Théorie des graphes - Master d’informatique fondamentale

Ecole Normale Supérieure de Lyon

Professeurs : Eric Thierry et Christophe Crespelle

Réseaux de Pétri et modèles proies-prédateurs

Audrey LUSTIG

Lyon, le 8 décembre 2010

 Réseaux de Petri et modèles proies-prédateurs

Table des matières

1 Introduction 3

2 Le modèle de Lotka-Volterra 3

3 RdP places/transitions généralisés 4

3.1 Définitions formelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Comportement d’un RdP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.3 Formalisme algébrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.4 Ecriture du modèle sous forme de RdP . . . . . . . . . . . . . . . . . . . . . 7

4 Propriétés des RdP 8

5 Algèbre tropicale 11
5.1 Définitions formelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2 Propriétés spectrales de la matrice . . . . . . . . . . . . . . . . . . . . . . . 13
5.3 Equations de récurrence des RdP . . . . . . . . . . . . . . . . . . . . . . . . 14
5.4 Modèle de Lotka-Volterra . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

6 Conclusion 16

2
 Réseaux de Petri et modèles proies-prédateurs

1 Introduction
Dans le cadre du module ”théorie des graphes”, il m’a été proposé de travailler sur un
problème de stabilité d’un système proie-prédateur. L’article de Zvi Retchkiman Konigs-
berg [4] a constitué le point de départ de cette étude. Il propose de combiner les théories de
stabilité de Lyapunov et d’algèbres tropicales afin de résoudre un problème de stabilité d’un
modèle de type Lotka-Volterra, traité comme un système à évènements discrets et modélisé
à partir de réseaux de Petri (RdP). Ce présent rapport a pour but premier de détailler les
différentes notions présentées dans l’article en accordant une importance toute particulière
aux RdP et leurs propriétés.

2 Le modèle de Lotka-Volterra
C’est durant la première moitié du XXe siècle, que l’étude de la dynamique de plusieurs
espèces en interaction connue un essor considérable. C’est à cette époque appelée “l’âge
d’or de l’écologie théorique” [3] que furent développés les premiers modèles basés sur des
comportements de type compétition entre deux espèces. La paternité du premier modèle
conçu pour transcrire ce genre d’interactions revient à Alfred J. Lotka et Vito Volterra.

Considérant deux espèces, la première, la proie x(t), aurait si elle était seule une crois-
sance exponentielle. La seconde, le prédateur y(t), se nourrit exclusivement de la première
et en l’absence de proie s’épuise et disparait progressivement. La mise en équation de la
fonction représentant la prédation repose sur les hypothèses suivantes :
– pour qu’il y ait prédation, il faut qu’il y ait rencontre entre les deux espèces et le
nombre de rencontres est proportionnel au nombre des individus,
– la prédation de la proie est équivalente à la croissance du prédateur.

Ceci aboutit au célèbre modèle proie–prédateur de Lotka–Volterra [3] :

(
dx
(S) = dt = αx − γxy (1)
dy
dt = −βy + δxy

où α représente le taux de croissance de la population proie en l’absence de prédateurs,

γ le taux de prédation des prédateurs sur les proies, β le taux de mortalité des prédateurs
en l’absence de proies et δ le taux de croissance des prédateurs du fait de leur prédation.

Une étude qualitative du système S permet de prédire des oscillations pour la popula-
tion de proie et celle des prédateurs [5] : les prédateurs prospèrent lorsque les proies sont
nombreuses, mais finissent par épuiser leurs ressources et déclinent. Lorsque la population
de prédateur a suffisamment diminué, les proies profitant du répit se reproduisent et leur
population augmente de nouveau. Cette dynamique se poursuit en un cycle de croissance
et déclin. On parle d’équilibre neutre du système.

3
 Réseaux de Petri et modèles proies-prédateurs

Fig. 1 – Modèle de Lotka-Voterra simulé

Ce modèle idéal et simplifié, bien qu’il est fait l’objet, dans de nombreux ouvrages et
articles, de critiques lui reprochant son manque de réalisme, est devenu dans l’étude des
systèmes dynamiques non-linéaires une sorte de référence. A l’heure actuelle, le seul exemple
d’écosystème prédateur-proie présentant une évolution cyclique est la célèbre statistique de
l’Hudson’s Bay Company portant sur des lièvres et des lynx au Canada [2].

