Memoire Lagui Bi

i
UFR Mathématiques et Informatique
N°…………………… Année académique
MEMOIRE DE MASTER 2017-2018
Mention : Mathématiques et Applications
Spécialité : EDP, ANALYSE NUMERIQUE ET OPTIMISATION
Présenté à
L’UNIVERSITÉ FELIX HOUPHOUËT- BOIGNY

Par
LAGUI BI BOUA THIERRY
THEME DU MEMOIRE :
ANALYSE MATHEMATIQUE ET NUMERIQUE DE

QUELQUES SYSTEMES DYNAMIQUES NON
LINEAIRES : EQUATION DE KORTEWEG-DE VRIES,
MODELE DE LOTKA-VOLTERRA ET DES
EQUATIONS DE MATHIEU.
Devant le jury
Président : M. COULIBALY ADAMA, Maitre de Conférence à UFHB, UFR-MI
Directeur : M. DOSSO MOUHAMADOU, Maitre de Conférence à UFHB, UFR-MI
Co-Directeur : M. BAHI LOUIS CLEMENT, Maitre-Assistant à UFHB, UFR-MI
Master 2, EDP M. LAGUI, [email protected]

ii
Je dédie ce travail :
A mon père,
A ma mère ,
A ma grande famille ;
je vous aime .
M. LAGUI, [email protected] UFR MATH-INFO.

iii
Remerciements
Un grand remerciement à mon bon Dieu, L’éternel Dieu des armées. Je veux rendre
gloire à ce grand Dieu qui m’accorde sa grâce infinie, qui m’a fourni la volonté, le cou-
rage et la patience pour la réalisation de ce travail. Sans lui rien de tout ceci ne verrait le jour.
Je tiens tout d’abord à exprimer toute ma gratitude à mon directeur de mémoire, le

Professeur DOSSO Mouhamadou pour son aide précieuse, ses idées et ses conseils tout
le long de ce mémoire. Il a accepté de me suivre sans condition et de m’aider ; Merci
professeur.
Je n’oublie pas son collaborateur Docteur BAHI Louis Clément, qui n’a jamais cessé
de ma encourager en me poussant chaque fois à redoubler d’effort et d’ardeur au travail.
Je tiens aussi à remercier mes parents pour leurs sacrifices, ils n’ont jamais cessé de
m’encourager et m’ont toujours soutenu dans les moments difficiles. Je remercie tous les
membres de la famille dont les conseils, les remarques et les encouragements, m’ont été
très significatifs.
Mes remerciements vont également à la famille DOUHO qui m’a accepté en son seins
comme l’un des leurs, m’a offert un cadre agréable et adéquat. Que l’éternel, notre Dieu
tout puissant vous comble à l’infini.
J’adresse une pensée particulière à mes frères, sœurs et amis qui, n’ont cessé de
m’apporter leurs soutiens et encouragements.
Enfin je remercie l’ensemble des enseignants chercheurs de l’UFR Mathématiques et
Informatique de l’université Félix Houphouet-Boigny. Ils nous ont accueilli, nous ont apporté
une formation rigoureuse et nous ont amené chaque fois, à nous investir dans le travail.

iv

Table des matières
1 PRÉSENTATION DES ÉQUATIONS 3

1.1 Équation de Korteweg-de Vries . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Système d’équation de Lotka-Volterra . . . . . . . . . . . . . . . . . . . . . 4
1.3 Équation de Mathieu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 ÉTUDE MATHÉMATIQUE DES ÉQUATIONS 7

2.1 Équation de Korteweg-de Vries . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Étude Analytique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1.1 Les différentes notions de solutions . . . . . . . . . . . . . . 8
2.1.1.2 Solution faible . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1.3 Lois de conservation . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1.4 Hamiltonien de l’équation de KDV . . . . . . . . . . . . . . 10
2.1.1.5 Solution exacte . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.2 Étude qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.3 Étude numérique de l’équation . . . . . . . . . . . . . . . . . . . . . 15
2.1.3.1 Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.3.2 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.3.3 Consistance et précision . . . . . . . . . . . . . . . . . . . . 17
2.1.3.4 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Système d’équation de Lotka-Volterra . . . . . . . . . . . . . . . . . . . . . 19
2.2.1.1 Existence et positivité des solutions . . . . . . . . . . . . . 19
2.2.1.2 Problème de Cauchy . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1.3 Recherche des points d’équilibre : . . . . . . . . . . . . . . 22
2.2.1.4 Stabilité des états d’équilibre . . . . . . . . . . . . . . . . 23
2.2.1.5 calcul des densités moyennes . . . . . . . . . . . . . . . . . 26
2.2.2 Étude quantitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Équation de Mathieu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.2 Multiplicateurs de Floquet . . . . . . . . . . . . . . . . . . . . . . . 30

vi TABLE DES MATIÈRES
2.3.2.1 Application à l’équation de Mathieu . . . . . . . . . . . . . 32

2.3.3 Étude quantitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3 SIMULATION NUMÉRIQUE DES ÉQUATIONS 39

3.1 Résultats de la simulation : équation de KDV . . . . . . . . . . . . . . . . . 39
3.2 Résultats de la simulation :Lotka-Volterra . . . . . . . . . . . . . . . . . . 41
3.3 Résultats de la simulation : équation de Mathieu . . . . . . . . . . . . . . . 43
A 49
A.1 Les programmes matlab pour la partie simulation . . . . . . . . . . . . . . . 49
A.1.1 programme pour l’équation de Mathieu . . . . . . . . . . . . . . . . 49
A.1.1.1 programme 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 49
A.2 Les programmes sous scilab pour la partie simulation . . . . . . . . . . . . . 51
A.2.1 programmes pour équation de KDV . . . . . . . . . . . . . . . . . . 51
A.2.1.1 programme 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 51
A.2.1.2 programme 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 52
A.2.2 programmes pour le système de Lotka-Volterra . . . . . . . . . . . . 52
A.2.2.1 programme 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 52
A.2.2.2 programme 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 53
A.2.3 programme pour l’équation de Mathieu . . . . . . . . . . . . . . . . 54
A.2.3.1 programme 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 54
B 55

Notations
Dans le rapport nous adopterons les notations suivantes :
N∗ : l’ensemble des entiers naturels privés de zéro.

R : l’ensemble des nombres réels.
Rn : l’ensemble des vecteurs unicolonnes avec n composantes
réelles.
Mm,n (R) ou Mm,n : l’espace vectoriel des matrices réelles d’ordre m × n.
Mn (R) ou Mn (C) : l’espace vectoriel des matrices carrées à coefficients dans R ou C .
Lp (R); p ≥ 1 : l’espace des fonctions de puissance p intégrable à valeurs
dans R.
C k (R); k ≥ 1 : l’ensemble des fonctions k fois continument dérivable sur R.
Dk (R) : l’ensemble des fonctions C k (R) à support compact.
H 1 (R) : l’espace de Sobolev défini sur R.
GLn (R) : l’ensemble des matrices carrées d’ordre n inversibles à
coefficients dans R.
C p (R; Mn (R)); n ∈ N∗ : l’ensemble d’applications de classe C p définies de R à valeurs
dans Mn (R).
EDP : Équations aux Dérivées Partielles.
p.p. : presque partout.
k . kL2 : la norme sur l’espace L2 .
k . kH 1 : la norme sur l’espace H 1 .

viii TABLE DES MATIÈRES

Résumé
Ce présent rapport, présente trois systèmes dynamiques non-linéaires, provenant de

trois théories différentes. Un premier modèle tenant compte à la fois de la dispersion et
de la non linéarité, l’équation de Korteweg-de Vries, provient de la théorie en eau peu
profonde. Le deuxième modèle, le système de Lotka-Volterra s’intéresse à l’évolution des
populations en interaction et émane de la théorie de la dynamique des populations. Et le
dernier modèle, l’équation de Mathieu, étudie la vibration de membranes ; elle dérive de la
théorie des phénomènes vibratoires.
Le travail s’articule autour de trois chapitres.
• Présentation des équations
• Étude mathématique des équations
• Simulation numérique des équations
Dans le premier chapitre, on présente globalement chaque équation et on donne quelques
domaines de leurs applications physiques.
Dans le second, on fait une étude mathématique de chacune de ces équations, à travers
les problèmes d’existence, d’unicité, et de régularité de solution ; et une étude numérique au
deuxième chapitre. Il ressort de cette études que, les trois modèles admettent des solutions
qui sont plus ou moins régulières. Toutes les solutions de l’équation de KDV sont très stables
et pratiquement insensibles aux petites perturbations. Quant aux solutions du système
d’équations de Lotka-Volterra, elles deviennent instables face aux petites perturbations.
Puis l’équation de Mathieu admet à la fois des solutions stables et instables.
Enfin, le troisième chapitre concerne la simulation des équations. On vérifie donc les
résultats obtenus dans la partie théorique et on voit que les deux résultats concordent.
Mots − clefs : équation de Korteweg-de Vries, système d’équation de Lotka-Volterra,
équation de Mathieu, soliton, simulation.

x TABLE DES MATIÈRES

INTRODUCTION
Ce mémoire a pour but de décrire quelques systèmes dynamiques modélisant certains

phénomènes qui nous entourent. Il s’agira de les décrire mathématiquement et d’en vérifier
les résultats, de façon numérique en réalisant la simulation numérique pour quelques valeurs
choisies.
Les systèmes dynamiques sont les notions mathématiques qui permettent de modéliser
des phénomènes évoluant dans le temps. Ces phénomènes peuvent provenir de la physique,
la mécanique, l’économie, la biologie, l’écologie, la chimie... Un système dynamique est
constitué d’un espace de phases, l’espace des états possibles du phénomène convenablement
paramétré, muni d’une loi d’évolution qui décrit la variation temporelle de l’état du système.
Dans le cadre choisi ici, celui de lois déterministes en temps continu, cette loi d’évolution
prend la forme d’une équation différentielle.
Historiquement, les premières questions relevant des systèmes dynamiques concernaient
la mécanique à une époque où elle était incluse dans l’enseignement des mathématiques.
Une des questions majeures qui ont motivé la recherche mathématique est le problème de la
stabilité du système solaire. Les travaux de Lagrange sur le sujet consistèrent à interpréter
l’influence des corps autres que le Soleil sur une planète comme une succession de chocs
infinitésimaux : ces travaux retrouvent des échos dans le théorème de KAM (Kolmogorov
- Arnold - Moser). Les systèmes dynamiques se sont développés et spécialisés au cours
du XIXe siècle. Ils concernaient en premier lieu l’itération des applications continues
et la stabilité des équations différentielles. Mais progressivement, au fur et à mesure de
la diversification des mathématiques, les systèmes dynamiques se sont considérablement
élargis. Ils comprennent aujourd’hui l’étude des actions continues de groupes, dont l’intérêt
réside dans ses applications en géométrie, et la théorie ergodique, née de l’avènement de la
théorie de la mesure et qui trouve ses échos en probabilités.
L’étude du comportement des équations différentielles est à l’origine des systèmes
dynamiques. Les questions qui surgissent sont de plusieurs natures. Elles concernent :
- Le comportement limite des solutions.
- La stabilité des solutions par rapport aux conditions initiales.
- La stabilité des solutions par rapport à des perturbations portant sur l’équation
différentielle.
L’étude mathématique des systèmes dynamiques, aide à la compréhension des phéno-

2 TABLE DES MATIÈRES
mènes qu’ils modélisent. Ainsi, de nombreuses applications à la Physique, des théories

mathématiques abstraites les plus avancées sont possibles.
L’interaction entre deux populations : l’une de proies et l’autre de prédateurs, est étudiée
à travers le modèle de Lotka-Volterra. Cette étude permet de connaitre la dynamique de
ces populations ; la problématique étant alors, d’étudier l’évolution dans le temps de deux
populations, l’une de proies et l’autre de prédateurs.
Les solitons, solutions de l’équation de Korteweg-De Vries sont au cœur de la mo-
délisation de nombreux phénomènes physiques : propagation d’ondes en mécanique des
fluides, formation de faisceaux lasers en optique non-linéaire, dynamique des galaxies en
astrophysique, etc.
L’équation de Mathieu quant à elle, a jeté les bases de l’étude des phénomènes vibratoires.
Le mouvement des ions dans un champ électrique est décrit par cette équation. Le modèle
de Lotka-Volterra, l’équation de Korteweg-De Vries , l’équation de Mathieu font donc
l’objet de notre étude.
On présentera premièrement, par différentes techniques et méthodes, une étude ma-
thématique visant à faire ressortir les différentes propriétés liées aux comportements des
systèmes dynamiques étudiés. Puis en second lieu, des simulations numériques, qui visent
à vérifier l’étude théorique, seront présentées.

Chapitre 1
PRÉSENTATION DES
ÉQUATIONS
1.1 Équation de Korteweg-de Vries
L’équation de Korteweg-de Vries, (KDV), décrit la théorie de vagues en eau peu

profonde (longueur d’onde plus grande que la profondeur). Il s’agit d’une vague particulière
qu’en 1834, John Scott Russel, ingénieur écossais se promenant à cheval le long du canal
Edinburgh-Glasgow en Ecosse, a observée pour la première fois. Ce dernier l’a même suivit
à cheval, sur plusieurs kilomètres avant qu’elle ne disparaisse [10].
Cette observation est à l’origine de la découverte et de l’étude des ondes solitaires et, un
siècle plus tard, des solitons. C’est vers 1895, 60 ans après la découverte que le phénomène
est mis en équation par Korteweg et de Vries, pour décrire le mouvement (propagation)
des ondes longues en eaux peu profondes. En fait, ce modèle a été obtenu à partir des
équations d’Euler (en supposant l’écoulement irrotationnel) par Boussinesq vers 1877 et
redécouvert par Korteweg et de Vries en 1890 [10].
C’est une E.D.P (Equation aux Dérivées Partielles) non-linéaire d’ordre 3 de type
hyperbolique. Mais si l’on s’intéresse à des phénomènes de propagation d’ondes, on pourrait
dire qu’elle est de type, dispersif. C’est un problèmes d’évolution Hamiltoniens de la forme

4 Système d’équation de Lotka-Volterra
suivante :
∂u ∂u ∂ 3 u
+ αu + = 0, (t, x) ∈ R × R et u(t, x) ∈ R (KDV ) (1.1)
∂t ∂x ∂x3
où :
- u(t, x) est l’amplitude de l’onde au point x et au temps t. C’est à dire u(t, x) mesure
la hauteur de la surface de l’eau par rapport à un niveau de référence plat.
- Le terme ∂u ∂x caractérise l’évolution temporelle de l’onde se propageant dans une
direction.
- Le terme non linéaire u ∂u ∂x conduit à des ondes de chocs et décrit le redressement
de l’onde.
3
- Le terme linéaire ∂∂xu3 produit un effet de dispersion représentant l’étalement de
l’onde.
- α est un paramètre réel.
Elle expose des solutions spéciales, connues sous le nom de solitons ou ondes solitaires.
L’on constate le rôle accru de ces solitons dans de nombreuses branches de la physique et
de la biologie, comme par exemple :
- En optique (soliton optique) ; dans ce cas les solitons représentent une balance entre
la dispersion induite par la fibre et l’indice de réfraction fonction de l’intensité du
signal [3].
- En astrophysique et physique des plasmas (« ion-acoustic solitons »)[2].
- En chimie des matériaux (solitons magnétiques) [5].
- Lors de la dénaturation thermique de l’ADN [6].
- En cinétique des réactions biologiques [16].
On peut contempler des solitons à l’endroit où la marée vient mourir sur les plages.
Dans le domaine de l’hydrodynamique par exemple, les tsunamis (raz de marée) sont des
manifestations des solitons.
1.2 Système d’équation de Lotka-Volterra

Le système de Lotka-Volterra, aussi appelé système proie-prédateur, est l’un des plus
célèbres systèmes d’équations différentielles. C’est un système dynamique autonome non-
linéaire. Il date des années 1910-1920, à l’époque où l’on s’efforçait de développer l’étude
mathématique des phénomènes chimiques et biologiques, et d’aller au delà des modèles les
plus élémentaires de réactions chimiques ou de reproduction des espèces.
Lotka avait travaillé sur la dynamique de réactions chimiques auto catalytiques. Quant
à Volterra, qui était déjà un mathématicien reconnu, il souhaitait expliquer qualitativement
les fluctuations de stocks de poissons dans la mer Adriatique. L’analyse de Volterra était
partie d’une observation paradoxale : Pendant la première guerre mondiale, malgré la
réduction de l’effort de pêche, on avait assisté à la décroissance de certains effectifs de
poissons bons pour la consommation.

