorithms. For this thesis, we seek
original contributions on any aspect related to optimization methods with utilization
of concepts of chaotic time series, attractors, Lyapunov exponents. These algorithms
permitted to find with certitude a near neighborhood of the global optimum.
Keywords : Chaos, Optimization