‫الجمهوريـة الجزائـريـة الديمقراطيـة الشعبيـة‬

République Algérienne Démocratique et Populaire

‫وزارة التعليــم العالـي والبحـث العلمـي‬
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Abd Elhafid Boussouf – Mila

Institut des Sciences Département de Mathématiques

et Technologie et Informatique

Mémoire préparé en vue de l’obtention du diplôme de

Master
En : Mathématiques
Spécialité : Mathématique Appliquée

Contrôle du chaos
d’un circuit de Chua
Préparé par:
-Hamdouni Nassira
-Benlaribi Marwa

Devant le jury :

Boudjerida Nadjate MAA U. Abd Elhafid Boussouf Président

Labed Boudjema MAA U. Abd Elhafid Boussouf Rapporteur

Meskin Habiba MAA U. Abd Elhafid Boussouf Examinateur

Année Univaersitaire: 2019/2020

 Remerciements

Nous remercions tout d’abord, ALLAH le tout puissant qui nous à

donné la force, la volonté et le courage et nous à aidée à compléter
ce travail.

Nous exprimons notre profonde gratitude à notre encadreur Dr.

Labed Boudjema d’avoir dirigé ce travail et pour tout l’aide et les
conseils éclairés qu’il nous a prodigués pour mener cette mémoire
avec beaucoup de patience et d’indulgence.

Nous remercions également les membres de jury Boudjerida

Nadjate pour avoir accepté de présider et Meskine Habiba qui ont
accepté d’examiner ce travail et pour l’honneur qu’ils nous font
d’avoir assisté à notre soutenance.

Nous nos vifs remerciement aussi à tous nos enseignent de l’institut

des sciences et de technologie qui ont contribué à notre formation.

Nous remercions toujours notre famille pour son soutien, et nos

salutations profondes à nos mères pour leurs prières, leurs
encouragements et leur soutien tout au long de notre travail.

Finalement, nous remercions tous ceux qui participé de prés ou de

loin à l’élaboration de ce travail même par un mot d’encouragement
parmi mes enseignantes, mes amies, mes collègues.
 Dédicace

Je dédie ce mémoire de fin d’étude :

- A ma chère mère "Mouni ", et a me chère père

"Abd elhafid " pour leurs conseils, leurs
encouragements et leur soutien. Et je vous dédie ce
travail avec tous mes meilleurs vœux de bonheurs, et
longue vie et de santé.

- A mes chères sœurs, a mes chers frères, pour toute

leur compréhension, encouragements et votre aide.

- A tous mes amis.

- A tous ceux qui sont chers.

Hamdouni
Nassira
 Dédicace

Je dédie ce mémoire de fin d’étude :

- A mon très cher père " Messaoud" à qui je dois ce que je

suis.

- A la meilleure maman du monde" Nassira" artisane de

ma réussite. Puisse Dieu, le tout puissant, vous préservez
et vous accordez santé, longue vie et bonheur.

- A mes frères pour votre aide ainsi que vos

encouragements et votre fidélité.

- A mes fidèles amies.

Benlaribi
Marwa

MmjjjMM

Marwa
 Résumé
L’objectif principal de ce mémoire est la
suppression du chaos des systèmes
chaotiques. Pour réaliser cet objectif, nous
avons utilisé '' le contrôle adaptatif ''.
Nous avons obtenu le contrôle du système
de Chau par application de contrôle
adaptatif et sa stabilité est prouvée avec la
théorie de Lyapunov.
Les mots clés
Chaos, contrôle adaptatif, système de
Chua, stabilité, la théorie de Lyapunov.
 Abstract
The main objective of this thesis is the
removal of chaos from dynamic systems,
to achieve this goal we have used
"adaptive control".
We got control the Chua system by
application of adaptive control and its
stability is proven with Lyapunov theory.
Keys words
Chaos, adaptive control, Chua system,
stability, Lyapunov theory.
 ‫ملخص‬
‫الهدف الرئيسي من هذه األطروحة هو قمع الفوضى‬
‫من األنظمة الفوضوية‪ ،‬ولتحقيق هذا الهدف استخدمنا‬
‫"التحكم التكيفي"‪.‬‬
‫حققنا السيطرة على نظام شوا من خالل تطبيق التحكم‬
‫التكيفي وتم إثبات استقراره من خالل نظرية ليابونوف‪.‬‬
‫الكلمات المفتاحية‬
‫الفوضى‪ ،‬التحكم التكيفي‪ ،‬نظام شوا‪ ،‬االستقرار‪ ،‬نظرية‬
‫ليابونوف‪.‬‬