5
On considère ici, deux espèces de poisson en interaction (les proies et les prédateurs).
On suppose que la population de prédateurs se nourrit exclusivement de celle de proies et
que la population de proies à une source de nourriture illimité.
Le modèle décrivant l’évolution dans le temps de ces deux populations, la population de

proies et celle de prédateurs est de la forme suivante :

 dx(t) = x(t) (α − βy(t))
dt
α, β, γ, δ ∈ R∗+ (Système Lotka V olterra) (1.2)
 dy(t) = −y(t) (δ − γx(t))
dt
Dans ce système x(t) représente la densité de la population des proies et y(t) celle des
prédateurs dans le milieu ; dx(t) dy(t)
dt ( respectivement dt ) sont les variations des populations
de proies (respectivement de prédateurs) pour un intervalle de temps très petit.
Les termes (αx) et (δy) traduisent le comportement de chacune des deux espèces en
absence de l’autre. En absence de prédateurs la population des proies augmente exponen-
tiellement suivant l’équation suivante :
dx(t)
= αx(t) avec α ∈ R∗+ , le taux de croissance des proies. (1.3)
dt
On a ici une équation différentielle de premier ordre, la solution est donnée par :
x(t) = x0 eαt : il n0 y a aucune limite à la croissance des proies. (1.4)
Par contre les prédateurs s’éteignent s’il n’existe aucune proie suivant l’équation :
dy(t)
= −δy(t), avec δ ∈ R∗+ , le taux de mortalité des prédateurs. (1.5)
dt
Les prédateurs meurent de faim. Le signe " - " traduit la diminution de la population.
Ici la solution qu’on obtient est :
y(t) = y0 e−δt (1.6)

6 Équation de Mathieu
Les termes (βxy) et (γxy) sont les termes " d’interaction ". Avec (βxy) le taux de
mortalité des proies en présence de prédateurs et (γxy) le taux de reproduction des
prédateurs en présence de proies.
Il faut ajouter que le modèle basique du système de Lotka-Volterra ne tient pas compte
de certains facteurs qui pourraient agir considérablement sur le système, sur les différentes
populations de proie et de prédateurs en interaction. Par exemple le système ne tient pas
compte de la surpopulation des espèces, ni de l’influence que pourrait exercer certains
facteurs extérieurs tels que l’homme sur l’évolution des proies et des prédateurs. Pour ces
deux facteurs, nous donnerons des précisions à la fin de la section 2 du chapitre 2.
1.3 Équation de Mathieu

L’équation de Mathieu porte le nom de son auteur à savoir Émile Léonard Mathieu (1835-
1890), mathématicien français, qui a écrit cette équation en 1865 en étudiant les vibrations
d’une membrane elliptique par exemple un tambour. On s’intéresse au déplacement de la
membrane lorsqu’on la met en vibration.
Cette équation a la forme suivante [14] :
d2 Y
+ [a − 2q cos(2t)]Y = 0, où a, q ∈ R, (équation de M athieu). (1.7)
dt2
C’est une équation différentielle du second ordre qui dépend des paramètres a et q constants.
La fonction Y (t, x) représente le déplacement de la membrane à l’instant t et au point x. Les
solutions de cette équation sont des fonctions transcendantes. Elles ne peuvent pas s’écrire
en terme de fonctions élémentaires. Elles sont seulement séparées entre solutions paires
et solutions impaires. Ces solutions sont périodiques lorsque les paramètres prennent des
valeurs spécifiques . Elles sont appelées fonctions caractéristiques de Mathieu et permettent
de tracer le diagramme de stabilité des fonctions de Mathieu.
L’équation de Mathieu permet d’étudier de nombreux problèmes physiques. Par exemple
l’on s’appuie sur cette équation pour l’étude du mouvement d’une particule classique soumise
à une force oscillante ; le mouvement des ions dans un champ électrique peut être décrit
également par l’équation de Mathieu (la solution de l’équation dans ce cas permet de
décrire les régions stables et instables pour un ion de masse m ).

Chapitre 2
ÉTUDE MATHÉMATIQUE DES

ÉQUATIONS
2.1 Équation de Korteweg-de Vries

2.1.1 Étude Analytique
Considérons donc l’équation de Korteweg-de-Vries suivante ([4], [10]) :
∂u ∂u ∂ 3 u
+ αu + =0 (2.1)
∂t ∂x ∂x3
qu’on peut mettre sous la forme,
ut + αuux + uxxx = 0 (2.2)
où le nombre d’indices représente l’ordre de la dérivée partielle par rapport à la variable

citée.
∂ ∂
On utilisera souvent, ∂t et ∂x où, ∂t = ∂t et ∂x = ∂x . La valeur de α est généralement ±1
ou ±6 .
Dans la suite nous considérons indifféremment l’équation (2.1) ou (2.2) avec α = −6, et on
s’intéresse au problème de Cauchy de l’équation KDV. L’équation est alors,

ut − 6uux + uxxx = 0, (t, x) ∈ [0, T ] × R et 0 < T < +∞
(2.3)
u(t = 0, x) = u (x),
0 x∈R
Définition 1. On appelle onde, un signal qui se propage à vitesse reconnaissable d’une

partie d’un milieu à une autre, provoquant ainsi des variations de leurs propriétés physiques
locales. Elle peut se déformer, changer en magnitude et en vitesse . Une onde transporte
de l’énergie sans transporter de la matière.
Remarque 1. Il existe différents types d’ondes : ondes acoustiques, ondes élastiques, ondes
électromagnétiques, ondes solitaires, etc.

8 Équation de Korteweg-de Vries
Définition 2. Le signal peut être n’importe quel trait de la perturbation pourvu qu’il soit
clairement identifiable et sa position peut être déterminée à tout instant.
Définition 3. [10] Une onde progressive est une solution d’une équation aux dérivées
partielles qui dépend des variables spatiale x et temporelle t uniquement à travers la relation
ξ = x − ct, c étant la vitesse de propagation constante.
Définition 4. [10] Une onde solitaire est une onde plane progressive "localisée". C’est à
dire qu’elle a des limites en ±∞, et que ces limites sont les mêmes, généralement nulles.
Définition 5. [10] Un soliton est une onde solitaire qui asymptotiquement préserve sa
forme et sa vitesse après collision avec d’autres ondes solitaires.
Remarque 2. On définit les ensembles suivants L2 et H 1 comme suit :

L2 est l’ensemble des fonctions u de carré intégrable sur R, muni de la norme,
Z 1
2
2
k u kL2 (R) = |u|
R
et H 1 (R) = {u ∈ L2 (R), ∇u ∈ L2 (R)} avec,

Z 1 Z Z 1
2 2
2 2 2
| u |H 1 (R) = | ∇u | et k u kH 1 (R) = |u| + | ∇u | .
R R R
2.1.1.1 Les différentes notions de solutions
Solution classique : Une fonction (t, x) 7→ U (t, x) est solution classique de (2.3), si
elle est de classe C 1 en t et de classe C 3 en x. Pour une solution classique U, une donnée
initiale est une fonction U0 de classe C 3 telle que U (0, x) = U0 . Nous étudions ici les
solutions (t, x) 7→ u(t, x) de classe C ∞ , définies pour tout t ∈ R et qui tendent vers 0
quand x → ±∞ ainsi que leurs dérivées.
Théorème 1 (existence[9]). Soit u0 ∈ H 1 (R), une donnée initiale. Alors il existe une
unique solution maximale u ∈ C([0, T ], H 1 (R)) solution de l’équation de KDV vérifiant
u(t = 0, x) = u0 (x).
• Si T = +∞, la solution est globale.
• Si 0 < T < +∞ on a, limt→T k ux (t) kL2 = +∞ (explosion en temps fini).
Lemme 1. Toutes les solutions H 1 (R) de l’équation de KDV sont globales et bornées dans
H 1 (R)
Théorème 2 (Kenig-Ponce-Vega[9]). L’équation de KDV est globalement bien posée dans

H 1 (R).

9
2.1.1.2 Lois de conservation
L’équation de KDV admet des lois de conservation. Les équations de conservation que
l’on peut déduire de l’équation de KDV prennent la forme générale suivante [8] ;[10] :
∂Pn ∂Qn
+ = 0, n ∈ {1, 2, 3} (2.4)
∂t ∂x
où Pn est la densité conservée et −Qn est le flux correspondant à cette densité. Nous
donnons ici ces trois lois.
• En réécrivant l’équation de KDV sous la forme ci-dessous, on obtient la première

loi. (Conservation de la masse).
!
∂u ∂ ∂2u ∂2u
+ −3u2 + 2 = 0 où P1 = u et Q1 = (−3u2 + ) (2.5)
∂t ∂x ∂x ∂x2
• Pour obtenir la deuxième loi (conservation du moment), multiplions l’équation KDV

par u ; cela donne,
! 2 !
∂u ∂u ∂3u ∂ u2 ∂ ∂2u 1 ∂u

u − 6u2 +u 3 = + −2u3 + u 2 − = 0,
∂t ∂x ∂x ∂t 2 ∂x ∂x 2 ∂x
(2.6)
avec 2
u2 ∂2u 1 ∂u

P2 = et Q2 = −2u3 + u − (2.7)
2 ∂x2 2 ∂x
∂2u
• On multiplie ensuite l’équation par (3u2 − ∂x2
), on obtient la troisième loi (conser-
vation de l’énergie) :
! !
∂2u
2 ∂u ∂u ∂ 3 u
3u − 2 − 6u + =0 (2.8)
∂x ∂t ∂x ∂x3
en développant on obtient que,

! !
∂u ∂u ∂3u ∂ 2 u ∂u

2 3 2
3u − 18u + 3u −
∂t ∂x ∂x3 ∂x2 ∂t
! !
∂ 2 u ∂u ∂2u ∂3u
+ 6u − =0
∂x2 ∂x ∂x2 ∂x3
puis en réorganisant,
∂u ∂u ∂ 2 u
3u2 +
∂t ∂x ∂x∂t
∂u ∂ 3 u ∂ 2 u ∂u ∂ 2 u ∂u ∂ 2 u ∂ 3 u ∂u ∂ 2 u
− 18u3 + 3u2 3 − 2 + 6u 2 − − =0
∂x ∂x ∂x ∂t ∂x ∂x ∂x2 ∂x3 ∂x ∂x∂t
par suite,
2 ! 2 !
∂ 1 ∂u ∂ 9 ∂2 1 ∂u ∂u ∂u

u3 + + − u4 + 3u2 2 − − =0 (2.9)
∂t 2 ∂x ∂x 2 ∂x 2 ∂x ∂x ∂t

d’où l’on tire,

2 2
1 ∂u 9 ∂2 1 ∂u ∂u ∂u

3
P3 = u + et Q3 = − u4 + 3u2 2 − − (2.10)
2 ∂x 2 ∂x 2 ∂x ∂x ∂t
Par hypothèse u(t, x) s’annule pour x → ∞ et donc pour tout n ∈ {1, 2, 3} on obtient
∂
Z
Pn dx = 0 (2.11)
∂t
R
Cela fait des Pn dx des intégrales premières de l’équation de KDV. Les trois lois de
conservation obtenues ici sont interprétées physiquement, comme étant respectivement : la
conservation de la masse, la conservation du moment et la conservation de l’énergie.
2.1.1.3 Hamiltonien de l’équation de KDV
Un système est dit Hamiltonien, si son évolution peut être décrite par un ensemble
d’équations de Hamilton.
Définition 6. Soit H une fonction réelle C ∞ sur V. On lui associe le champ de vecteurs
XH , dit champ de vecteurs de Hamiltonien H. On appelle alors système Hamiltonien, tout
système défini par une relation de la forme

ẋ(t) = XH x(t) .
En coordonnées locales (q,p) on a l’expression suivante :

∂H ∂H ∂H ∂H

XH (q, p) = , .., ,− , .., −
∂p1 ∂pn ∂q1 ∂qn
Le système Hamiltonien associé s’exprime sous la forme,

q˙i (t) = ∂H
∂pi
p˙ (t) = − ∂H
i ∂qi
Définition 7. Soient f, g deux fonctions sur une variété symplectique V à valeurs réelles.
Le crochet de Poisson du couple (f,g), noté {f, g} est la fonction définie par :
{f, g} = dg(Xf ) = (Xf ).g
où Xf est le champ Hamiltonien associé à f et dg est la différentielle de g.
Pour montrer que l’équation de KDV est un système Hamiltonien, nous l’écrivons sous
la forme,
du
= {u(x), H}
dt
En réécrivant l’équation de KDV, on a
!
du d d2 u
= −3u2 + 2
dt dx dx

11
!
du δu d d2 u
= −3u2 + 2
dt δu(x) dx dx
du δu d δH

=
dt δu(x) dx δu(x)
δH d2 u
où, = −3u2 + 2
δu(x) dx
et donc,
du d δH

=
dt dx δu(x)
On obtient comme un Hamiltonien :
2 !
1 du
Z
H[u] = −u3 + dx
2 dx
ainsi, on a pu écrire l’équation KDV sous la forme :
du d δH
=
dt dx δu(x)
c’est à dire,
d δH
{u(t, x), H} =
dx δu(x)
δH
Z
{u(t, x), H} = dy {u(t, x), u(t, y)}
δu(x)
δH
Z
dy {u(t, x), u(t, y)}, détermine le crochet de P oisson f ondamental
δu(x)
dans le cas continu [12] :
Ainsi, l’équation KDV est un système Hamiltonien.
Lemme 2. (Lemme de Gronwall)

Soient ϕ, λ :]t0 ; t1 [→ R+ deux fonctions continues telles que, pour tout C > 0, on a
Z t
ϕ(t) ≤ C + ϕ(s) λ(s)ds , ∀t ∈]t0 ; t1 [. (2.12)
t0
Alors, Z t
ϕ(t) ≤ C exp λ(s)ds , ∀t ∈]t0 , t1 [ (2.13)
t0
Démonstration. On suppose C > 0. On définit les fonctions suivantes,
Z t Z t
f (t) = C + ϕ(s) λ(s)ds et g(t) = Cexp λ(s)ds . (2.14)
t0 t0
On veut montrer que si ϕ(t) ≤ f (t) alors f (t) ≤ g(t) pour tout t ≥ t0 .
On note que g(t) > 0 (par hypothèse C > 0 et ϕ, λ ≥ 0) et en plus f (t0 ) = g(t0 ).
Donc il suffit de démontrer que
d f (t) f 0 (t)g(t) − g 0 (t)f (t)
= ≤0 (2.15)
dt g(t) g(t)2

On a
f 0 (t) = ϕ(t) λ(t) ≤ f (t) λ(t) (2.16)
car ϕ(t) ≤ f (t). et puis,

Z t
0
g (t) = C λ(t)exp λ(s)ds = g(t)λ(t) (2.17)
t0
donc on obtient tout de suite
f 0 (t)g(t) − f (t)g 0 (t) ≤ f (t)v(t)g(t) − f (t)v(t)g(t) = 0. (2.18)
Proposition 1. Les solutions de l’équation de KDV sont déterminées uniquement par

leurs conditions initiales.
Démonstration. Soit u et v deux solutions de l’équation de KDV, telles que ∀ x ∈ R ;

u(0; x) = v(0; x). En soustrayant les deux équations et en posant w = u − v on a :
ut − 6uux + uxxx − (vt − 6vvx + vxxx ) = 0 (2.19)
wt − 6uwx + 6wvx + wxxx = 0 (2.20)
On multiplie ensuite l’équation par w et on intègre sur tout R en x. Alors :
w wt − 6u w wx + 6w2 vx + w wxxx = 0 (2.21)
1
Z Z h i
( w2 (t, x))t − 3u(t, x) (w2 (t, x))x dx+ 6w2 (t, x)vx (t, x) + w(t, x) wxxx (t, x) dx = 0
R 2 R
(2.22)
or, Z h i+A Z
2
w(t, x) wxxx (t, x) dx = w(w )x − wx (t, x) wxx (t, x) dx (2.23)
R −A R
et comme w et wxx tendent vers 0 quand x tend vers ±∞ , pour A → ∞ on a :
+A
1 1
Z Z
w(t, x) wxxx (t, x) dx = − ( wx2 )x (t, x)dx = −( wx2 ) =0 (2.24)
R R 2 2 −A
par une intégration par parties,

+A
1 1
Z Z
u(t, x)w(t, x)wx (t, x)dx = u( wx2 ) − ux (t, x)w2 (t, x)dx (2.25)
R 2 −A R 2
Z Z
u(t, x)w(t, x)wx (t, x)dx = − ux (t, x)w2 (t, x)dx (2.26)
R R

13
Comme on a supposé que u était majorée par une fonction ne dépendant que de x et
intégrable sur R, on peut appliquer le théorème de convergence dominée, et :
∂ 2 ∂
Z Z
w (t, x)dx = w2 (t, x)dx (2.27)
R ∂t ∂t R
ainsi,
∂ 1 1
Z Z
( w2 (t, x))dx + vx (t, x) − ux (t, x) w2 (t, x)dx = 0 (2.28)
∂t R 2 R 2
en notant ,
1
Z
E(t) = w2 (t, x) dx et m = sup(t,x)∈R2 |2vx (t, x) − ux (t, x)| < +∞ (2.29)
2 R
on a
dE(t)
≤ mE(t)
dt
et on obtient l’inégalité :
0 ≤ E(t) ≤ E(0)emt (2.30)
d’après le lemme de Gronwall ci-dessus.