L’article étudié revisite ce modèle en proposant une nouvelle approche qui consiste à
considérer ce système proie-prédateur comme un système à évènements discrets. Pour cela
les interactions proies-prédateurs ont été modélisées à l’aide d’un RdP places/transitions
temporisé.

3 RdP places/transitions généralisés

Historiquement, les RdP ont été introduit par Carl Adam Petri en 1962 dans le cadre
de la théorie des automates. Depuis les années 70, les travaux sur les RdP ont connu un
essor considérable. Aujourd’hui, la littérature sur les RdP est fort riche, et comprend en
particulier de nombreux résultats analytiques. Ici nous ne présenterons que les RdP de type
places/transitions généralisés qu’à des fins de modélisation.

3.1 Définitions formelles

Définition 1 (RdP places/transitions généralisé). Un RdP places/transitions P N
est un quadruplet (P, T, F, W ) défini par la donnée :
– d’un ensemble fini non vide de places P = P1 , ..., pm , où |P | est le nombre de places ;
– d’un ensemble fini non vide de transitions T = t1 , , t2 , ..., tn , où |T | est le nombre de
transitions, avec P ∩ T = ∅ et P ∪ T 6= ∅ ;
– d’un ensemble d’arcs F ⊂ (P × T) ∪ (T × P) ;
– d’une relation d’incidence W : F → N+ +
1 , où Nn0 = {n0 , n0 + 1, ..., n0 + k, ...}.

4
 Réseaux de Petri et modèles proies-prédateurs

Définition 2 (RdP marqué). Un RdP places/transitions marqué se définit par un

couple (P N, M0 ) dans lequel P N est un RdP places/transitions et M0 : P → N est une
application appelée marquage de PN, qui associe à toute place pi ∈ P un entier positif
M0 (pi ) appelé marquage initial de la place pi .
Ce marquage peut être représenté graphiquement par des jetons. On associe alors un
nombre de jetons à une place.

Marquage initial : M0 = [M0 (pi ), M0 (pj ), M0 (pk ), M0 (pl )] = [2, 1, 0, 1]

Fig. 2 – Représentation graphique Fig. 3 – Relation d’incidence

3.2 Comportement d’un RdP

Le marquage des places d’un RdP représente l’état du système modélisé à un instant
donné. Ce marquage peut être modifié au cours du temps par le franchissement de tran-
sitions. Pour pouvoir être franchie, une transition doit être validée. Informellement, une
transition est validée lorsque le nombre de jetons dans chacune des places d’entrée est
supérieur ou égal au poids de l’arc qui la relie à la transition.

Définition 3 (Franchissabilité d’une transition). Soit P N = (P, T, F, W, M0 ) un

RdP marqué. Soit Mk (pi ) le nombre de jetons à la place pi ∈ P au temps k. La transition
ti ∈ T , est dite franchissable à partir de Mk (pi ) si et seulement si :

Mk (pi ) ≥ W (pi , ti) (2)

On note alors Mk (ti >.

Lorsque cette condition est satisfaite, le franchissement consiste à enlever de chacune des
places d’entrée, un nombre de jetons égal au poids de l’arc qui relie la place à la transition
et à déposer, dans les places de sortie, un nombre de jetons égal au poids de l’arc qui relie
la transition aux places de sortie.

Définition 4 (Franchissement d’une transition). Soit P N = (P, T, F, W, M0 ) un

RdP marqué et tj ∈ T une transition franchissable à partir de Mk (pi ). Le franchissement de
tj engendre la création d’un nouveau marquage Mk+1 (pi ) ∈ P N à partir de Mk (pi ), défini
par :
Mk+1 (pi ) = Mk (pi ) + W (tj , pi ) − W (pi , tj ) (3)

5
 Réseaux de Petri et modèles proies-prédateurs

Fig. 4 – Franchissement d’une transition

Jusqu’à présent aucune durée n’est liée au franchissement des transitions et/ou au temps
de séjour des marques dans les places. Cependant il y a beaucoup de systèmes à événements
discrets dont l’évolution dépend du temps. La nécessité de modéliser et d’étudier de tels
systèmes a donné naissance aux RdP temporisés. Ces réseaux ont été introduit par Ram-
chandani, dans sa thèse de 1974 [8].