‫‪:‬‬
 TABLE DES MATIÈRES

Introduction Générale 1

1 Système dynamique 3
1.1 Notion générale de système dynamique . . . . . . . . . . . . . . . . . . . 3
1.1.1 Flot, Trajectoire (Orbite) . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Portrait de Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Point d’équilibre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.4 Ensemble Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Attracteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Les types d’attracteur . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Cycle et Cycle limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Classification des cycles limite . . . . . . . . . . . . . . . . . . . . 8
1.4 Étude de stabilité au tempe continue . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Notion de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Critère de Routh-Hurwitz . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Généralités sur Bifurcation . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.1 Bifurcation de codimension un (I) . . . . . . . . . . . . . . . . . . 14
1.7 Système chaotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7.1 Routes vers le chaotique . . . . . . . . . . . . . . . . . . . . . . . 19
1.7.2 Exposants de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 Dimensions fractales des attracteurs étranges . . . . . . . . . . . . . . . . 23

2 Théorie du contrôle 25
2.1 Contrôlabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1 Système de Contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . 25

viii
 TABLE DES MATIÈRES

2.1.2 Contrôlabilité des systèmes linéaires . . . . . . . . . . . . . . . . . 28

2.1.3 Contrôlabilité des systèmes linéaires autonomes . . . . . . . . . . 29
2.1.4 Contrôlabilité des systèmes linéaires non-autonomes . . . . . . . 29
2.1.5 Contrôlabilité des systèmes non linéaires . . . . . . . . . . . . . . 30
2.2 Stabilisation des systèmes de contrôle . . . . . . . . . . . . . . . . . . . . 31
2.2.1 Stabilisation des systèmes linéaires . . . . . . . . . . . . . . . . . . 31
2.2.2 Stabilisation des systèmes non linéaires . . . . . . . . . . . . . . . 32

3 Contrôle adaptatif du chaos dans le circuit de Chua 33

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Système de Chua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.1 Modélisation du circuit de Chua . . . . . . . . . . . . . . . . . . . 34
3.2.2 Etude de la diode de Chua . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Propriétés du système de Chua . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1 Calcul les points d’équilibres . . . . . . . . . . . . . . . . . . . . . 40
3.3.2 Stabilité des points d’équilibre . . . . . . . . . . . . . . . . . . . . 42
3.3.3 Dissipativité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.4 Exposant de Lyapunov et dimension de Kaplan-Yorke . . . . . . 46
3.4 Contrôle du chaos dans le circuit de Chua . . . . . . . . . . . . . . . . . . 47
3.4.1 Contrôle adaptatif . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

conclusion générale 51

Bibliographie 51

ix
 TABLE DES FIGURES

1.1 Portrait de phase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2 Attracteurs réguliers. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Attracteurs étrange de Lorenz. . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Le cycle limite. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Bifurcation nœud-col. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6 Bifurcation transcritique. . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Bifurcation fourche sous critique. . . . . . . . . . . . . . . . . . . . . . . . 16
1.8 Bifurcation fourche super critique. . . . . . . . . . . . . . . . . . . . . . . 17
1.9 Attracteur étrange de Rossler. . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.1 Le circuit de Chua. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.2 Représentation de la fonction non linéaire iNL = h(v1 ). . . . . . . . . . . . 35
3.3 L’attracteur chaotique du système de Chua dans 3-D. . . . . . . . . . . . 38
3.4 Projection 2-D du système de Chua sur un plan (x,y). . . . . . . . . . . . 38
3.5 Projection 2-D du système de Chua sur un plan (x,z). . . . . . . . . . . . 39
3.6 Projection 2-D du système de Chua sur un plan (y,z). . . . . . . . . . . . 40
3.7 Exposant de Lyapunov. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