Par suite comme E(0) = 0 il vient que :
Z
∀t ∈ R, 0≤ w2 (t, x))dx = 2E(t) = 0 (2.31)
R
ainsi ∀t ∈ R, ∀x ∈ R, u(t, x) = v(t, x)
2.1.1.4 Solution exacte
ut (t, x) − 6u(t, x) ux (t, x) + uxxx (t, x) = 0 (2.32)
posons u(x, t) = U (ξ) , où ξ = x − ct avec c la vitesse de phase. L’équation devient
−c Uξ (ξ) − 6U (ξ) Uξ (ξ) + Uξξξ (ξ) = 0 (2.33)
quand on intègre par rapport à ξ et on obtient :
Uξξ (ξ) = 3U 2 (ξ) + cU (ξ) + A (2.34)
où A est une constante d’intégration. on multiplie ensuite par Uξ
Uξ Uξξ (ξ) = 3Uξ U 2 (ξ) + cUξ U (ξ) + Uξ A (2.35)
⇒
1 c
((Uξ )2 )ξ = (U 3 )ξ + (U 2 )ξ + Uξ A (2.36)
2 2
puis en intégrant, on obtient,
(Uξ )2 = 2U 3 + cU 2 + 2U A + B (2.37)

où B est une constante d’intégration. Par suite, on utilise la méthode de séparation de

variable puis on intègre à nouveau ;
p
on a, Uξ = 2U 3 + cU 2 + 2U A + B (2.38)
Z U ξ
dU
Z
et, √ =± dξ (2.39)
U0 2U 3 + cU 2 + 2U A + B ξ0
On impose les conditions limites suivantes : limξ→+∞ U = 0 et limξ→+∞ Uξ = 0

on obtient alors, A=0 et B=0 successivement dans (2.37) et (2.38) alors :
Z U √
dU 2 c + 2U
√ = − √ Arctanh[ √ ] + C = ±(ξ − ξ0 ) (2.40)
U0 3
2U + cU 2 c c
Sans perte de généralité on peut supposer ξ0 = C = 0
√ √
c c c c
U (ξ) = − (1 − tanh2 ( ξ)) = − sech2 ( ξ) (2.41)
2 2 2 2
√ √
c 2 c c 2 c
U (ξ) = − (1 − tanh ( ξ)) = − sech ( ξ) (2.42)
2 2 2 2
où sech est la sécante hyperbolique, c’est à dire cosh ; cosh(x) = 12 (e−x + ex ).
1
Quand on revient à la variable initiale, on a :

√
c 2 c
u(t, x) = − sech ( (x − ct + x0 )) (2.43)
2 2
où x0 est une constante d’intégration. √
Par conséquent u(0, x) = − 2c sech2 ( 2c (x + x0 )). Cette expression montre que u demeure
infiniment longtemps dans la position u ' 0, ensuite il atteint la valeur u0 (x), se réfléchit
sur ce point et revient de nouveau dans la position de u ' 0 [10]. Cette solution porte le
nom de solution d’onde solitaire ou soliton.
Proposition 2. [10] Pour tout c > 0, l’équation de KDV a un unique soliton se propageant
à la vitesse c et disparaissant quand x tend vers ±∞ .
Démonstration. Montrons que l’équation de KDV possède des solutions de la forme

u(t, x) = s(x − ct), où c est la vitesse de la vague . Si u est une telle solution, alors
on a :
−csx − 6ssx + sxxx = 0
On suppose que ∀ k ∈ N, limx→∞ (sx )k = 0 et on intègre par rapport à x. On obtient :
−cs − 3s2 + sxx = 0
on multiplie cela par 2sx et on obtient,
−2cssx − 6s2 sx + 2sx sxx = 0

15
On intègre à nouveau. on a :
−cs2 − 2s3 + (sx )2 = 0

√
c
On suppose maintenant que sx (0) = 0 ; soit s :7→ − 2c sech2 ( 2 x) montrons que s est
solution de l’équation de KDV. On a :
√ 0
c c

2
sx = − sech ( x)
2 2
√ √
c c c

0
= − sech( x) sech ( x)
2 2 2
√ √ √
c c c c

= sinh( x) sech3 ( x)
4 2 2
0
1

car sech0 (x) = = −sinh(x) sech2 (x), ∀ x ∈ R. Donc,
cosh(x)
√ √ 2
c3 c c

(sx )2 = sinh( x) sech3 ( x)
16 2 2
3 √ √
c c c
(sx )2 = sinh2 ( x) sech6 ( x)
4 2 2
par ailleurs,
√ 2 √ 3
c c c c

2 3 2 2
−cs − 2c = −c − sech ( x) − 2 − sech ( x)
2 2 2 2
3 √ 3 √
c c c c

= − sech4 ( x) + sech6 ( x)
4 2 4 2
√ √
c3 c c

4 2
= − sech ( x) 1 − sech ( x)
4 2 2
3 √ √
c c c
= − sech4 ( x) tanh2 ( x)
4 √2 √2
c3 c c
= − sinh2 ( x)sech6 ( x)
4 2 2
car tanh(x) = sinh(x)

cosh(x) , soit tanh(x) = sinh(x)sech(x)
On retrouve l’égalité :
−cs2 − 2s3 + (sx )2 = 0, donc s est solution de l’équation de KDV.
2.1.2 Étude qualitative des solitons

Lorsque les solitons se heurtent, les dimensions et les vitesses des solutions ne changent
pas après collision. Ce phénomène remarquable a suggéré l’idée de stabilité des solitons.
Définition 8. Soit > 0. On appelle KDV l’équation suivante :

∀ t ∈ [0; T ] ∀x ∈ R,
ut − 6uux + uxxx = 0. (2.44)

Proposition 3. l’équation KDV admet des solutions en ondes solitaires. De plus si U

1 1
est solution de l’équation de KDV, (t, x) 7−→ 3 U (t, − 3 x) vérifie l’équation KDV .
1 1
Démonstration. En effet si U est une solution de l’équation KDV et w 7−→ 3 U (t, − 3 x) .
Alors on a :
1 1 2
wt − 6wwx + wxxx = 3 Ut − 6 3 U Ux + − 3 Uxxx (2.45)
1
wt − 6wwx + wxxx = ( Ut − 6U Ux + Uxxx ) = 0
3 (2.46)
wt − 6wwx + wxxx = 0 (2.47)
Donc w est bien solution de KDV et si x 7−→ s(x) est un soliton de l’équation de KDV,
1
x 7−→ s(− 3 x) est un soliton de KDV On remarque donc que la transformation apporté
par la perturbation ne dénature pas la solution U de l’équation de KDV. Celle-ci garde
ses propriétés.
Théorème 3 (Stabilité du soliton[16]). Pour tout > 0, il existe δ > 0 tel que k u(0) −
s kH1 ≤ δ alors ∀ t ≥ 0, il existe x(t) ∈ R tel que k u(t, . + x(t)) − s kH1 ≤ 0.
Théorème 4 (stabilité asymptotique,[13]). Soit, u(t) une solution H1 de (3). Il existe

α0 > 0 tel que si k u(0) − s kH1 ≤ α0 alors, il existe c+ > 0 proche de 1 et une fonction
x : [0, +∞) → R de classe C 1 telle que :
v(t, x) = u(t, x) − s+
c (x − x(t)) satisfait limt→+∞ k v(t) kH1 (t> t ) = 0
2
De plus limt→+∞ dx
dt (t) = c+
Ce résultat signifie que la fonction u(t, x + x(t)) non seulement reste proche de s pour
tout temps, comme indiqué par le résultat de stabilité H1 , mais de plus converge vers sc+
lorsque t → +∞, où c+ est proche de 1.
Théorème 5. [13] Pour tout couple de vitesses c1 de l’onde solitaire s1 et c2 de l’onde

solitaire s2 il existe une onde double, c’est-à dire une solution U de KDV ,telle qu’il existe
θ1+ , θ1− , θ2+ , θ2− tels que :
U (t, x) − s1 (x − c1 t − θ1± ) − s2 (x − c2 t − θ2± ) (2.48)
tend uniformément vers 0 quand x → ±∞ .

17
Démonstration. En effet ,l’on a :
∂t U(S) − 6 U(S) ∂x U(S) + ∂x3 U(S) = ∂t (U(c1 ) + U(c2 ) ) − 6 (U(c1 ) + U(c2 ) )∂x (U(c1 ) + U(c2 ) )
+ ∂x3 (U(c1 ) + U(c2 ) )

= −6 U(c1 ) ∂x U(c2 ) + U(c2 ) ∂x U(c1 )
3
3c1 (c2 ) 2 sinh(X1 )
=
2 cosh (X1 )cosh3 (X2 )
2
3
3c2 (c1 ) 2 sinh(X2 )
+
2 cosh2 (X2 )cosh3 (X1 )
√ √
3c1 c2 c1 sinh(X1 ) c2 sinh(X2 )

= +
2cosh2 (X1 )cosh2 (X2 ) cosh(X2 ) cosh(X1 )
Ce résultat tend vers zéro quand X1 ou X2 tend vers l’infini. Donc la superposition de
deux solitons est une solution quand les deux solitons sont bien séparés tel que partout
soit X1 soit X2 est large.
L’existence de cette solution permet d’expliquer la cohabitation de plusieurs solitons ; mieux,
cela signifie que ceux-ci peuvent interférer sans qu’il n’y ait de perturbation apparente.
L’équation de Korteweg-de Vries étant non linéaire, il est hors de question de présenter des
solutions à plusieurs solitons comme combinaison des solutions à un soliton que nous avons
présentées.
Ce théorème stipule que l’on peut avoir des solutions exactes à l’équation de Korteweg-
de Vries, qui dans la limite t → ±∞ se présentent sous la forme de plusieurs solitons
largement séparés et se déplaçant chacun avec sa propre vitesse.
Donc pour une condition initiale u(t = −∞; x) formée de deux vagues s1 (x) et s2 (x) assez
éloignées pour que leurs queues ne se chevauchent pas et telle que si c1 > c2 , la vague 1 soit
plus loin que la vague 2. Ces deux vagues vont se rapprocher l’une de l’autre, interagir, puis
finalement se séparer. Cette action n’a pas grande influence sur ces vagues. Elles échangent
juste leurs places (à une phase près).
Si donc on considère la contribution qui mélange deux solitons avec des vitesses
différentes√ c1 et c2 dans le terme non linéaire −6uux et qui est telle que U(S) = U(c1 ) + U(c2 )
c
et Xi = 2 i (x − ci − xi ) avec i ∈ {1, 2} alors la superposition de ces solitons est encore
solution de l’équation de Korteweg-de Vries [13].
2.1.3 Étude numérique de l’équation

Une méthode de discrétisation des E.D.P. est celle dite des différences finies, consistant
à remplacer les dérivées exactes par des dérivées approchées discrètes au moyen de la
formule de Taylor. Dans cette section nous construisons un schéma en différences finies
pour résoudre l’équation KDV. Pour obtenir u(t, x) numériquement, nous écrivons (2.3)
sous la forme ut + f (u)x + uxxx = 0. où f est une fonction régulière de u. Nous approximons

en premier lieu, l’équation d’advection non linéaire : ut + f (u)x = 0 avec f (u) = −3u2 ,
puis le terme dispersif uxxx . On implémentera ensuite en matlab.
2.1.3.1 Formulation du schéma numérique
Notre objectif est de résoudre le problème de Cauchy, qui consiste à trouver une fonction
u(x, t) telle que l’on ait :

 ∂u − ∂ f (u) + ∂ 3 u3 = 0, ∀ (t, x) ∈ [0, T ] × R
∂t ∂x ∂x
(2.49)
u(t = 0, x) = u (x),
0 ∀ x∈R
Pour cela considérons un pas d’espace h = ∆x > 0 et un pas de temps k = ∆t > 0. Soit
donc M (tn , xj ) = M (n∆t, j∆x) un point du plan avec n ∈ N et j ∈ Z . On veut approcher
une solution régulière u de l’équation KDV par une solution approchée unj = u(tn , xj ).
On a : 
u(tn+1 , xj ) = u(tn + ∆t, xj ) = un+1
j
(2.50)
u(t , x n
n j+1 ) = u(tn , xj + ∆x) = uj+1
On écrit le développement de Taylor à l’ordre 3,
unj = u(tn , xj ) (2.51)

∂u (∆t)2 ∂2u (∆t)3 ∂3u
un+1
j = u(tn , xj ) + ∆t + + + ◦(∆t3 ) (2.52)
∂t 2 ∂t2 6 ∂t3
∂u (∆t)2 ∂ 2 u (∆t)3 ∂ 3 u
un−1
j = u(tn , xj ) − ∆t + − + ◦(∆t3 ) (2.53)
∂t 2 ∂t2 6 ∂t3
∂u 4(∆x)2 ∂ 2 u 8(∆x)3 ∂ 3 u
unj+2 = u(tn , xj ) + 2∆x + + + ◦(∆x3 ) (2.54)
∂x 2 ∂x2 6 ∂x3
∂u (∆x)2 ∂ 2 u (∆x)3 ∂ 3 u
unj+1 = u(tn , xj ) + ∆x + + + ◦(∆x3 ) (2.55)
∂x 2 ∂x2 6 ∂x3
∂u (∆x)2 ∂ 2 u (∆x)3 ∂ 3 u
unj−1 = u(tn , xj ) − ∆x + − + ◦(∆x3 ) (2.56)
∂x 2 ∂x2 6 ∂x3
∂u 4(∆x)2 ∂ 2 u 8(∆x)3 ∂ 3 u
unj−2 = u(tn , xj ) − 2∆x + − + ◦(∆x3 ) (2.57)
∂x 2 ∂x2 6 ∂x3
On obtient alors, en appliquant la formule ci-dessus, ( (2.52)-(2.53) ), dans la direction
du temps et dans la direction de l’espace à l’ordre 1.
∂u un+1
j − ujn−1
ut = =
∂t 2∆t
puis en posant w(t, x) = u2 (t, x) on a f (u) = −3w et f (u)x = −3wx
f (unj+1 ) − f (unj−1 ) 3 n n 3
f (u)x = ≈− (wj+1 − wj−1 )=− ((un )2 − (unj−1 )2 )
∆x 2∆x 2∆x j+1
Nous obtenons alors le schéma numérique suivant pour l’équation ci dessus.
∆t
un+1
j = un−1
j −2 (f (unj+1 ) − f (unj−1 )) (2.58)
∆x

19
Par suite, on approche le terme restant uxxx . Par la formule en série d’ordre 3 de Taylor
on a
∂u ∆x3 ∂ 3 u

2 unj−1 − unj+1 = −4∆x −2
∂x 3 ∂x3
∂u ∆x3 ∂ 3 u

et unj+2 − unj−2 = 4 ∆x +8 alors,
∂x 3 ∂x3
∂u ∆x3 ∂ 3 u ∂u ∆x3 ∂ 3 u

unj+2 − unj−2 +2 unj−1 − unj+1 = − 4∆x −2 + 4∆x +8
∂x 3 ∂x3 ∂x 3 ∂x3
∆x3 ∂ 3 u ∆x3 ∂ 3 u

unj+2 − unj−2 +2 unj−1 − unj+1 = 8 − 2
3 ∂x3 3 ∂x3
3
∂ u
unj+2 − unj−2 + 2 unj−1 − unj+1 = 2 ∆x3 .
∂x3
On obtient un schéma aux différences finies centrées d’ordre trois.