Définition 5 (RdP P-temporisé). Soit T P N = {P, T, F, W, M0 , V } un RdP tem-

porisé où {P, T, F, W, M0 } est défini comme précédemment et V = {Vi : pi ∈ P } est une
structure de temps. V est une application de temps d’indisponibilité, assignant à chaque
marque k dans la place pi une durée vi,k . vi,k est la durée qui reste à la marque k pour
terminer son temps de séjour minimal dans la place pi .

3.3 Formalisme algébrique

La définition mathématique d’un RdP permet de reformuler les définitions précédentes
sous la forme d’équations d’algèbre linéaire. Dans la suite, on notera |P | = n le nombre de
places et |T | = m le nombre de transitions.

Définition 6 (Vecteur Canonique). Le vecteur canonique u~ti associé à une transi-

tion ti est le vecteur Nn dont la iime composante vaut 1 et les autres sont nulles : u~ti =
[δ1i , δ2i , ..., δni ]T .

Définition 7 (Vecteur de Marquage). A chaque temps k, on associe au réseau un

vecteur de marquage Mk défini par Mk = [Mk (p1 ), Mk (p2 ), ..., Mk (pm )]T , où Mk (pi ) est le
nombre de jetons contenu à la place pi ∈ P à l’instant k.

Définition 8 (Matrices d’incidence). Les matrices d’incidence arrière A− (n × m),

d’incidence avant A+ (n × m) et d’incidence A(n × m) sont définies par :
– ∀pi ∈ P , ∀tj ∈ T , A− (pi , tj ) = a− −
ij ⇔ W (pi , tj ) = aij ;

6
 Réseaux de Petri et modèles proies-prédateurs

– ∀pi ∈ P , ∀tj ∈ T , A+ (pi , tj ) = a+ +

ij ⇔ W (tj , pi ) = aij ;
−
– ∀pi ∈ P , ∀tj ∈ T , A(pi , tj ) = a+ij − aij .

Fig. 5 – Un réseau de Petri et ses matrices d’adjacence

Equation d’état : Ces notations nous permettent alors de redéfinir les équation (2) et
(3) de la façon suivante :

∀pi ∈ P, ti ∈ T est franchissable si et seulement si : a−

ij 6 Mk (pj ) (4)

Mk+1 = Mk + Auk (5)

On généralise les équations précédentes aux tirs de séquences de transitions franchiss-
ables. Pour cela, on définit le vecteur de Parikh associé à une séquence de tirs comme suit :

Définition 9 (Vecteur de Parikh). Soit P N = (P, T, F, W, M0 ) un RdP. Soit u =

u0 , u1 ..., ud−1 une suite de d transitions de T. Le vecteur de Parikh ~u est le vecteur dont la
j ime composante est égale au nombre d’occurrences de la transition tj ∈ T dans la séquence
u : u = d−1
P
k=0 uk .

En utilisant le vecteur de Parikh et les notations algébriques précédentes, on obtient

une propriété classique des RdP.

Proposition 1 (Équation d’état ou équation fondamentale). Soit (P N, M0 ) un

RdP. Si la suite de d transitions u = u0 , u1 ..., ud−1 est franchissable depuis le marquage M
et donne le marquage M’, on a :
M 0 = M + Au (6)
Preuve. On raisonne par récurrence sur le nombre de transitions utilisées dans la séquence u.
Pour une séquence vide, le résultat est immédiat. Le pas de la récurrence s’obtient par la définition
du franchissement d’une transition.
Remarque : L’équation fondamentale (6) traduit la dynamique de fonctionnement du RdP.