x
 INTRODUCTION GÉNÉRALE

a découverte de la dynamique chaotique des systèmes non linéaires remonte aux

L travaux de météorologue Edward Lorenz en 1963 pour étudier la nature chaotique
des conditions météorologiques, où qu’il observa qu’une modification des données ini-
tiales pouvait changer ses résultats, et a découverte le phénomène de sensibilité aux
conditions initiales. A la fin du dix neuvième siècle, le mathématicien Henri Poincaré
avait déjà mis en évidence ce phénomène. Les systèmes que répondant à cette pro-
priété sont appelés les systèmes chaotiques (déterministe) en étudiant la dynamique
non linéaire, ainsi présent le terme chaos pour la premier fois et permettent de décrire
le comportement des systèmes dynamiques chaotique régis par des lois déterministes
et leurs évolution dans le temps est imprévisible [1].
En effet, il y a une divergence exponentielle des trajectoires du système (cela peut
formellement être mesuré avec les exposants de Lyapunov). Une autre propriété in-
téressante des systèmes chaotiques sont les attracteurs étranges, l’attracteur à double
spirale Chua a été introduit en 1984 [18]. La nature chaotique du circuit de Chua a été
observée dans l’attracteur de Chua et cette circuit l’un des appareils électroniques les
plus importants utilisés pour les études de chaos et de bifurcation, et est un système
chaotique non linéaire largement étudie et bien compris.
De façon générale, on peut dire que notre ligne principale de travail s’articule au-
tour du problème de contrôle dans le système de Chua 3-D, et l’étude de surveillance
de ce système est liée à la théorie du chaos. Le terme "contrôle du chaos" est utilisé
principalement pour dénoter la région d’interface d’étude entre la théorie du contrôle
et la théorie du système de Chua 3-D étudiant les méthodes de contrôle des systèmes
déterministe avec un comportement chaotique et été utilisée une approche de contrôle

1
adaptatif pour accomplis le contrôle, la stabilisation et conduire la trajectoire du sys-
tème de Chua 3-D vers des trajectoires bien spécifique (point d’équilibre stable).
Ce mémoire a pour objet l’étude de contrôle adaptative du chaos dans le circuit de
Chua. Il contient trois chapitres :
. Dans le premier chapitre, nous donnons des notions de la théorie des systèmes
dynamiques "notions de stabilité, de bifurcation, ainsi que des caractéristique des
système chaotique".
. Au deuxième chapitre, nous avons discuté dans cet axe de la possibilité de
contrôler les systèmes dynamiques au moyen de la théorie du contrôle et des
points les plus importants sur lesquels nous nous sommes concentrés sur "les dé-
finitions de système de contrôler, la contrôlabilité de système linéaire (autonome
et non autonome) et la contrôlabilité de système non linéaire".
. Le troisième chapitre, nous avons étude le système de chua, puis on introduit le
concept de la contrôle du Chua par la proposition de contrôle adaptative appliqué
au système de Chua 3-D et sa stabilité est prouvée avec la théorie de Lyapunov.

2
 CHAPITRE 1

SYSTÈME DYNAMIQUE

1.1 Notion générale de système dynamique

Définition 1.1.1. En mathématique, un système dynamique est la donnée d’un système et
d’une loi décrivant l’évolution de ce système avec le temps. Le terme " système " fait référence
à un ensemble de variable d’état (dont la valeur évolue au cours du temps) et aux interactions
entre ces variables.
On défini un système dynamique par un triple (T, X, Φ) tel que : T est un temps défini un
ensemble de nombre, X est un espace de l’état et Φ est le flot.
– Il ya deux types de système dynamique [2] :
Dans le cas continu (T = R) un système dynamique est décrit par un système des équations
différentielles de la forme :

dx
= ẋ = f (x, t, µ), (1.1)
dt

x ∈ Ω ⊆ Rn est le vecteur d’état, et µ ∈ V ⊆ Rp le vecteur des paramètres, Rn est appelée espace

des phases ; f : Ω × R × Rp → Rn est appelé champs de vecteur sur Ω.
Dans le cas discret (T = Z) un système dynamique est décrit par une itération de la forme :

xn+1 = f (xn , µ), n ∈ N; (1.2)

Si f dépend explicitement du temps t, on dit que le système (1.1) non autonome. Sinon auto-
nome.

3
 CHAPITRE 1. SYSTÈME DYNAMIQUE

Lorsque f est non linéaire on dit que le système (1.1) non linéaire, et de même si f est linéaire
alors le système (1.1) est linéaire.