∂3u unj+2 − 2unj+1 + 2unj−1 − unj−2
= (2.59)
∂x3 2∆x3
En substituant les approximations ainsi obtenues dans la première équation (2.49), on a :
un+1
j − un−1
j f (unj+1 ) − f (unj−1 ) unj+2 − 2unj+1 + 2unj−1 − unj−2
− + =0
2∆t ∆x 2∆x3
d’où l’on obtient le schéma,
∆t ∆t n
un+1 = un−1 +2 (f (unj+1 ) − f (unj−1 )) − (u − 2unj+1 + 2unj−1 − unj−2 ) (2.60)
j j
∆x ∆x3 j+2
2.1.3.2 Implémentation du schéma numérique

yj+1 −yj−1
On considère y 0 = ∆x , si y est un vecteur colonne alors, y 0 = 1
∆x Dy où
 
0 1 0 ... 0
 
−1 0 1 ... 0
 
 0 −1 0
 
D= ... 0

 . .. .. ..
 ..

 . . .
1

0 0 ... −1 0
f (un n
j+1 )−f (uj−1 )
pour calculer f (u)x = ∆x , on peut écrire,
 
  f (un1 )
0 1 0 ... 0  .. 
 .
 
−1 0 1 . . . 0 
  


f (u n )
1 
 0 −1
 j−1

f (u)x = 0 . . . 0  
 n

∆x 
 . .. .. ..   f (uj ) 

 .. . . . 1  
..
 
.
  
0 0 ... −1 0  
f (uN )n

1
de même on peut écrire uxxx = (∆x)3
M u,
 
  un1
0 −2 1 0 ... 0  .. 
 . 
 
 2 0 −2 1 . . . 0

 
 n 
   uj−1 
−1 2 0 −2 . . . 0 
1   n

uxxx =   uj 

3 0 −1 2 0 ... 1 

(∆x)  
n


 ..

.. .. .. ..  uj+1 

 . . . . . −2

 . 
 .
. 

0 0 . . . −1 2 0  
unN
       
un+1 un−1 f (un1 ) un
 1  1  1 
 ..   ..  ..  .. 
   
 
 .   .   .   . 

 n+1
 
  n−1
 ∆t   ∆t  
D  f (unj )
 n
P uis  uj  =  uj +2 − M  uj (2.61)
   
 (∆x)3

 ..

  ..
  
 ∆x 
 ..   ..
 

 .   .   .   . 
       
un+1
N un−1
N f (unN ) unN
2.1.3.3 Consistance et précision du schéma numérique
Définition 9. D’une manière générale un schéma aux différences finies est défini, pour
tous les indices possibles n,j, par la formule
F∆t,∆x ({un+m
j+k }m− ≤m≤m+ , k− ≤k≤k+ ) =0
Ce schéma est dit consistant avec l’équation aux dérivées partielles F (u) = 0, si, pour toute
solution u(t,x) suffisamment régulière de cette équation, l’erreur de troncature du schéma,
définie par
F∆t,∆x ({u(t + m∆t, x + k∆x)}m− ≤m≤m+ , k− ≤k≤k+ ),
tend vers zéro, uniformément par rapport à (t,x), lorsque ∆t et ∆x tendent vers zéro
indépendamment.
Lemme 3. Le schéma (2.60) est consistant, précis à l’ordre 2 en temps et en espace.
Démonstration. Soit v(t, x) une fonction de classe C 3 au moins. Par développement de

Taylor autour du point (t, x), on calcule l’erreur de troncature du schéma (2.60). On a :
∂v 1 1
(tn , xj ) = (vjn+1 − vjn−1 ) + ◦(∆t) = (v(t + ∆t, x) − v(t − ∆t, x)) + ◦(∆t)
∂t 2∆t 2∆t
∂v ∂v (∆t)2 ∂ 3 v
(tn , xj ) = + + ◦(∆t)2
∂t ∂t 6 ∂t3
et
∂v 1 n n 1
(tn , xj ) = (vj+1 − vj−1 ) + ◦(∆x) = (v(t, x + ∆x) − v(t, x − ∆x) + ◦(∆x)
∂x 2∆x 2∆x
∂v ∂v (∆x)2 ∂ 3 v
(tn , xj ) = + + ◦(∆x)2
∂x ∂x 6 ∂x3

21
puis
∂3v 1
(tn , xj ) = [v(t, x + 2∆x) − 2v(t, x + ∆x) + 2v(t, x − ∆x) − v(t, x − 2∆x)]
∂x3 2∆x
en additionnant cela donne,
v(t + ∆t, x) − v(t − ∆t, x) v(t, x + ∆x) − v(t, x − ∆x)

− 6v
2∆t 2∆x
v(t, x + 2∆x) − 2v(t, x + ∆x) + 2v(t, x − ∆x) − v(t, x − 2∆x)
+
2∆x
∂v ∂v ∂ v (∆t) ∂ 3 v (∆x)2 ∂ 3 v
3 2
= − 6v + 3 + + + ◦((∆t)2 + (∆x)2 )
∂t ∂x ∂t 6 ∂t3 6 ∂x3
Si v est une solution de l’équation (2.49), on obtient la consistance ainsi que la précision à
l’ordre 2 en temps et en espace.
2.1.3.4 Stabilité du schéma numérique
On utilise l’analyse de Fourier :

A chaque vecteur un = (unj )0≤j≤N , associons une fonction un (x) constante par morceaux,
périodique de période 1, définie sur [0, 1] par :

un (x) = un

si xj− 1 < x < xj+ 1
j 2 2
avec 1
 xj+ 1 = (j + 2 )∆x pour 0 < j < N, x− 1 = 0 et xN +1+ 1 = 1
2 2 2
Ainsi définie un (x) ∈ L2 (0, 1) et donc par analyse de Fourrier peut se décomposer en
une somme de fonction de L2 (0, 1)
X
un (x) = ûn exp(2iπkx)
k∈Z
avec Z 1
n
û (k) = un exp(−2iπkx)
0
et la formule de Plancherel Z 1 X
|un |2 = |ûn |2
0 k∈Z
Notons v n (x) = un (x + ∆x), alors v̂ n (k) = ûn (k) exp(2iπk∆x)

On définie la norme suivante pour la solution numérique un = (unj )1≤j≤N
N
X 1
n
k u kp = ( ∆x | unj |p ) p , pour 1 ≤ j ≤ N
j=1
On utilisera cette norme ici pour p = 2.

Définition 10. Un schéma aux différences finies est dit stable pour la norme ci-dessus
s’il existe une constante C > 0 indépendante de ∆t et ∆x ( lorsque ces valeurs tendent
vers zéro) telle que,
k un k ≤ C k u0 k pour tout n ≥ 0,
quelque soit la donnée initiale u0 .
Définition 11. Soit M une matrice dans Mn (C). On appelle rayon spectral de M et on
note ρ(M ), le maximum des modules des valeurs propres de M.
La condition de stabilité que nous utilisons ici est celle de Von Neumann, qui stipule
que pour tout mode de Fourier k ∈ Z, le rayon spectral de la matrice d’amplification A(k)
noté ρ(A(k)), doit satisfaire la condition : ρA((k)) ≤ 1.
Lemme 4. Le schéma aux différences finies (2.60) est stable en norme L2 sous la condition
∆x 2
+ ≤ 6 | umax |
∆t ∆x3
Démonstration. On réécrit le schéma (2.60) sous la forme suivante,
3∆t n ∆t n
un+1 = un−1 + ((uj+1 + unj−1 )(unj+1 − unj−1 ) − (u − 2unj+1 + 2unj−1 − unj−2 )
j j
∆x ∆x3 j+2
On choisie de remplacer la formule de la moyenne à deux points 12 (unj+1 + unj−1 ) par | umax |.
Puis par application de la transformée de Fourier au reste, il vient
3∆t
ûn+1 (k) = ûn−1 (k) + | umax | ûn (k)(exp(2πik∆x) − exp(2πik∆x))
∆x
∆t n
− û (k) (exp(4πik∆x) − 2 exp(2πik∆x) + 2 exp(−2πik∆x) − exp(−4πik∆x))
∆x3
3∆t ∆t

n+1 n−1 n 3
û (k) = û (k) + 4 i û (k) | umax | sin(2πk∆x) − sin(2πk∆x)sin (πk∆x)
∆x ∆x3
∆t 1

n+1 n−1 n 3
û (k) = û (k) + 4 i û (k) sin(2πk∆x) 3 | umax | − sin (πk∆x)
∆x ∆x3
Posons
!
n ûn (k)
Û (k) = alors, on peut écrire Û n+1 (k) = A(k) Û n (k).
ûn−1 (k)
A(k) est la matrice d’amplification à déterminer. On obtient,

 h i 
∆t 1
! !
3
n+1 ûn+1 (k) 4i ∆x sin(2πk∆x) 3 | umax | − ∆x 3 sin (πk∆x) 1 ûn (k)
Û (k) = = 
ûn (k) 1 0 ûn−1 (k)
où  h i 
∆t 1 3
4i ∆x sin(2πk∆x) 3 | umax | − ∆x 3 sin (πk∆x) 1
A(k) =  
1 0

23
et donc
Û n+1 (k) = An (k) Û 1 (k).
Le polynôme caractéristique P de la matrice A(k) est donnée par :
P (λ) = det(A(k) − λ) = λ2 − tr[A(k)]λ + det(A(k)).
Où tr[A(k)] est la trace de la matrice A(k) et det(A(k)) est son déterminant. On est amené
à chercher les racines du polynôme P. Le discriminant de P est donné par,
∆t 1

∆ = [tr(A(k)]2 − 4 det(A(k)) = 4 i sin(2πk∆x) 3 | umax | − sin3 (πk∆x) + 4
∆x ∆x3
Un choix judicieux de k conduit à sin(2πk∆x) = 1. Cela induit,

2
∆t 1

∆ = [tr(A(k)]2 − 4 det(A(k)) = 4 i [ 3 | umax | − ] +4
∆x ∆x3
On cherche à déterminer les valeurs pour lesquelles ∆ ≤ 0, pour tout k de telle sorte qu’on
est deux racines conjuguées de module égal à 1 et que la condition de Von Neumann soit
vérifiée.
La condition ∆ ≤ 0 implique que,
2
∆t 1

2
∆ = [tr(A(k)] − 4 det(A(k)) = 4 i [3 | umax | − ] +4≤0
∆x ∆x3
2
∆t 1

4i [ 3 | umax | − ] +4 ≤ 0
∆x ∆x3
2
∆t 2 1

−16( ) 3 | umax | − ] +4 ≤ 0
∆x ∆x3
2
1 1 ∆x 2

3 | umax | − ] ≥ ( )
∆x3 4 ∆t
1 ∆x 1
3 | umax | ≥ ( )+
2 ∆t ∆x3
1 ∆x 1
( )+ ≤ 3 | umax |
2 ∆t ∆x3
∆x 2
+ ≤ 6 | umax |
∆t ∆x3

2.2 Système d’équation de Lotka-Volterra

On considère donc le système d’équations différentielles de Lotka-Volterra suivant :

 dx(t) = x(t) (α − βy(t))
dt
α, β, γ, δ ∈ R∗+ (2.62)
 dy(t) = −y(t) (δ − γx(t))
dt
en y ajoutant les données initiales x(0) = x0 et y(0) = y0 , on obtient le problème de Cauchy

suivant :

dx(t)
 dt = x(t) (α − βy(t))



dy(t)
dt = −y(t) (δ − γx(t))
α, β, γ, δ ∈ R∗+ (2.63)



(x(0), y(0)) = (x0 , y0 )

2.2.1.1 Existence et positivité des solutions
On se donne les definitions suivantes [18] :
Définition 12. Soit x = x(t) une fonction de t, on appelle orbite de x l’ensemble

{x(t) : t ∈ R}
Définition 13. Soit x = x(t) une fonction de t et soit ẋ(t) = f (x(t)) une équation
différentielle. On peut avoir trois types de solutions x(t) :
(a) Si x(t) ≡ x pour tout t c’est à dire x(t) est constante , alors x est appelé point
d’équilibre.
(b) Si x(T ) = x pour un certain T > 0 et x(t) 6= x pour tout t ∈ (0,T) alors x est
appelé point périodique et T la période .
Il faut remarquer que tous les autres points sur l’orbite sont périodiques de période
T.
Le mouvement décrit ainsi une oscillation périodique infinie.
(c) Si la fonction x(t) est injective, alors l’orbite ne s’intersecte jamais avec elle même.
Théorème 6 (Cauchy-Lipschitz [11]). • Soit f ∈ C(U ; RN ) où U est un ouvert de

R × Rm , et (t0 , x0 ) ∈ U . On suppose f Lipschitzienne par rapport à sa variable x
sur un voisinage de (t0 , x0 ), c’est à dire qu’il existe un voisinage de (t0 , x0 ) dans U
et L > 0 tel que pour tous (t, x) et (t, y) dans ce voisinage
kf (t, x) − f (t, y)k ≤ L kx − yk
Alors,il existe T > 0 et x ∈ C 1 ([t0 − T, t0 + T ]; J) solution du problème de Cauchy :


x0 = f (t, x),
(2.64)
x(t ) = x .
0 0

25
Si y est une autre solution du problème de Cauchy ci-dessus, elle coïncide avec x
sur un intervalle d’intérieur non vide inclus dans [t0 − T, t0 + T ] .
Si de plus f est de classe C r , r ≥ 1 , alors x est de classe C r+1 .
• Si x1 ∈ C 1 (J1 ; U ) et x2 ∈ C 1 (J2 ; U ) sont deux solutions sur des intervalles J1 et J2

respectivement, et s’il existe t0 ∈ J1 ∩ J2 tel que x1 (t0 ) = x2 (t0 ) , alors x1 (t) = x2 (t)
, pour tout t ∈ J1 ∩ J2 . (solution maximale).
• Si on suppose que f ∈ C(I × Rm ; Rm ) est globalement Lipschitzienne par rapport à
x.
Alors, quel que soit (t0 , x0 ) ∈ I × Rm , il existe un unique x ∈ C 1 (I, Rm ) solution de
(2.64).
Ce théorème se généralise aux systèmes d’équations différentielles d’ordre quelconque.
En effet on peut toujours ramener ces systèmes à un système d’équation d’ordre un.
2.2.1.2 Problème de Cauchy
Étant donné une équation différentielle du premier ordre sous forme normale x0 = f (t, x),
pour (t, x(t)) ∈ U , et un point (t0 ; x0 ) ∈ U , le problème de Cauchy correspondant est la
recherche des solutions x telles que x(t0 ) = x0
Soit la fonction définie par :
F : R × R2 → R2
(t, x, y) 7−→ (αx − βxy , γxy − δy), α, β, γ, δ ∈ R∗+
F est une fonction polynômiale en ces coordonnées car chaque composante de F est une
fonction polynôme de (x, y).
On peut donc déduire que F est au moins de classe C 1 sur R3
Alors d’après le théorème de Cauchy-Lipschitz , on est assuré que pour toute condition
initiale (t0 , x0 , y0 ) le problème de Cauchy

(ẋ(t), ẏ(t)) = F (t, x(t), y(t))
(2.65)
(x(t ), y(t )) = (x , y )
0 0 0 0
admet une unique solution maximale.