3.4 Ecriture du modèle sous forme de RdP

Considérons à nouveau le modèle proie-prédateur de Lotka-Volterra. Les états carac-
téristiques du système (ou places) sont les suivant : R : les proies sont au répits, P : les

7
 Réseaux de Petri et modèles proies-prédateurs

proies sont en danger, B : les proies sont dévorées, I : les prédateurs sont rassasiés. Le
passage d’un état à un autre ne s’effectue qu’à un moment significatif traduisant un change-
ment dans le comportement des populations. Ce sont les transitions du système : t : les
prédateurs menacent les proies, s : les prédateurs attaquent les proies, d : les prédateurs
partent rassasiés. Les transitions ne peuvent être franchies que lorsqu’un certains nombres
de conditions sont remplies. Par exemple, les prédateurs ne pourront pas attaqués les proies
avant d’avoir digéré la chasse précédente. Les prédateurs sont donc confinés dans la place
I durant un temps Cd. Enfin, les proies sont aux répits durant un temps Cr > Cd. On
considère deux jetons associés à la population de proie et à la population de prédateur.

La matrice d’adjacence associée à ce système s’écrit

sous la forme suivante :

 
0 0 0
 
1 −1 0 
A=
0 1 −1

 
0 −1 1

Fig. 6 – Ecriture du modèle de Lotka-Volterra en terme de réseau de Petri

On s’intéresse à l’évolution de la dynamique des populations, i.e. on voudrait comprendre

comment le RdP va évoluer au cours du temps. L’un des principaux intérêts des RdP est de
proposer une représentation compacte pour définir des comportements qui peuvent contenir
un nombre infini d’états ou d’événements. Leurs capacités de modélisation leur permettent
ainsi d’être un support particulièrement intéressant pour la vérification d’un large éventail
de propriétés de ces systèmes. Nous présentons dans cette section les propriétés les plus
significatives.

4 Propriétés des RdP

Définition 10 (Marquage Accessible). Soient P N un RdP et M,M’ deux marquages.
M0 est dit accessible à partir de M si et seulement s’il existe une séquence de franchissements
u = u0 , u1 ..., ud−1 ∈ T (P N, M ) telle que :

M (u1 > M2 (u2 > ...(ud > M 0 (7)

Dans ce cas M 0 est accessible à partir de M grâce à u, on écrit M’(u>M. L’ensemble des
marquages accessibles à partir de M est noté A(P N, M ).

8
 Réseaux de Petri et modèles proies-prédateurs

Définition 11 (Quasi-vivacité). Une transition t est dite quasi-vivante s’il existe un

marquage accessible M ∈ P N (M0 ) telle que M (t >. Le réseau (P N, M0 ) est dit quasi-vivant
si toutes les transitions sont quasi-vivantes.
Une quasi-vivacité d’une transition désigne la probabilité de franchir au moins une fois
cette transition depuis un marquage initial. En d’autres termes, toutes les actions peuvent
être exécutées au moins une fois. Dans le cas contraire cela signifie qu’il existe des fonction-
nalités du système auxquelles on n’a pas accès. Un réseau sera qualifié de vivant si on peut
garantir qu’aucune action ne peut devenir définitivement inaccessible.

Définition 12 (Réseau borné). Un réseau marqué (P N, M0 ) est borné si le nombre

de marquage accessible est fini, i.e. l’essemble A(N, M0 ) est fini.

Proposition 2. Soit PN un réseau marqué. Les conditions suivantes sont équivalentes.

1. Le réseau est borné.
2. ∃k ∈ N tel que ∀M ∈ A(P N, M0 ) et ∀p ∈ P, M (p) 6 k.
Preuve.
a. Supposons A(P N, M0 ) fini.
Soit k = max{M (p)|p ∈ P et M ∈ A(P N, M0 )}. Comme cet ensemble est fini, k existe dans N. Et
on a, par définition de k, le point 2.
b. Supposons le point 2 vérifié. Dans ce cas A(P N, M0 ) ⊆ {M ∈ N|P | |∀p ∈ P, 0 6 M (p) 6 k},
et cet ensemble est fini.

Définition 13 (Réseau sans blocage). Un réseau marqué places/transitions est sans

blocage si à partir de tout marquage accessible, il existe au moins une transition franchiss-
able : ∀M ∈ A(P N, M0 ), ∃t ∈ T |M (t >.
Il s’agit ici de garantir que, quelque soit l’évolution du système, il ne se bloquera jamais.

Définition 14 (Problème d’accessibilité). Soient P N un RdP marqué et M ,M 0

deux marquages. Le problème qui consiste à décider si M 0 ∈ A(P N, M ) est appelé problème
d’accessibilité des RdP.