Lemme 5. Dans chacun des cas suivants, la fonction (x(t), y(t)) ainsi définie est l’unique
solution de problème de Cauchy,

(ẋ(t), ẏ(t)) = F (t, x(t), y(t))
(x(t ), y(t )) = (x , y )
0 0 0 0
(i) Si x0 = 0 et y0 = 0, alors pour tout réel t, on définit (x(t),y(t))=(0,0)

(ii) Si x0 = 0 et y0 > 0, alors pour tout réel t, on définit (x(t), y(t)) = ( 0 , y0 e−δ(t−t0 ) )
(iii) x0 > 0 et y0 = 0, alors pour tout réel t, on définit (x(t), y(t)) = ( x0 eα(t−t0 ) , 0 )

Théorème 7. Soient x0 , y0 deux réels strictement positifs et t0 un réel quelconque.

Alors, la solution du problème de Cauchy

(ẋ(t), ẏ(t)) = F (t, x(t), y(t))
(x(t ), y(t )) = (x , y )
0 0 0 0
vérifie pour tout t, 

x(t) > 0
(2.66)
y(t) > 0
Démonstration. On utilise le Lemme ci-dessus. Supposons que le nombre initial de proies

est nul : x0 = 0. Soit l’équation différentielle suivante
ẏ = −δy, (2.67)
avec la donnée initiale y(0) = y0 , non nulle. Cette équation admet une unique solution qui
est
y(t) = y0 e−δt (2.68)
le couple de solution correspondant, pour le système de Lotka-Voltera est donné par,

! !
x(t) 0
= (2.69)
y(t) y0 e−δt
!
0
et satisfait à la donnée initiale voulue . Étant donné que ce problème a une unique
y0
solution, on voit que x reste tout le temps nulle et que y évolue de manière exponentielle.
De la même façon, on montre que y reste tout le temps nulle, quand y0 = 0 et x(0) = x0 ,
non nulle.
On prend maintenant x0 > 0 et y0 > 0 et on raisonne par l’absurde.
Supposons que x prend une valeur négative ou nulle à un certain instant t0 . Comme x0 > 0,
d’après le théorème des valeurs intermédiaires, il existe donc un temps 0 < t1 ≤ t0 tel que
x(t1 ) = 0. Ainsi, (x, y) est solution du problème de Cauchy au temps t1 pour la donnée
(0, y(t1 )). Or ce problème admet une unique solution de la forme t → (0, y0 e−δt ), d’après
(2.69). Cela implique que x est nulle au temps initial 0, ce qui n’est pas le cas puisqu’on a
supposé x0 > 0. En conséquence de quoi, la fonction x ne peut pas s’annuler. Elle reste
donc strictement positive pour tout t.
Par un raisonnement identique on voit que la fonction y ne peut pas s’annuler et reste
également strictement positive pour tout t.
Conséquence
La solution maximale du problème (2.63) partant de (t = 0, x0 , y0 ) vérifie pour tout t

de son intervalle maximal, x(t) > 0 et y(t) > 0.

27
2.2.1.3 Recherche des points d’équilibre :
Définition 14. On considère à présent une équation du type,


 dx(t) = ẋ(t) = f (x(t), y(t))
dt
(2.70)
 dy(t) = ẏ(t) = g(x(t), y(t))
dt
On appelle point d’équilibre, une solution constante (x∗ , y ∗ ) = (x(t), y(t)) qui vérifie :

ẋ∗ = f (x∗ , y ∗ ) = 0
(2.71)
ẏ ∗ = g(x∗ , y ∗ ) = 0
Proposition 4. Les points (x∗ , y ∗ ) = (0, 0) et (x∗ , y ∗ ) = ( γδ , αβ ) sont les seuls points
d’équilibre du système de Lotka-Volterra. Le premier point d’équilibre est un point selle et
le second est un centre.
Démonstration. Ici rechercher les points d’équilibres revient donc à résoudre le système
d’équation suivant : 
 dx(t) = 0
dt
 dy(t) = 0
dt

x(t) (α − βy(t)) = 0
⇒
−y(t) (δ − γx(t)) = 0

cela donne x(t) = 0 ou (α − βy(t)) = 0 et y(t) = 0 ou (δ − γx(t)) = 0

c0 est à dire x(t) = 0 ou βy(t) = α et y(t) = 0 ou γx(t) = δ
α δ

soit x(t) = 0 ou y(t) = et y(t) = 0 ou x(t) =
β γ
On obtient deux couples solutions qui correspondent aux deux états d’équilibre :
Ce sont les couples (0,0) et ( γδ , αβ )
2.2.1.4 Stabilité des états d’équilibre
Théorème 8. Le système (2.70) est asymptotiquement stable si, et seulement si toutes les
valeurs propres λk de la matrice Jacobienne jac vérifient :
∀ k, Re (λk ) < 0 avec Re (λk ), la partie réelle de λk .
Démonstration. La matrice Jacobienne du système (2.62) vaut :

!
α − βy −βx
jac =
γy −δ + γx

pour le premier point d’équilibre, on a :

!
α 0
jac(0, 0) =
0 −δ
avec det(jac(0, 0)) = −αδ < 0

et λ1 = α , λ2 = −δ sont les valeurs propres.
Étant donné que α et δ > 0, on a λ1 et λ2 qui sont toujours de signes opposés.
Ainsi, l’on obtient que l’état d’équilibre (0,0) est instable
De plus (0,0) est un point selle ce qui nous renseigne sur le fait que l0 instinction des deux
espèces est difficile à obtenir et voire même impossible , sauf dans le cas où x0 = 0
pour le deuxième point d’équilibre, on a :

 
−βδ
δ α 0 γ 
jac( , ) =  αγ
γ β β 0
δ α
Avec det(jac( , )) = αδ > 0
γ β
δ α
Et trace = tr(jac( , )) = 0
γ β
Le point d’équilibre ( γδ , αβ ) peut être un foyer ou un centre.
La notion suivante nous permet de connaitre l’allure des trajectoires.
Définition 15. On dit qu’un système différentielle autonome dans R2 est Hamiltonien,
s’il existe H : R2 → R tel que

ẋ(t) = ∂H (x(t), y(t))
∂y
(2.72)
ẏ(t) = − ∂H (x(t), y(t))
∂x
La fonction H(.,.) est l’Hamiltonien du système (2.72) : C’est une intégrale première de
ce système.
On cherche à expliciter cette intégrale première. Alors il faudra avoir,

H : R2 −→ R
∀ x, y ∈ R+
H(x(t), y(t)) = cste.
et on calcule en posant,
ẋ x(α − βy)
=
ẏ y(−δ + γx)
puis par séparation des variables on obtient :
ẋ(−δ + γx) ẏ(α − βy)
=
x y

29
−δ ẋ αẏ
+ γ ẋ = − β ẏ
x y
on intègre et cela nous donne :
−δln(x) + γx + cste = αln(y) − βy + cste
C 0 est à dire, −δln(x) + γx − αln(y) + βy = cste
posons donc
H(x(t), y(t)) = −δln(x) + γx − αln(y) + βy
H est une intégrale première lorsque,

∂H(x(t), y(t))
=0
∂t
et ici on a,
∂H(x(t), y(t)) ∂H ∂x ∂H ∂y
= +
∂t ∂x ∂t ∂y ∂t
⇒
∂H(x(t), y(t)) δ α
= (− + γ)(αx − βxy) + (− + β)(−δy + γxy)
∂t x y
⇒
∂H(x(t), y(t))
= (−δα + δβy + αγx − βγxy) + (αδ − αγx − βδy + βγxy)
∂t
⇒
∂H(x(t), y(t))
=0
∂t
H(x(t), y(t)) est bien une intégrale première. Par ailleurs,
∂H ∂H T
∇H(x(t), y(t)) = ( , )
∂x ∂y
⇒
δ α
∇H(x(t), y(t)) = (− +γ , − + β)T
x y
par suite
δ α
∇H( , ) = (−γ + γ , −β + β)
γ β
⇒
δ α
∇H( , ) = (0 0)
γ β
La matrice Hessienne de H que nous notons Hess vaut,
 
∂2H ∂2H
2 ∂y∂x 
Hess H(x(t), y(t)) =  ∂x
∂2H ∂2H
∂y∂x ∂y 2

⇒
δ
!
0

Hess H(x(t), y(t)) = x2 ,
α
0 y2
au point ( γδ , αβ ), l’on obtient
γ2
!
δ α 0

Hess H( , ) = δ
γ β β2
0 α
Le développement de Taylor à l’ordre deux de H(x(t), y(t)) au point (x∗ , y ∗ ) donne :
1 ∂ 2 H(x∗ , y ∗ ) 1 ∂ 2 H(x∗ , y ∗ )
H(x(t), y(t)) = H(x∗ , y ∗ ) + (x − x ∗ 2
) + (y − y ∗ )2 + o(h)2
2 ∂x2 2 ∂y 2
⇒
1 ∂ 2 H(x∗ , y ∗ ) 1 ∂ 2 H(x∗ , y ∗ )
H(x(t), y(t)) − H(x∗ , y ∗ ) = (x − x ∗ 2
) + (y − y ∗ )2 + o(h)2
2 ∂x2 2 ∂y 2
donc
H(x(t), y(t)) − H(x∗ , y ∗ ) > 0 ∀ t.
On peut dire que (x∗ , y ∗ ) = ( γδ , αβ ) est un minimum, il en résulte que les trajectoires
sont fermées autour des points d’équilibre, d’où la conservation des centres.
Théorème 9. Toute solution du système de Lotka-Volterra est périodique
Démonstration. En effet, on a vu que les trajectoires sont des courbes fermées autour des
points d’équilibres.
L’intégrale première est constante , H(x(t), y(t)) = k, où k est une constante.
◦ ◦
z}|{ z}|{
Ce sont des ensembles de la forme (x, y) ∈ R : H(x, y) = k , où R2 est
2
l’intérieur de R2 .
Ainsi les solutions doivent rester dans cet ensemble ; elles retournent donc à leur point de
départ.
2.2.1.5 calcul des densités moyennes
Les densités des prédateurs et des proies oscillent avec une certaine période T.
L’amplitude et la fréquence de l’oscillation ne dépendent que des conditions initiales.
La moyenne des densités par rapport au temps reste constante et à l’équilibre, correspond
à la valeur suivante :
Partant de l’équation du départ

 dx(t) = x(t) (α − βy(t))
dt
α, β, γ, δ ∈ R∗+
 dy(t) = −y(t) (δ − γx(t))
dt

31
⇒ 
ẋ(t) = x(t) (α − βy(t))
α, β, γ, δ ∈ R∗+ .
ẏ(t) = −y(t) (δ − γx(t))
on obtient, 
 ẋ(t) = (α − βy(t)) (a)
x(t)
 ẏ(t) = (−δ + γx(t)) (b)
y(t)
de (a) on a :
Z T Z T
ẋ(t) d
= (α − βy(t)) ⇒ ln(x(t)) dt = (α − βy(t)) dt
x(t) 0 dt 0
Z T
[ln(x(T )) − ln(x(0))] = αT − β y(t) dt = 0 car x(T ) = x(0)
0
Z T
1 α
alors, y(t) dt =
T 0 β
puis de façon analogue partant de (b)
ẏ(t)
= (−δ + γx(t))
y(t)
on obtient que : Z T
1 δ
x(t) dt =
T 0 γ
Notons par x̄ et ȳ respectivement, la densité moyenne des proies et des prédateurs.
Alors on a : (x̄, ȳ) = ( γδ , αβ ).
2.2.2 Étude quantitative

Le modèle basique du système de Lotka-Volterra ne tient pas compte de certains
facteurs comme nous l’avons dit dès le départ. En considérant ces facteurs, le système
proies-prédateurs prend la forme suivante.

 dx(t) = x(t) (α − βy(t)) + λ x(t) h(x(t), y(t))
dt
α, β, γ, δ, λ, µ ∈ R∗+ (2.73)
 dy(t) = −y(t) (δ − γx(t)) + µ y(t) g(x(t), y(t))
dt
avec λx(t)h(x(t), y(t)) et µy(t)g(x(t), y(t)) de petites corrections apportées au

modèle (2.62) ; λ > 0 et µ > 0. On admet que les fonctions h et g sont différentiables
dans une région bornée du plan de phase.
On prend le cas où le facteur extérieur est l’influence de l’homme sur l’évolution des
proies et des prédateurs à travers l’action de la pêche sur les différentes populations, alors
une portion λ, (respectivement µ) de proies (respectivement de prédateurs) sera éliminée.
Cette action pourrait avoir,

• soit autant d’influence sur les deux populations, et dans ce cas λ = µ la pêche
élimine la même quantité de proies et de prédateurs.
• Soit des effets différents et dans ce cas :
Soit λ > µ la pêche élimine une grande proportion de proies que de prédateurs.
Soit λ < µ la pêche élimine une grande proportion de prédateurs que de proies.
• Soit ne pas avoir de l’influence sur l’une ou l’autre des deux populations et dans cas
soit λ = 0 ou µ = 0 la pêche s’intéresse exclusivement à une seule espèce.
On obtient donc , pour h(x(t), y(t)) = g(x(t), y(t)) = 1 l’équation,

 dx(t) = x(t) (α − βy(t)) − λx(t)
dt
α, β, γ, δ, λ, µ ∈ R∗+ (2.74)
 dy(t) = −y(t) (δ − γx(t)) − µy(t)
dt
qui prend aussi la forme ,


ẋ = αx − βxy − λx
α, β, γ, δ, λ, µ ∈ R∗+ (2.75)
ẏ = −δy + γxy − µy
⇒ 
ẋ = (α − λ)x − βxy
α, β, γ, δ, λ, µ ∈ R∗+ (2.76)
ẏ = −(δ + µ)y + γxy
⇒ 
ẋ = ax − bxy
où a, b, c, d ∈ R∗+ (2.77)
ẏ = −cy + dxy




 a=α−λ


b = β

avec où a, b, c, d ∈ R∗+ (2.78)



 c=δ+µ


d = γ

Ainsi on obtient les équations de Lotka-Volterra mais avec des coefficients différents.
Les nouveaux états d’équilibre sont donc les suivants :
(x∗ , y ∗ )1 = (0, 0) et (x∗ , y ∗ )2 = ( dc , ab )
On voit qu’on ré-effectuera les mêmes calcules avec les nouvelles valeurs mais au niveau de
la moyenne on note un changement.
Si on note X, (respectivement Y ) le nombre moyen de proies (respectivement de
prédateurs), on obtient :
n
c δ+µ δ µ µ (2.79)
X= d = γ et donc X= γ + γ ⇒ X =x+ γ
n
a α−λ α α α (2.80)
Y = b = β et donc Y = β − β ⇒ Y =y− β

33
On remarque donc que nombre moyen de proies a augmenté, tandis que le nombre
moyen de prédateurs diminué. Ainsi donc les proies ont été favorisées par l’action de la
pêche au détriment des prédateurs.
Par ailleurs , pour h(x(t), y(t)) = x(t) et g(x(t), y(t)) = y(t) l’on obtient l’équation
suivante : 
 dx(t) = x(t) (α − βy(t)) − λ x2 (t)
dt
α, β, γ, δ, λ, µ ∈ R∗+ (2.81)
 dy(t) = −y(t) (δ − γx(t)) − µ y 2 (t)
dt
qui prend aussi la forme,


ẋ = αx − βxy − λ x2
α, β, γ, δ, λ, µ ∈ R∗+ (2.82)
ẏ = −δy + γxy − µ y 2
Le terme carré dans ce système d’équations, permet de tenir compte de la surpopulation

des espèces en interaction. Une étude similaire à celle menée plus haut permet de montrer
les différences de comportement de ce système proies prédateurs par rapport au système
classique de Lotka-Volterra. Cela est illustré par la tracée de la trajectoire dans le plan de
phase, (chapitre 3).
2.3 Équation de Mathieu

Considérons donc l’équation de Mathieu suivante [14] :
d2 Y
+ [a − 2q cos(2t)]Y = 0, où a, q ∈ R (2.83)
dt2
Que l’on peut mettre également sous la forme
Ÿ + [a − 2q cos(2t)]Y = 0, où a, q ∈ R (2.84)
Nous utiliserons cette dernière forme dans la suite, mais en cas d’ambiguïté on fera appelle
à la forme (2.83).
On rappelle que, l’équation de Mathieu décrit les vibrations d’une membrane elliptique
(par exemple un tambour).
On fait appel à la théorie de Floquet qui étudie les équations de type Ẋ(t) = A(t) X(t),
avec des conditions sur A(t), pour déterminer la solution de l’équation (2.84).
Théorème 10. [7] Soit A : R −→ Mn (R) une application continue et T-périodique. Alors
il existe Q : R −→ GLn (R) une application continue et T-périodique et une matrice
constante Φ telles que les solutions de l’équation Ẋ(t) = A(t)X(t) sont des fonctions
X(t) = Q(t) e(t Φ) X0 où X0 est un vecteur de Rn .

Théorème 11 (théorème de Floquet [7] ; [17] ). Soit l’équation linéaire ,
Ẋ(t) = A(t)X(t) (2.85)
où A est continue, périodique, par rapport à t et de période T, T > 0 c’est à dire,

A ∈ C(R, Mn (R)) et A(t + T ) = A(t). Alors,
Y (t) = X(t + T ) est une autre solution. En effet, Ẏ (t) = Ẋ(t + T ) = A(t + T )X(t + T ) =
A(t)X(t).
Démonstration. On a :
dX
Ẋ(t) = A(t)X(t) ⇒ = A(t)X(t)
dt
dX
⇒ = A(t)dt
X
Z t
⇒ ln(X) − ln(X(0)) = A(s)ds
0
Rt
A(s)ds
⇒ X = X(0) e 0
R t+T
A(s)ds
⇒ X(t + T ) = X(0) e 0
Rt R t+T
A(s)ds + A(s)ds)
⇒ X(t + T ) = X(0) e( 0 t
RT Rt
A(s)ds A(s)ds
⇒ X(t + T ) = X(0) (e 0 )(e 0 )
⇒ X(t + T ) = CX(t)
RT
où C = e 0 A(s)ds , et donc , C = eΦT .
Soit Q(t) = X(t)e−Φt alors on a :
Q(t + T ) = X(t + T )e−Φ(t+T )

= X(t) eΦT e−ΦT e−Φt
= X(t) e−Φt
Q(t + T ) = Q(t)
on en déduit X(t) = Q(t) eΦt , et

Ẋ(t) = Q̇(t) eΦt + Φ Q(t) eΦt = A(t)X(t) d’après (2.85)
donc Q̇(t) eΦt + Φ Q(t) eΦt = A(t) Q(t) eΦt
en simplifiant par eΦt on obtient finalement : Q̇(t) + ΦQ(t) = A(t)Q(t).
On pose X(t) = Q(t) Y(t) ; quand on dérive cela on obtient,
Ẋ(t) = Q̇(t)Y (t) + Q(t)Ẏ (t) = A(t)Q(t)Y (t), car Ẋ(t) = A(t)X(t)
et comme Q̇(t) + ΦQ(t) = A(t)Q(t) ;
il vient que Q̇(t)Y (t) + Q(t)Ẏ (t) = Q̇(t)Y (t) + ΦQ(t)Y (t) = A(t)Q(t)Y (t)
Q̇(t)Y (t) + Q(t)Ẏ (t) = Q̇(t)Y (t) + ΦQ(t)Y (t)
ce qui conduit à Ẏ (t) = ΦY (t)
Le changement X = QY transforme l’équation Ẋ(t) = A(t)X(t) à coefficients périodiques,
en un système Ẏ = ΦY à coefficients constants.

35
Théorème 12. [17] Toute base de solutions X du système Ẋ(t) = A(t)X(t) peut se
représentée sous la forme :
X(t) = Q(t). etΦ avec t ∈ R et Q ∈ Mn (R),
où Q ∈ C 1 (R, Mn (R)) et Q est inversible, périodique, c’est à dire,
det(Q) 6= 0 et Q(t + T ) = Q(t), avec T > 0.
2.3.2 Multiplicateurs de Floquet

On considère l’équation (2.85) :
Ẋ(t) = A(t)X(t)
où A est continue, périodique, par rapport à t et de période T, (T > 0).

Si X est une base de solution de cette équation, d’après les résultats vu précédemment, on
a:
X(t + T ) = X(t)C
⇒ X(T ) = X(0)C
⇒ C = X −1 (0)X(T );
or
RT
A(s)ds
⇒ X(T ) = X(0)e 0
⇒ X(T ) = X(0)eQT ;
donc
⇒ eQT = X −1 (0)X(T ) = C
Définition 16. [17] On appelle multiplicateurs de Floquet, les valeurs propres de la matrice
C.
Remarque 3. Si X est une base de solutions de (2.85), et si X1 est une autre solution,
alors on a :
X1 = XP, avec une matrice P inversible, P ∈ Mn (R);
et donc
X1 (t + T ) = X1 (t)C1 , t∈R
puis

C1 = X1−1 (0) X1 = P −1
X −1
(0) X(T ) P =P −1
X −1
(0) X(T ) P = P −1 CP
d’où C1 est semblable à C.

On peut étendre ce résultat à une famille de solution et on obtient, Pour tout i ∈ N,

Xi (t + T ) = Xi (t)Ci .
Ainsi à chaque matrice fondamentale Xi (t), correspond un opérateur Ci , différent des
autres ; avec i ∈ N.
Mais le point essentiel est que tous ces opérateurs, ont les mêmes valeurs propres µi , avec
i ∈ N. (car les Ci , i ∈ N sont semblables).
Les nombres complexes µi , (i = 1...n) valeurs propres des matrices Ci , sont appelés,
les multiplicateurs de Floquet de l’équation périodique Ẋ = A(t)X, et dépendent du
choix de la matrice A(t).
Théorème 13. [17] Le système (2.85), admet une solution non triviale, telle que :
X(t + T ) = µX(t)
si et seulement si, µ est multiplicateur de (2.85). En particulier, si µ = 1, la solution est

périodique.
Démonstration. Si X est une base de solutions, c’est à dire, X est la matrice fondamentale
de (2.85) ;
alors la solution s’écrit : X = X, avec = Cste
Donc
X(t + T ) = X(t + T )
= X(t)C
= µX(t), T héorème 13
= µX(t)
Par ailleurs,
• Soit X, la base de solutions de (2.85) qui satisfait X(0) = In , avec e(QT ) = X(T ).
Les multiplicateurs de (2.85) sont les valeurs propres de X(T )
• Dans le système périodique, on a plusieurs solutions, il suffit de trouver la matrice
fondamentale X et les autres solutions sont des combinaisons linéaire de X
Théorème 14. [17] Toutes les solutions de l’équation ,
Ẋ = A(t) X, où A(t + T ) = A(t)
ont les mêmes propriétés de stabilité.

Par ailleurs,

37
• Pour que les solutions de l’équation (2.85) soient stables, il faut et il suffit que :
|µj | ≤ 1 ; ∀ j ∈ N.
• Pour que les solutions de (2.85) soient asymptotiquement stable, il faut et il suffit
que :
|µj | < 1 ; ∀j ∈ N ; c’est à dire, X(t) −→ 0, quand t −→ ∞ ⇐⇒ |µj | < 1
2.3.2.1 Application à l’équation de Mathieu
Nous arrivons maintenant à l’étude proprement dite de l’équation différentielle du

second ordre périodiques de période π,
Ÿ + [a − 2q cos(2t)] Y = 0, où a , q ∈ R,
L’équation de Mathieu, que l’on peut réécrire sous la forme d’un système différentiel à
coefficients périodique ; puis sous la forme d’une équation différentielle du premier ordre,
où les coefficients sont des matrices réelles d’ordre 2. Pour cela nous posons :
Ẏ = Z ⇒ Ÿ = Ż et donc (2.84) devient : Ż + [a − 2q cos(2t)] Y = 0 ⇒ Ż =
[2q cos(2t) − a] Y
Posons par la suite, X = YZ ⇒ Ẋ = ẎŻ .

!
0 1
et posons enf in, A(t) = , avec Γ = (2q cos(2t) − a)
Γ 0
alors l’équation (2.84) devient le système :


Ẏ = Z
(2.86)
Ż = [2q cos(2t) − a] Y = Γ Y ;
soit,
! ! !
Ẏ 0 1 Y
= (2.87)
Ż Γ 0 Z
et donc,
Ẋ(t) = A(t)X(t) (2.88)
On remarque donc que A(t + π) = A(t) et la fonction t 7−→ (2q cos(2t) − a) étant
continue, l’application définie par A : R −→ Mn (R) est continue, et π-périodique.
Alors par application du Théorème 10, l’équation (2.88) admet au moins une solution. Et
par conséquent, il existe des solutions à l’équation (2.84).
Lemme 6. On se donne une condition initiale X(0) = x (on a x ∈ R2 ), d’après le

théorème de Cauchy, l’équation différentielle (2.88) a alors une solution unique que l’on
note ici Xx . De plus l’application x 7→ Xx est linéaire.

Démonstration. Soient ß1 et ß2 deux constantes réelles et soient deux conditions initiales

x et y (dans R2 ).
L’équation différentielle (2.88) est linéaire donc ß1 Xx + ß1 Xy est bien une solution de
celle-ci.
Par ailleurs,
(ß1 Xx + ß2 Xy )(0) = ß1 Xx (0) + ß2 Xy (0) = ß1 x + ß2 y = Xß1 x+ß2 y (0).
Finalement on a bien ß1 Xx + ß2 Xy = Xß1 x+ß2 y . Ainsi, à t donné, cette application va

de R2 dans R2 .
Il existe donc une matrice B de M2,2 (R) telle que Xx = Bx ou encore Xx (t) = B(t)x.
Lemme 7. On peut expliciter la matrice B(t), cela permet d’obtenir toutes les solutions
de l’équation différentielle (2.88). B est donc une inconnue qui vérifie le système suivant :

Ḃ(t) = A(t)B(t)
(2.89)
B(0) = I
où I est la matrice identité.
Démonstration. En effet,
Comme, Xx (t) = B(t)x,

alors en 0, on a, Xx (0) = B(0)x;
or, par déf inition, Xx (0) = x;
ainsi, B(0) = I.
Par ailleurs, en remplaçant Xx (t) = B(t)x dans l’équation (2.88), on a :
Ḃ(t)x = A(t)B(t)x;
comme cela est vrai pour tout x de R2 , on a bien ;
Ḃ(t) = A(t)B(t). (2.90)
puis le système annoncé un peu plus haut.


Ḃ(t) = A(t)B(t)
(2.91)
B(0) = I

39
Lemme 8. Soient A et B des matrices (n × n), pour tout système de la forme (2.89),
on a :
Rt
trace(A(s))ds
det(B(t)) = |B(t)| = e 0 , (2.92)
où , det(B(t)) = |B(t)| est le déterminant (d’ordre n) de B(t) et

trace(A(s)) = ni=1 ai,i (somme des éléments diagonaux).
P
Démonstration. En effet, nous posons s(t) = |B(t)| et on a :

b1,1 b1,2 ... b1,n

b2,1 b2,2 ... b2,n
s(t) =

.. .. ..

. . .

bn,1 bn,2 . . . bn,n
par la forme multilinéaire du déterminant, on a ṡ(t) = D1 + · · · + Dn , avec

b1,1 b1,2 ... b1,n

.. .. ..
. . .

bi−1,1 bi−1,2 . . . bi−1,n
dbi,1 dbi,2 dbi,n
Di = dt dt ... dt

bi+1,1 bi+1,2 . . . bi+1,n
.. .. ..

. . .

bn,1 bn,2 ... bn,n
on développe Ḃ(t) = A(t)B(t), soit :

     
b1,1 b1,2 ... b1,n a1,1 a1,2 ... a1,n b1,1 b1,2 ... b1,n
     
d  b2,1 b2,2 ... b2,n   a2,1 a2,2 ... a2,n   b2,1 b2,2 ... b2,n 
= ×
     

dt  .. .. .. .. .. .. .. .. .. 
 . . .  
  . . .  
  . . . 

bn,1 bn,2 . . . bn,n an,1 an,2 . . . an,n bn,1 bn,2 . . . bn,n
ainsi la ligne i de Di est :

 
b1,1 b1,2 ... b1,n
 
 b2,1 b2,2 ... b2,n 
d d d = ×
dt bi,1 dt bi,2 ... dt bi,n ai,1 ai,2 . . . ai,n
 
.. .. .. 

 . . . 

bn,1 bn,2 . . . bn,n
Cette ligne est donc une combinaison linéaire des lignes de B. Or dans un déterminant,
on peut remplacer une ligne par cette même ligne à laquelle on ajoute une combinaison

linéaire des autres lignes. On a ainsi :

b b1,2 ... b1,n
1,1
.. .. ..
. . .

b bi−1,2 . . . bi−1,n
i−1,1

Di = ai,i bi,1 ai,i bi,2 . . . ai,i bi,n = ai,i s(t)

bi+1,1 bi+1,2 . . . bi+1,n

.. .. ..

. . .

bn,1 bn,2 ... bn,n
Pn
Ainsi, on a bien : ṡ(t) = (a1,1 + · · · + an,n ) s(t) = ( i=1 ai,i ) s(t)
Puis en intégrant ,
R t Pn Rt
( ai,i ) ds trace(A(s)) ds
det(B(t)) = |B(t)| = e 0 i=1 =e 0 .
Lemme 9. On a le résultat suivant : B(t + T ) = B(t) × B(T ), où T > 0 est la période

de B(t) ; la matrice B(T) est appelée, la matrice de Floquet.
Démonstration. En effet, en multipliant à droite chaque membre de la relation Ḃ(t) =

A(t)B(t) par B(T )x , on obtient
Ḃ(t) B(T ) x = A(t) B(t) B(T ) x
donc B(t) B(T ) x est solution de l’équation (2.88) de condition initiale B(T) x.
Il reste à montrer que B(t + T )x est également solution ; avec la même condition initiale
.
d
(B(t + T ) x ) = Ḃ(t + T ) x = A(t + T ) B(t + T ) x
dt
car B est solution de Ḃ(t) = A(t) B(t). De plus la matrice B est périodique de période
T.
On a finalement :
d
( B(t + T ) x) = A(t) B(t + T ) x
dt
Théorème 15. Les valeurs propres µ1 et µ2 de la matrice de Floquet vérifient µ1 µ2 = 1.

Dans le cas contraire on a des valeurs propres complexes et les solutions sont bornées.