Nous avons énoncés les principales propriétés généralement étudiées dans les RdP. La
question suivante est de déterminer des techniques permettant de décider de chacune d’en-
tre elles. Nous présentons ici celle fondée sur l’examen des états du système.

Définition 15 (Graphe des marquages). On appelle graphe des marquages du réseau

(P N, M0 ) le graphe étiqueté tel que :
– Le sommet initial est étiqueté par M0
– si v est un sommet d’étiquette M et si t est une transition telle que M (t >, avec
t
M (t > M 0 , alors il existe un sommet v 0 d’étiquette M 0 et un arc M →
− M 0.

9
 Réseaux de Petri et modèles proies-prédateurs

Fig. 7 – Un RdP et son graphe des marquage

Si le graphe des marquages accessibles est fini, c’est la situation la plus favorable. Mais
l’abre peut-être infini si le réseau n’est pas borné. On définit alors une quantité arbitraire-
ment grande de jetons ω qui possède les propriétés suivantes :

ω+n=ω
ω−n=ω
n6ω
w6ω

Cependant l’introduction d’une telle notation s’accompagne d’une perte d’information.

Si l’on se place dans le cadre des réseaux bornés. On a alors :

Proposition 3. Un réseau (P N, M0 ) admet une séquence infinie si et seulement si le
graphes des marquages possède un circuit.
Preuve
– Soit u une séquence infinie. Nous savons que les réseau est borné, donc que A(P N, M0 ) est
fini. Par suite, si l’on considère les marquages successifs rencontrés lors du tir de u, il y en a au
moins deux qui sont égaux. On peut par conséquent écrire u = u0 · u1 · u0 , u0 et u1 étant des
séquences finies et M0 (u0 > M (u1 > M 0 = M . La graphe contient donc un circuit d’étiquette
u1 .
∗
– si le graphe contient un circuit M − → M , d’étiquette u. Soit u0 l’étiquette du chemin allant
de M0 à M . Alors u0 · u∞ est une séquence infinie du réseau.

Proposition 4. Le réseau (P N, M0 ) admet un blocage si et seulement si le graphe des

marquages contient un sommet sans successeur.

10
 Réseaux de Petri et modèles proies-prédateurs

Proposition 5. Un réseau marqué (P N, M0 ) est quasi-vivant si et seulement si, pour

toute transition t, il existe dans le graphe des marquages un arc d’étiquette t.

Ces deux propositions sont des conséquences directes des définitions.

Proposition 6. Un réseau marqué réseau (P N, M0 ) est vivant si et seulement si pour

toute transition t, toute composante fortement connexe terminale du graphe des marquages
contient un arc d’étiquette t.
Une composante fortement connexe est terminale si les seuls sommets accessibles depuis
un quelconque sommets de la composante sont ceux de la composante elle-même.
Preuve
– Supposons le réseau vivant. Soit t une transition. Soit une composante fortement connexe
terminale C : tout chemin issu de l’un des sommets de cette composante conduit à un sommet
de cette composante. Soit M l’étiquette d’un nœud de C. Le réseau étant vivant, il existe une
séquence u telle que M (u > M 0 . Et, comme C est terminale, M 0 appartient à C, ainsi que tous
les marquages intermédiaires. Par suite le chemin est tout entier dans C, qui contient donc un
arc d’étiquette t.
– Supposons que pour toute transition t, toute composante fortement connexe terminale du
graphe des marquages contient un arc d’étiquette t. Soit M un marquage. C’est l’étiquette
d’un sommet du graphe. Il existe un chemin de M à une composantes fortement connexes
terminales du graphe des marquages, soit C cette composante. Soit u telle que M (u0 > M 0 ,
avec M 0 ∈ C. Puisque c’est une composante fortement connexe, et qu’elle contient un arc d’éti-
quette t, il existe donc au moins une séquence u1 telle que M 0 (u1 · t >. Donc on a M 0 (u0 · u1 · t .
Le réseau est donc vivant.

Définition 19 (Equibilibre d’un RdP). Soit P N un RdP. P N est dit stable s’l existe
une séquence de transition u franchissable telle que le système reste borné. On a alors la
propriété suivante :
∆ν = Au ≤ 0 (8)

On dit que le réseau est structurellement borné.

5 Algèbre tropicale
Les algèbres max-plus et min-plus, sont le cadre naturel pour décrire les systèmes à
événements discrets. Nous nous intéresserons que très brièvement à leur construction étant
donné qu’un précédent exposé n’est consacré qu’à cette thématique. D’autre part, la dé-
marche d’analyse proposée par Retchkiman Konigsberg étant relativement compliquée à
comprendre, seul les principes généraux seront exposés dans la suite.

On considère ici l’algèbre max-plus Rmax = (Rmax , ⊕, ⊗, , e), où ⊕ représente l’opéra-
teur max d’élément neutre  = −∞ et ⊗ désigne l’addition usuelle d’élément neutre e=0.
Les opérations ⊕ et ⊗ sont associatives, la première est commutative et la seconde est dis-
tributive par rapport à la première. On forme ainsi un semi-anneau idempotent, i.e. lorsque

11
 Réseaux de Petri et modèles proies-prédateurs

a ⊕ b = a ⊕ c on ne peut pas en conclure que b = c. On peut construire de manière analogue

une somme et produit matriciel max-plus définit par (A ⊕ B)ij = aij ⊕ bij = max(aij , bij )
j=1 (aij ⊗ bjk ), où A, B ∈ Rmax . On définit la matrice  dont tous les
Nl n×n
et (A ⊗ B)ik =
éléments sont égaux à  et la matrice E dont les éléments de la diagonale valent e et tous
les autres .

Un RdP peut être considéré comme un graphe orienté pondéré G = (N , D) muni d’une
fonction de pondération W . N est l’ensemble des nœuds du RdP (places P et transitions
T ), D l’ensemble des arcs orientés et W (i → j) est le poids de l’arrête (i, j) ∈ N .

5.1 Définitions formelles

Définition 20 (Puissance de matrice). Soient A ∈ Rmax n×n et k ∈ N. La puissance k

de la matrice A est alors notée A⊗k et est définie par : A⊗k = A ⊗ A ⊗ A... ⊗ A, (k fois)
et A⊗0 =E.

Définition 21. (Graphe de précédence). A ∈ Rn×n max . On appelle graphe de précé-

dence de la matrice A, le graphe G(A) formé d’un ensemble S = {1, 2, ..., n} de sommets et
des arcs (i, j) ∈ S 2 . On associe à chaque arc du graphe j → i le poids aij (coefficient non
nul de la matrice A). Si aij = , alors il n’existe aucun arc liant les deux nœuds i et j.

Fig. 8 – Graphe de précédence

Définition 22 (Chemin de longueur m). On appelle chemin de longueur m d’un

nœud i = n1 à un nœud j = nm+1 une suite de (n1 , ..., nm+1 ) sommets de N et ∀k ∈
{1, ..., m + 1}, nk → nk+1 une arrête. Le poids du chemin p ∈ P (i, j, m) noté |p|w est égale
à la somme des poids des arrêtes m
P
k=1 W (nk → nk+1 ). Cette somme peut alors être nor-
|p|w
malisée de la manière suivante |p|1 , où |p|1 = m.

 ⊗k 
Théorème 1 : Soient A ∈ Rn×n max et k ∈ N. Alors ∀k > 1 : A ji
= max{|p|w : p ∈
 ⊗k 
P (i, j, k)} où A ji =  dans le cas où P (i, j, k) est vide.
Le fait essentiel pour la suite est que les puissances de matrice s’interprètent simplement
en terme de chemin. La matrice A correspond à un chemin de longueur 1, la matrice A2 à
un chemin de longueur 2... Le produit matriciel correspond à la sélection des chemins les

12
 Réseaux de Petri et modèles proies-prédateurs

plus lourds.

Défintion 23 (Etoile de Kleene). Soient A ∈ Rn×n ∗ n×n

max et k ∈ N. Soit A ∈ Rmax définit
∞
telle que A∗ = k=1 A⊗k , connue sous le nom d’étoile de Kleene. L’élément [A+ ]ij donne
N

le poids maximal de tous les chemins d’un nœud i à un nœud j.

Les coefficients de A∗ représentent l’ensemble des chemins du graphe associé à la ma-
trice A : cela permet de relier un point de vue combinatoire (chemins) à un point de vue
algébrique (l’étoile de Kleene).