41
Démonstration. En effet on a :
!
0 1
A(t) = .
Γ 0
Donc trace A = 0
et RT
trace(A(s))ds
|B(T )| = e 0 =1 (2.93)
Ainsi, si ces valeurs propres sont réelles, l’une d’elle en valeur absolue est supérieure à 1.
Et donc avec B(t + T ) = B(t) × B(T ) et une condition initiale prise dans la direction du
vecteur propre associé à cette valeur propre, la solution tendra vers l’infini.
Dans le cas où on a des valeurs propres complexes de la forme, µ1 = a0 + ßb0 et

µ2 = a0 − ßb0 , elles sont conjuguées car la matrice est réelle. ß serait donc le nombre
imaginaire i. µ1 = a0 + ßb0 et µ2 = a0 − ßb0 . De plus, µ1 µ2 = 1, donc a20 + b20 = 1. Or A(t)
est borné sur l’intervalle borné [0, T ], par la relation B(t + T ) = B(t) × B(T ).
On en déduit que B(t) est borné sur l’ensemble des réels.
2.3.3 Étude quantitative

L’étude menée dans la première partie pour l’équation (2.84), sur la base de la théorie
de Floquet, nous a permis de voir que cette équation pourrait avoir dans un premier temps,
des solutions périodiques. Puis en second lieu, des solutions stables ou instables en fonction
des paramètres choisis. Ces solutions sont d’une façon générale de la forme eµt f (t) avec la
propriété f (t + π) = f (t) et µ un complexe constant de la forme ß1u + iß2u . De plus on
remarque que l’équation de Mathieu reste inchangée lorsque l’on pose t = −t cela induit
que e−µt f (−t) est aussi une solution de (2.84) indépendante de la première. Et cela lorsque
ß1u 6= 0 ou quand ß2u n’est pas un entier pour ß1u = 0. Partant de cette observation, on
peut donc écrire les solutions Y (t, x) = u(t) de l’équation (2.84) comme la combinaison de
deux solutions indépendantes comme suit( [17], [1]) :
u(t) = Au eµt f (t) + Bu e−µt f (−t) (2.94)
Étant donné que f est π-périodique, on obtient que,

+∞
X
f (t) = C2n,u ei2nt (2.95)
n=−∞
+∞ +∞
C2n,u ei2nt + Bu e−µt C2n,u e−i2nt
X X
u(t) = Au eµt (2.96)
n=−∞ n=−∞
+∞ +∞
C2n,u ei(ß2u +2n)t + Bu e−ß1u t C2n,u e−i(ß2u +2n)t (2.97)
X X
ß1u t
u(t) = Au e
n=−∞ n=−∞
(2.98)

Ce qui finalement, donne,
+∞ +∞
u(t) = A0u C2n,u cos(ß2u + 2n)t + Bu0
X X
C2n,u sin(ß2u + 2n)t (2.99)
n=−∞ n=−∞
avec A0u = (Au + Bu ) et Bu0 = i(Au − Bu )
Ainsi donc si ß1u = 6 0, la solution de l’équation (2.84) est instable sinon elle est
stable, d’après le Théorème 14.
On considère à présent la matrice B(t) de l’équation (2.89). Il existe deux multiplicateurs

µ1 et µ2 dont les valeurs dépendent des paramètres a et q de l’équation (2.84).
La trace de la matrice A(t) est nulle : trace(A(t)) = 0 ; d’après (2.93) l’on a, µ1 µ2 = 1
où µ1 et µ2 sont les multiplicateurs de Floquet.
Comme det(B − µ) = µ2 − trace(B)µ + det(B) (2.100)
la nature des valeurs propres dépendent du signe du discriminant ∆ de l’équation ci-dessus.

Et on a : ∆ = (tace(B))2 − 4det(B) = (trace(B))2 − 4 ; Car det(B) = 1.
Nous posons à présent trace(B) = φ(a, q) ; les solutions de l’équation det(B − µ) = 0 sont
de la forme, µ1,2 = 12 ( φ2 ± φ2 − 4 ). Les propriétés de stabilité de l’équation de Mathieu
p
(2.84) et l’existence des solutions périodiques dépendent donc de la valeur de φ(a, q).
• Si | φ |> 2, les multiplicateurs de Floquet sont des réels et sont tous différents l’un
de l’autre. Il résulte que soit 0 < µ1 < 1, µ2 > 1 ; soit −1 < µ1 < 0 et µ2 < −1.
Il n’existe donc pas de solution périodique et toutes les solutions sont instables
d’après le Théorème 14.
Les régions φ(a, q) > 2, et φ(a, q) < −2 sont appelées régions d’instabilité dans
l’espace des paramètres a et q.
• Si −2 < φ < 2, les multiplicateurs de Floquet sont des nombres complexes conjugués.
µ1 = µ¯2 avec |µ1 | = |µ2 | = 1 ; µ1 = eiΦ puis µ2 = e−iΦ avec 0 < Φ < π. toujours
en vertu du Théorème 14.
La région −2 < φ < 2, dans l’espace des paramètres a et q, est donc une région de
stabilité.
• Si φ = 2 on a µ1 = µ2 = 1 alors toutes les solutions sont périodiques de période π
et le système est stable.
• Si φ = −2, on a µ1 = µ2 = −1 le système est donc stable.
. Il faut noter que lorsque les paramètres a et q sont donnés de façon indépendante. (par
exemple dans le cas de l’oscillateur paramétrique), alors la solution générale peut être
périodique ou pas, stable ou pas selon les valeurs correspondantes.

43
En remplaçant (2.94) dans (2.83) on obtient

+∞ +∞
! !
d2 X X
C2n,u ei2nt + [a − 2q cos(2t)] C2n,u ei2nt = 0, où a, q ∈ R
dt2 n=−∞ n=−∞
(2.101)
Pour simplifier, on renomme la variable C2n,u comme étant Ck . Et donc,
   
+∞ +∞
d2 X X
 Ck eikt  + [a − 2q cos(2t)]  Ck eikt  = 0, où a, q ∈ R (2.102)
dt2 k=−∞ k=−∞
puis en développant,
   
d  +∞
X +∞
X
i k Ck eikt  + [a − 2q cos(2t)]  Ck eikt  = 0, où a, q ∈ R
dt k=−∞ k=−∞
   
+∞
X +∞
X
 −k 2 Ck eikt  + [a − 2q cos(2t)]  Ck eikt  = 0, où a, q ∈ R
k=−∞ k=−∞
on obtient la relation de récurrence suivante :
(k 2 − a)Ck + q(Ck+2 + Ck−2 ) = 0; soit (B − aI) C = 0. (2.103)
où I est la matrice identité, C une matrice colonne et B la matrice pentadiagonale ci-dessus.

 
... ... ... ... ... ... ...  

. . . 2
 ..
 (−2) 0 q 0 0 ...   .

. . . 0 (−1) 2 0 q 0 ...
  
 C−1 
   
B = . . . q 0 02 0 q ...; et C =  C0 
   
   
. . .
 0 q 0 (1)2 0 ...
 C 
 1 
 . 
(2)2
 
. . .
 0 0 q 0 ... ..
... ... ... ... ... ... ...
.
Le système linéaire (2.103) a une solution non triviale si det(B − aI) C = 0. Si q est réel
alors B est symétrique réelle et toutes les valeurs propres également. Ces valeurs propres
sont généralement rangées suivant un ordre précis :

a0 < a1 < b1 < b2 < a2 < a3 < b3 < ..., q<0
a < b < a < b < a < b < a < ..., q>0
0 1 1 2 2 3 3
Les an sont liées à Au et les bn à Bu , ∀ n ∈ N [15].


Chapitre 3
SIMULATION NUMÉRIQUE
DES ÉQUATIONS
3.1 Résultats de la simulation : équation de KDV
FIGURE 1.a - soliton (solution exacte a) FIGURE 1.b - soliton (solution exacte b)
La figure 1.a et 1.b, représentent une même solution exacte de l’équation de KDV,
un soliton. Pour la figure 1.a on prend c = 10 et x0 = sech(10) et pour la figure 1.b, on
prend c = 2 et x0 = sech(10) pour représenter cette solution. Le programme est réalisé de
sorte qu’on puisse rentrer les valeurs à souhait. L’observation que nous avons faite est que
l’amplitude des vagues augmente avec la vitesse. Plus la vitesse du soliton est élevée plus
l’amplitude est élevée.

46 Résultats de la simulation : équation de KDV
FIGURE 2 - représentation de la solution exacte et approchée.

Cette figure, nous renseigne sur le fait que la solution exacte (en rouge) et la solution
approchée (en bleu) sont pratiquement les mêmes. L’erreur que l’on commet ici minime.
On a utilisé les valeurs suivantes pour cette simulation.
La vitesse c = 2, le pas de temps ∆t = 0.0102, le pas d’espace ∆x = 0.3906, la fenêtre
graphique suivant x est [−100; 100] et [0; 10] suivant y. La marge d’erreur utilisée est
max|uexacte − uapprochée |. u0 (x) = sech2 (2) et N = 512
FIGURE 3 - collision de deux solitons de vitesses différentes.

.

47
On représente les deux solitons avec les vitesses suivantes c1 = 3 × 252 pour le soliton de
plus grande amplitude et c2 = 3 × 162 pour l’autre. Les solitons de différentes amplitudes
se propagent à des célérités différentes. Par la forme de la décomposition en solitons
d’amplitudes décroissantes, les premiers solitons finiront par rattraper les derniers solitons.
Dans le cas dynamique de l’interaction entre deux solitons, on constate que l’amplitude des
solitons ne s’additionne pas. Mais au contraire l’amplitude du soliton le plus grand diminue
lorsqu’il chevauche le soliton plus petit, avant de retrouver peu après son amplitude initiale.
3.2 Résultats de la simulation :Lotka-Volterra
FIGURE 4 - évolution des populations FIGURE 5 - portrait de phase.
Les simulations effectuées dans cette partie se feront avec les valeurs suivantes : taux
de natalité des proies a = 3 ; taux de rencontre fatale proies / prédateurs b = 1 ; taux de
natalité prédateurs c = 1 taux de mortalité prédateurs d = 2 ; avec les conditions de départ
x0 = 3 et y0 = 1.5.
La figure 4 représente l’évolution de la population de proies et de prédateurs et le
portrait de phase en rouge. Sur la courbe du haut, en vert l’évolution de la population des
prédateurs et en bleu celle des proies. On a les remarques suivantes :
• Les amplitudes maximales sont constantes pour les deux populations.
• La période est identique pour les deux populations.
• Le déphasage entre les amplitudes des populations est constant.
Tous ces points relevés sont écologiquement irréalistes.
Le portrait de phase, tracé ici pour une seule solution, permet d’illustrer l’allure de la
variation relative des deux populations. Il s’agit de la courbe y2 = f (y1 ), c’est à dire la

48 Résultats de la simulation :Lotka-Volterra
population des prédateurs en fonction de celle des proies. On interprète biologiquement cela
comme suit : Les prédateurs prolifèrent lorsque les proies sont nombreuses mais ils finissent
par épuiser leurs ressources et déclinent. Lorsque la population prédatrice à suffisamment
diminuée, les proies en profitent pour se reproduire et leur population augmente à nouveau.
La courbe est fermée, ce qui laisse deviner la stabilité du système.
Quand au portrait de phase figure 5, il permet de voir que la stabilité dont nous avons
fait cas ci-dessus peut être rompue en cas de perturbation du système. Lorsqu’on prend
en compte certains éléments pour corriger le système. Par exemple la surpopulation (la
compétition entre les membres d’une même espèce) et/ou l’action de la pêche ( les facteurs
extérieurs ponctuels ). On voit donc que le comportement du système est très différent du
modèle initiale. En particulier, les solutions en question ne sont pas périodiques.
FIGURE 6 - lignes de champ / portrait de phase.

.
On note d’abord les lignes de champ, matérialisées par les flèches sur le plan de phase.
On note que toutes les flèches sont tangentes à une orbite. Le tracé de ce champ permet
d’avoir une bonne idée de la dynamique du système sans calculer sa solution. En rouge,
apparaissent les différentes orbites tracées en choisissant des points initiaux de l’orbite au
hasard dans le plan de phase. Plus le point initial se rapproche du point d’équilibre et plus
l’orbite est petite et apparait elliptique.

49
3.3 Résultats de la simulation : équation de Mathieu
FIGURE 7 - diagramme de stabilité. Vue de dessus.
La figure 7, représente les différentes zones de la stabilité (couleur jaune) et d’instabilité

(couleur bleu), de la solution de l’équation de Mathieu qui dépend des paramètres a et
q. Dans cet exemple les paramètres sont de 0 à 5 avec une résolution de 0.015. Sur ce
graphique, nous obtenons la forme spéciale de régions stables, appelée les langues de Arnold.
A partir donc de cette représentation, l’on peut voir les différentes valeurs de paramètres
(impact sur la membrane par exemple) du système qui produisent une vibration instable
(non uniforme en tout point x de la membrane) et quels autres qui mèneront à la stabilité.
Par conséquent, l’on peut ajuster en pratique les paramètres d’un système instable pour
obtenir un système stable.
On observe sur la figure, le point spécial appelé le point de la coexistence. Le point où

les deux régions instables se croisent. En ce point, toutes les solutions de l’équation sont
périodiques indifféremment des conditions initiales.

50 Résultats de la simulation : équation de Mathieu
FIGURE 8 - instabilité du système. FIGURE 9 - stabilité du système.
Nous avons donc, pour différentes valeurs attribuées à a et q, cherché à voir le résultat
que l’équation produit dans le plan (a, q). On choisit y(0) = 10−3 comme condition initiale
et on fait varier les valeurs de a et q en fonction des différentes zones de stabilité.
On retrouve bien l’instabilité des solutions de l’équation de Mathieu pour les valeurs
des paramètres (a, q) = (3.5; 2.61), figure 8. L’allure de l’amplitude de vibration de la
membrane est apériodique et dans le portrait de phase on obtient une spirale répulsive.
Cela nous laisse entendre que l’équation a des solutions instables.
Pour les valeurs (a, q) = (0.5, 0.001) on obtient une solution stable de l’équation.
L’amplitude de vibration de la membrane est périodique et le portrait de phase présente
une courbe fermée. Le déplacement de la membrane est uniforme : la structure vibre
naturellement.
En effet, l’impact sur la membrane provoque sa vibration suivant différents modes.
Chaque mode de vibration donne à la membrane d’obtenir différentes fréquences propres
qui peuvent s’approcher plus ou moins bien d’une série harmonique.

CONCLUSION
Nous avons présenté trois systèmes dynamiques non-linéaire : équations de Korteweg-de

Vries, Modèle de Volta-Volterra et l’équation de Mathieu.
Dans ce travail, on s’est intéressé d’abord à l’étude de la propagation d’un type d’onde
dénommé soliton solution de l’équation d’onde hydrodynamique non linéaire connue sous
le nom d’équation Korteweg-de Vries. Une particularité des solitons, c’est qu’ils peuvent
interagir avec d’autres solitons, sans changement de forme ni de vitesse. La seule indication
qu’une interaction linéaire est survenue, est que les deux solitons aient un décalage de
phase après collision. Cela se traduit par un léger décalage de trajet. La résolution de ce
type d’EDP étant un peu plus complexe que les deux autres, nous avons dû discrétisé avant
de pouvoir représenter la solution approchée et la confronter à la solution exacte.
On s’est intéressé ensuite au modèle consacré à l’étude de la dynamique des populations :
le modèle de Lotka-Volterra. Nous avons obtenu deux points d’équilibre. Le point (0,0)
est instable et le deuxième point ( γδ , αβ ) est stable. La simulation numérique a confirmé
l’insuffisance du modèle. Néanmoins c’est un modèle de base très utilisé en ce qui concerne
l’étude de dynamique de population. Quitte à adapter les paramètres pour le rendre un
peu plus adapté aux problèmes étudiés.
Quant à l’étude de l’équation de Mathieu enfin, nous avons fait recours à la théorie de
Floquet. Cela nous a permis de voir sous quelles formes les solutions de cette équation se
présentaient. Par simulation numérique on présente des zones de stabilité et d’instabilité.
Puis nous avons vérifié les paramètres qui mènent à des solutions stables ou instables en
utilisant directement l’équation de départ.
Ce travail ouvre la voie à des nombreuses applications en optimisation de forme, c’est
la suite naturelle de ce travail.

52 Résultats de la simulation : équation de Mathieu

Bibliographie
[1] D. Andrei Polyanin, Handbook of linear partial differential equations for engineers
and scientists Chapman & Hall/CRC Press, Boca Raton, 2007
[2] J. P. Boucher, Solitons magnétiques, in Les images de la Physique (1986), Le Courrier

du CNRS.
[3] H. Y. Chang, Ch. LIEN, S. Sukarto, S. Raychaudhury, J. Hill, E. K. Tsikis and K. E.