Dans le cas où le coefficient aij est non nul, on dit que i communique avec j et note
i → j le chemin reliant i à j. On définit une relation d’équivalence R sur l’ensemble S par :

iRj ⇔ i → j et j → i (9)

Les classes d’équivalence pour la relation R seront appelées classes ou composantes forte-
ment connexes du graphe.

Fig. 9 – Classe de la matrice A (cf. figure 9)

5.2 Propriétés spectrales de la matrice

La recherche des éléments propres d’une matrice carrée A revient à la recherche d’un
couple (λ, ν), où ν est un n-vecteur non nul et λ et un scalaire, qui vérifie le système suivant :

A⊗ν =λ⊗ν (10)

Définition 24 (Valeur propre) A ∈ Rmax n×n est dite irréductible si son graphe de

précédence G(A) est fortement connexe. Une matrice irréductible admet une unique valeur
propre ρ(A) et donnée par :
n
1
(trA⊗k )⊗( k )
M
ρ(A) = (11)
k=1
En relation avec son graphe G(A), l’unique valeur propre d’une matrice A peut s’exprimer,
en fonction des poids et des longueurs des circuits qui constituent G(A), par :
M ⊗( 1 )
ρ(A) = |p|w m (12)
C

13
 Réseaux de Petri et modèles proies-prédateurs

5.3 Equations de récurrence des RdP

Afin d’illustrer les différentes notions abordées, nous reprendrons tout au long de ce
paragraphe l’exemple donné par Guy Cohen et Co. dans l’Algèbre des sandwichs [7].
Deux villes a et b sont reliées par des trains. Le trajet de a vers b dure 3 heures, le trajet retour,
s’effectuant sur une autre voie en travaux, dure 5 heures. Chacune des deux villes est déservie par
un train de banlieue. Le premier décrit une boucle qui le ramène à la gare de la ville a toutes les 2
heures, tandis que le deuxième passe toutes les heures en gare dans la ville b. Ce modèle de réseau
de transport est un système à évènements discrets dans le sens où les correspondance dans les villes
a et b ne peuvent s’effectuer que si les trains de banlieue et les trains de grandes lignes sont tous les
deux en gare.

Le modèle peut alors s’écrire sous forme de RdP comme suit :

On définit Ǎ la matrice
caractérisant les temps
de trajet en les deux
gares a et b :

!
2 5
Ǎ =
3 1

Fig. 10 – Modèle de trafic modélisé sous forme de RdP-T

Intuitivement pour qu’une correspondance est lieue dans la ville a. il faut que le train
partant de la ville b parte 5 heures plus tôt et que donc la correspondance dans la ville b
est lieue 5 heures plus tôt. De même, il faut que le train de banlieue est quitter la gare a 3
heures auparavant pour arriver à temps à la prochaine correspondance. La date à laquelle
peut avoir la n − ime correspondance, notée a(n) dans la ville a est donc est donc celle du
plus tardif de ces événements, c’est-à-dire le maximum des dates b(n − 1) + 5eta(n − 1) + 2.
Dans l’algèbre max − plus cette équation revient à écrire : a(n) = 5 ⊗ b(n − 1) ⊕ a(n − 1) ⊗ 2.

En raisonnant de la!même manière

! sur la ville b on peut écrire caractérisé le réseau sous
a a
forme matricielle : (n) = Ǎ (n − 1).
b b

Par récurrence, on détermine l’équation d’état du système :

X(n) = Ǎ.X(n − 1) = Ǎ2 .X(n − 2) = ... = Ǎn .X(0) (13)

En somme, à partir d’un état initial, on peut connaı̂tre à l’avance l’évolution dans le
temps du système, qualifié à juste titre de déterministe.

14
 Réseaux de Petri et modèles proies-prédateurs

! ! !
max(2 + 2, 5 + 3) max(2 + 5, 5 + 1) 8 7 10 13
Remarque : Ǎ2 = = , Ǎ3 = ,
max(3 + 2, 1 + 3) max(3 + 5, 1 + 1) 5 8 11 10
!
16 15
Ǎ4 = = 8 ⊗ Ǎ2 , Ǎ5 = 8 ⊗ Ǎ3 , ...
13 16

On détermine ainsi le régime périodique du système, toutes les huit heures passent ex-
actement deux trains.

Définition 25. (Equation de récurrence). Soit Ǎ ∈ Rn×n

max et 0 6 m 6 M et x(k) ∈
n×n
Rmax pour −M 6 k 6 −1. On définit l’équation de récurrence d’odre M de la manière
suivante :
MM
x(k) = Aˇm ⊗ x(k − m) (14)
m=0

Cette équation peut se réécrire sous la forme d’un équation de premier ordre :
M
M
x(k + 1) = Ǎ ⊗ x(k) (15)
m=0

La démonstration est présentée dans [6] et s’appuie sur les propriété de l’étoile de Kleene
qui n’ont pas été développées dans ce présent rapport.

Un RdP est dit stable si toutes les transitions sont activés avec la même proportion,
soit xik(k) = q, q ∈ N, ∀i = 1, ..., n. Konigsberg démontre alors dans son article que pour
la relation de récurrence considérée ci-dessus on a : xik(k) = λ, ∀i = 1, ..., n. Soit lorsque le
réseau est dans un état correspondant à un vecteur propre de a matrice, le passage à létat
suivant, consiste à activer toutes les transitions un nombre de fois égale à la valeur propre
de A.

5.4 Modèle de Lotka-Volterra

En appliquant les différents résultats énoncés dans ce rapport on peut montrer dans un
premier temps que le RdP associé au modèle proie-prédateur peut se stabiliser. En effet
si l’on applique les propriétés de l’équation (8) on peut démontrer que pour un vecteur
u=[k,k,k], k>0 on obtient Au 6 0. Si l’on considère le RdP temporisé on peut alors définir
la matrice suivante (cf. exemple de l’algèbre des sandwichs) :
 
Cr  
Ǎ = Cr  Cd (16)
 

  Cd

L’équation 12 nous donne ρ(A) = maxCr, Cd = Cr. Ce qui d’après le paragraphe précédent
nous indique que pour que le réseau soit oscille à une fréquence fixe toutes les transitions
doivent être franchies à la même vitesse.

15
 Réseaux de Petri et modèles proies-prédateurs

6 Conclusion
Au cours de ce rapport, nous avons revisité un modèle de dynamique des populations de
type Lotka-Volterra que nous considérons comme un système à évènements discrets. Le sys-
tème a été modélisé à l’aide de RdP dont nous avons énoncé les principales caractéristiques.
Le dernier paragraphe s’intéresse plus brièvement au méthode d’analyse par les algèbres
tropicales. Nous avons cherché à présenter les notions importantes utiles à l’analyse des
propriétés des RdP et RdP temporisé. Enfin un bref paragraphe présente les résultats de
Konigsberg concernant le système proie-prédateur.

16
 Réseaux de Petri et modèles proies-prédateurs

Références
[1] Cohen, G., Gaubert, S., et Quadrat, J.P., ”L’algèbre des sandwichs”, Pour la Science,
pp.56-63, (2005)
[2] Edelstein-Keshet, L., ”Mathematical Models in Biology”, reprinted by SIAM under the
”classics” editions, (2005 ; originally 1988)
[3] Ginoux, J.M., ”Le paradoxe du modèle prédateur-proie de Vito Volterra”, (2006)
[4] Konigsberg, Z.R., ”Stability Problem for a Predator-Prey System”, Part I, LNCS 6145,
pp.1-10, (2010)
[5] Murray, J.D., ”Mathematical Biology : I. An Introduction”, Third Edition, Springer
(2002)
[6] NAIT-SIDI-MOH, A., ”Contribution à la Modélisation, à l’Analyse et à la Commande
des Systèmes de Transport Public par les Réseaux de Petri et l’Algèbre (Max, Plus)”,
(2003)
[7] Petri, C.A., ”Communication with automata”, Supplement 1 to technical report RADC-
TR-65-377, Vol 1, (1966), Translated from “Kommunikation mit Automaten” PhD Bonn
1962
[8] Ramchandani, C. : ”Analysis of Asynchronous Concurrent Systems by Petri Nets”. Thèse
de doctorat, Massachusetts. Institute of Technology, Cambridge, Massachusetts, États
Unis d’Amérique, 1974. TR-120.

17