Lonngreen, Propagation of Ion-Acoustic solitons in a non-quiescent plasma, Plasma
Phys. Controlled Fusion 28 (1986), 675-681.
[4] W. Craig T.Kappeler W. Strauss, Gain of regularity for equations of KdV type.
Annales de l’Institut Henri Poincaré (C) Non Linear Analysis. Volume 9, Issue 2,
MarchApril 1992, Pages 147-186.
[5] T. Dauxois, M. Peyrard et A.R. Bishop, Dynamics and thermodynamics of a nonlinear

model for DNA denaturation, Phys. Rev. E 47 (1993), 684-695.
[6] J. Farago et M. Peyrard, A first approach to reaction kinetics in large molecules,

Physica D 113 (1998), 297-306.
[7] Z. Lin, "The Floquet Theory for Quasi-Periodic Linear Systems", Applied Mathematics
and Mechanics (Edition Anglaise), 3 (3), June 1982.
[8] J. Hofbauer V. Hutson and W. Jansen. Coexistence for systems governed by différence
equations of Lotka-Volterra type. J. Math. Biol. (1987)25 :553-570.
[9] M.D. Kruskal, R.M. Miura, C.S. Gardner et N.J. Zabusky, Korteweg-de Vries equation
and generalizations V. Uniqueness and nonexistence of polynomial consevation laws.
J. Math. Phys.11, 952–960 (1970)
[10] C.E. Kenig, G. Ponce and L. Vega, Well-posedness and scattering results for the
generalized Korteweg–de Vries equation via the contraction principle, Comm. Pure
Appl. Math. 46, (1993) 527–620.
[11] Ahmed Lesfari. Etude des équations stationnaire de Schrdinger, intégrale de Gelfand-
Levitan et de Korteweg-de-Vries. Solitons et méthode de la diffusion inverse. Aequat.
Math. 85 (2013),243272.@ Springer Basel 2013.

54 BIBLIOGRAPHIE
[12] R. Lipschitz. Disamina della possibilità d’integrare completamente un dato sistema di

equazioni differenziali ordinarie. Ann. Mat. Pura Appl. (2), 2(1) :288–302, 1868. DOI :
10.1007/BF02419619.
[13] T.R. Marchant, “Asymptotic solitons for a third-order Korteweg-de Vries equation”,
Chaos, Solitons and Fractals. 22 (2004) 261–270.
[14] Y. Martel and F. Merle, Asymptotic stability of solitons of the subcritical gKdV
equations revisited, Non linearity 18, (2005) 55–80.
[15] E. Mathieu, "Mémoire sur le mouvement vibratoire d’une membrane de forme ellip-
tique", Journal des Mathématiques Pures et Appliquées 13 (1868), 137-203.
[16] N.W. McLachlan, Theory and Application of Mathieu Functions, Oxford Univ. Press,
1947
[17] M.I. Weinstein, Lyapunov stability of ground states of nonlinear dispersive evolution
equations, Comm. Pure Appl. Math. 39, (1986) 51–68.
[18] V.A. Yakubovich, V.M. Starzhinskii, Linear differential equations with periodic coeffi-
cients, Vol. 1 et 2., Wiley, New York (1975).
[19] YongkunLi and YangKuang. Periodic Solutions of Periodic Delay LotkaVolterra
Equations and Systems. Journal of Mathematical Analysis and Applications. Volume
255, Issue 1, 1 March 2001, Pages 260-280.

Annexe A
A.1 Les programmes matlab pour la partie simulation
A.1.1 programme pour l’équation de KDV
A.1.1.1 programme 1
Le programme ci-dessous permet de représenter la solution exacte

et la solution approchée.
N = 2^9;
T = 10.0;
p = 100;
h = 2*p/N;
j = N;
J =0:1:j-1;
x =2*pi*J/N;
for ii = 1:j
xx(ii)= p*(x(ii)/pi-1);
end
%cond in
for i = 1:j
u1(i)= 2.*(sech(xx(i))).^2;
end
dt = h^3/(4+6*(h^2*max(u1)));
for i=1:j
u2(i)=2.*(sech(xx(i)-4.*dt)).^2;
end
temp = dt;
counteur = 0;
b2 = -dt/(h)*2;
v2 = dt/(h^3);

56 Les programmes matlab pour la partie simulation
while temp<(T)
temp = temp + dt;
u(1)=u1(1) + b2*(u2(2) + u2(1) + u2(j))*(u2(2) - u2(j))
- v2 *(u2(3)-2*u2(2) + 2*u2(j)- u2(j-1));
u(2) = u1(2) + b2*(u2(3) + u2(2) + u2(1)) *(u2(3) - u2(1))
- v2 *(u2(4)-2*u2(3) + 2*u2(1) - u2(j));
u(j-1)=u1(j-1) + b2*(u2(j) + u2(j-1) + u2(j-2))*(u2(j) - u2(j-2))
- v2 *(u2(1) - 2*u2(j) + 2*u2(j-2)-u2(j-3));
u(j) = u1(j) + b2*(u2(1) + u2(j) + u2(j-1))*(u2(1) - u2(j-1))
- v2 *(u2(2) - 2*u2(1) + 2*u2(j-1)-u2(j-2));
for i = 3:j-2
u(i) = u1(i) + b2*(u2(i+1) + u2(i) + u2(i-1))*(u2(i+1) - u2(i-1))
- v2 *(u2(i+2) - 2*u2(i+1) + 2*u2(i-1)-u2(i-2));
end
conteur =conteur + 1;
u1 = u2;
u2 = u;
end
u_ans = 2.*(sech(xx - 4*time)).^2;
error = max(abs(u_ans - u))

plot(xx,u,’--’,xx,u_ans,’ -’)
legend(’solution approchée’, ’solution exacte’)
A.1.2 programme pour l’équation de Mathieu
A.1.2.1 programme 1
Le programme ci-dessous permet de tracer le diagramme de stabilité.
% Initialisation
alpha=0;beta=0;
w1=sqrt(alpha+beta); w2=sqrt(alpha-beta);
pas=0.01;X_end=5;
%fonction
f1 = inline(’abs(2*cos(pi()*w1)*cos(pi()*w2)-(w1/w2+w2/w1)*sin(pi()*w1)
*sin(pi()*w2))’,’w1’,’w2’)
f2 = inline(’abs(2*cos(pi()*w1)-pi()*w1*sin(pi()*w1))’,’w1’,’w2’)
f3 = inline(’abs(2*cos(pi()*w1)*cosh(pi()*abs(w2))-
(w1/abs(w2)-abs(w2)/w1)*sin(pi()*w1)*sinh(pi()*abs(w2)))’,’w1’,’w2’)
% zones de trcé

57
for alpha=0:res:X_end
for beta=0:res:X_end
w1=sqrt(alpha+beta)+eps; %+eps pour ne pas diviser par 0
w2=sqrt(alpha-beta)+eps;
if alpha-beta>0
f1(w1,w2)
if f1(w1,w2)<2 k(round((alpha+pas)/pas),round((beta+pas)/ \\pas))=[1];
else
k(round((alpha+pas)/pas),round((beta+pas)/pas))=[0];
end
end
if alpha-beta==0
f2(w1,w2)
if f2(w1,w2)<2 k(round((alpha+pas)/pas),round((beta+pas)/pas))=[1];
else k(round((alpha+pas)/pas),round((beta+pas)/pas))=[0];
end
end
if alpha-beta<0
f3(w1,w2)
if f3(w1,w2)<2
k(round((alpha+pas)/pas),round((beta+pas)/pas))=[1];
else k(round((alpha+pas)/pas),round((beta+pas)/pas))=[0];
end
end
end
end
alpha= 0:pas:X_end; beta= 0:pas:X_end;
%[X,Y] = meshgrid(beta,alpha);
surf(Y,X,k,’EdgeColor’,’none’,’LineStyle’,’none’);
XLABEL(’Alpha’);YLABEL(’Beta’)
A.2 Les programmes sous scilab pour la partie simulation

A.2.1 programmes pour équation de KDV
A.2.1.1 programme 1
Ce programme permet de représenter la solution exacte de l’équation KDV ; (un soliton).
function z=f(x,y)
z= (-c/2)*sech((sqrt(2)/4)*(y-2*x + x_0))*(-c/2)*

58 Les programmes sous scilab pour la partie simulation
sech((sqrt(2)/4)*(y-2*x + x_0))
endfunction
printf(’Veuillez entrer les différentes valeurs’)
c=input("c (vitesse (pr)) =")
x_0=input("x_0 (valeur initiale (pr)) =")
x=linspace(-1,1,100);
y=linspace(-2,2,200);
z=feval(x,y,f)’;
clf
xtitle(’soliton’,’’,’’);
surf(x,y,z)
A.2.1.2 programme 2
Programme permettant la représentation de la collision de deux solitons.
clear
clc
N = 512;
x = (2*%pi/N)*(-N/2:N/2-1)’;
A = 25; B = 16;
u = 3*A^2*sech(.5*(A*(x+2))).^2+3*B^2*sech(.5*(B*(x+1))).^2;
xtitle(’collision de deux solitons’,’’,’’);
p = plot(x,u,’linewidth’,3);
A.2.2 programmes pour le système de Lotka-Volterra

A.2.2.1 programme 1
Programme permettant la représentation des champs de vecteurs.
// système différentiel de Lotka-Volterra

//y1 = population des proies, y2 = population des prédateurs
function [w] = LotkaVolterra(t,y)
w(1) = a*y(1) - b*y(1)*y(2);
w(2) = c*y(1)*y(2) - d*y(2);
endfunction
// paramètres initiaux des populations
printf(’Veuillez entrer les différentes paramètres?’)
a=input("a (taux de natalité (proie)) =")
b=input("b (taux de rencontre fatale proie/prédateur) =")
c=input("c (taux de natalité (prédateur)) =")

59
d=input("d (taux de mortalité (prédateur)) =")

t0=0; tmax=3; t=t0:0.05:tmax;
// paramètres de simulation
t0 = 0;
tmax = 20;
dt = 0.01;
// paramètres de tracé du champ
xmax = 10; dx = 0.5;
ymax = 10; dy = 0.5;
// zone de tracé du champ de vecteurs
X = 0:dx:xmax;
Y = 0:dy:ymax;
fchamp(LotkaVolterra,0,X,Y);
// initialisation des vecteurs
t = [t0:dt:tmax];
// tracé du champ de vecteurs et des orbites
xtitle("Modèle proies-prédateurs - Diagramme de phase");
while %t
[cbouton,x0,y0] = xclick();
if cbouton == 5 then
break
else
//point sélectionné dans le champ ?
%if x0 >= 0 & x0 <= xmax & y0 >= 0 & y0 <= ymax then
%[y] = ode([x0;y0],t0,t,LotkaVolterra);
plot2d(y(1,:),y(2,:),style = 5);
end
end
end
A.2.2.2 programme 2
Programme permettant la représentation de l’évolution des proies et prédateurs et du

diagramme de phase.
function [w] = LotkaVolterra (t, y)

w (1) = a * y (1) - b * y (1) * y (2);
w (2) = c * y (1) * y (2) - d * y (2);
endfunction
a=3;b=1;c=1;d=2;
t0=0;tmax=20;t=t0:0.05:tmax;

60 Les programmes sous scilab pour la partie simulation
x0=3;y0=1.5;
y = ode ([x0;y0], t0, t, LotkaVolterra);
subplot(2,1,1);
plot2d (t, y (1, :), style = 2);
xtitle (’Evolution des populations’, ’Temps’, ’Population’);
plot2d (t, y (2, :), style = 3);
subplot(2,1,2);
plot2d(y(1,:),y(2,:), style = 5);
xtitle(’Portrait de phase’,’Proies’,’Prédateurs’);
A.2.3 programme pour l’équation de Mathieu

A.2.3.1 programme 2
Ce programme permet de vérifier les différentes zones de stabilité du diagramme de

l’équation de Mathieu.
function yprim = matthieu(t,y)

yprim(1) = y(2);
yprim(2) = [2*q*cos(2*t) - a]*y(1);
endfunction
printf(’Veuillez entrer les différentes valeurs’)
a=input("a (paramètre (pr)) =")
q=input("q (paramètre (pr1)) =")
tfinal = 10*%pi;
y01 = 1e-3;
y02 = 0;
t0=-2;
t=t0:0.05:tfinal
y=ode([y01;y02],t0,t,matthieu);
subplot(211)
plot(t, y (1,:), style = 2)
xtitle (’deplacement de la membrane’, ’Temps’, ’Z(t)’);
//subplot(222)
//plot(t, y (2,:), style = 3)
//xtitle (’’, ’Temps’, ’dZ/dt’);
subplot(212)
plot(y(1,:),y(2,:), style = 5)
xtitle (’’, ’’, ’plan de phase’);

Memoire Lagui Bi

Transféré par

Droits d'auteur :

Formats disponibles

Memoire Lagui Bi

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Memoire Lagui Bi

Transféré par

Droits d'auteur :

Formats disponibles

i

UFR Mathématiques et Informatique

N°…………………… Année académique

MEMOIRE DE MASTER 2017-2018

Mention : Mathématiques et Applications

Spécialité : EDP, ANALYSE NUMERIQUE ET OPTIMISATION

L’UNIVERSITÉ FELIX HOUPHOUËT- BOIGNY

ANALYSE MATHEMATIQUE ET NUMERIQUE DE

Président : M. COULIBALY ADAMA, Maitre de Conférence à UFHB, UFR-MI

Directeur : M. DOSSO MOUHAMADOU, Maitre de Conférence à UFHB, UFR-MI

Co-Directeur : M. BAHI LOUIS CLEMENT, Maitre-Assistant à UFHB, UFR-MI

Master 2, EDP M. LAGUI, [email protected]

M. LAGUI, [email protected] UFR MATH-INFO.

Je tiens tout d’abord à exprimer toute ma gratitude à mon directeur de mémoire, le

Master 2, EDP M. LAGUI, [email protected]

M. LAGUI, [email protected] UFR MATH-INFO.

1 PRÉSENTATION DES ÉQUATIONS 3

2 ÉTUDE MATHÉMATIQUE DES ÉQUATIONS 7

Master 2, EDP M. LAGUI, [email protected]

2.3.2.1 Application à l’équation de Mathieu . . . . . . . . . . . . . 32

3 SIMULATION NUMÉRIQUE DES ÉQUATIONS 39

M. LAGUI, [email protected] UFR MATH-INFO.

Dans le rapport nous adopterons les notations suivantes :

N∗ : l’ensemble des entiers naturels privés de zéro.

Master 2, EDP M. LAGUI, [email protected]

M. LAGUI, [email protected] UFR MATH-INFO.

Ce présent rapport, présente trois systèmes dynamiques non-linéaires, provenant de

Master 2, EDP M. LAGUI, [email protected]

M. LAGUI, [email protected] UFR MATH-INFO.

Ce mémoire a pour but de décrire quelques systèmes dynamiques modélisant certains

Master 2, EDP M. LAGUI, [email protected]

mènes qu’ils modélisent. Ainsi, de nombreuses applications à la Physique, des théories

M. LAGUI, [email protected] UFR MATH-INFO.

1.1 Équation de Korteweg-de Vries

L’équation de Korteweg-de Vries, (KDV), décrit la théorie de vagues en eau peu

Master 2, EDP M. LAGUI, [email protected]

1.2 Système d’équation de Lotka-Volterra

M. LAGUI, [email protected] UFR MATH-INFO.

Le modèle décrivant l’évolution dans le temps de ces deux populations, la population de

x(t) = x0 eαt : il n0 y a aucune limite à la croissance des proies. (1.4)

y(t) = y0 e−δt (1.6)

Master 2, EDP M. LAGUI, [email protected]

1.3 Équation de Mathieu

Cette équation a la forme suivante [14] :

M. LAGUI, [email protected] UFR MATH-INFO.

ÉTUDE MATHÉMATIQUE DES

2.1 Équation de Korteweg-de Vries

ut + αuux + uxxx = 0 (2.2)

où le nombre d’indices représente l’ordre de la dérivée partielle par rapport à la variable

Définition 1. On appelle onde, un signal qui se propage à vitesse reconnaissable d’une

Master 2, EDP M. LAGUI, [email protected]

Remarque 2. On définit les ensembles suivants L2 et H 1 comme suit :

et H 1 (R) = {u ∈ L2 (R), ∇u ∈ L2 (R)} avec,

2.1.1.1 Les différentes notions de solutions

Théorème 2 (Kenig-Ponce-Vega[9]). L’équation de KDV est globalement bien posée dans

M. LAGUI, [email protected] UFR MATH-INFO.

2.1.1.2 Lois de conservation

• En réécrivant l’équation de KDV sous la forme ci-dessous, on obtient la première

• Pour obtenir la deuxième loi (conservation du moment), multiplions l’équation KDV

en développant on obtient que,

Définition 8. Soit > 0. On appelle KDV l’équation suivante :

Proposition 3. l’équation KDV admet des solutions en ondes solitaires. De plus si U