1.1.1 Flot, Trajectoire (Orbite)

Considérons le système autonome :

dx
= f (x). (1.3)
dt

Pour assurer l’existence et l’unicité du flot du système (1.3) nous avons le théorème
suivant :

Théorème 1.1.1. (Théorème de Cauchy-Lipschitz, [3])

Soit l’équation différentielle (1.3), où f est une fonction localement lipschitzienne sur un ouvert
Ω de Rn dans Rn .
Alors, pour tout x0 ∈ Ω ; il existe une solution maximale unique de (1.3) satisfaisant x(0) = x0 .

a. Flot :

Définition 1.1.2. [4].

La correspondance Φt : x0 7→ x(t) qui associe à une donnée initiale x0 la valeur de la
solution maximale x(t) au tempe t, qui correspond à cette donnée initiale, est appelée le
flot au temps t du champs de vecteurs f .

(t, x) 7→ Φ(t, x) = x(t).

Remarque 1.1.1. – Le flot est complet lorsque f est définie pour tout valeur t ∈ R.

Propriétés de flot

Le flot satisfait les propriétés suivant :

1- Si f de classe Cr alors Φt (x0 ) est de classe Cr .
2- Φ0 (x0 ) = x0 .
3- Φt+s (x0 ) = Φt (Φs (x0 )).

b. Trajectoire (Orbite) :

Définition 1.1.3. [5].

Soit la condition initiale x0 ∈ Ω. On considère x(t, x0 ) est une solution de système (1.3)

4
 CHAPITRE 1. SYSTÈME DYNAMIQUE

passant au point x0 lorsque t = 0. On la note par :

γx0 = {x(t, x0 ) ∈ Rn ; t ∈ R}.

1.1.2 Portrait de Phase

Il existe trois espaces d’état en orbite. Le portrait de phase d’un système est :

Figure 1.1 – Portrait de phase.

1.1.3 Point d’équilibre

Définition 1.1.4. ([5], [6]).
Un point x∗ est dit point d’équilibre de système (1.1) s’il satisfait f (x∗ ) = 0 ou Φ(t, x∗ ) = x∗ pour
tout t ∈ R sinon est un point ordinaire. Par fois, ces points sont appelés points stationnaire ou
point fixe.

Définition 1.1.5. ([5], [6]).

– Si un point ordinaire a est dit périodique s’il existe T > 0 telle que Φ(T, a) = a, sinon
est dit récurent si pour tout voisinage V de a et pour tout T ∈ R, il existe t > T tel que
Φ(t, a) ∈ V.
– Un ensemble D ⊂ Ω est dit invariant par le flot Φt sur Ω si ∀x ∈ D et t ∈ R donc
Φ(t, x) ∈ D est vérifier alors D est dite positivement invariant.

5
 CHAPITRE 1. SYSTÈME DYNAMIQUE

1.1.4 Ensemble Limite

Ensemble α-limite et ω-limite

Définition 1.1.6. [6].

Un point a ∈ Ω est le point ω-limite d’une trajectoire γx0 s’il existe une suite tk → +∞ telle
que :
lim Φ(tk , x0 ) = a.
k→+∞

De même, un point b ∈ Ω est le point α-limite d’une trajectoire γx0 s’il existe une suite tk → −∞
telle que :

lim Φ(tk , x0 ) = b.
k→+∞

Définition 1.1.7. [6].

L’ensemble des points ω-limite (resp : α-limite) de γx0 est désigné par ω(x0 ) (resp : α(x0 )).
L’ensemble α(x0 ) ∪ ω(x0 ) est appelé l’ensemble limite de γx0 .

1.2 Attracteurs
Définition 1.2.1. [5].
La région de l’espace de phases vers laquelle convergent les trajectoires d’un système dynamique
dissipatif s’appelle attracteur est des formes géométriques que caractérise l’évolution à long
terme des systèmes dynamiques.

Soit D un ensemble compact, ferme de l’espace de phase. On suppose que D est un

ensemble invariant (i.e Φt (D) = D pour tout t).

On dit que l’ensemble D attracteur si :

– Pour tout voisinage U de D, il existe un voisinage V de D tel que toute solution

Φ(x0 , t) = Φt (x0 ) restera dans U si x0 ∈ V.
– ∩t≥0 Φt (V) = D, t ≥ 0.
– Il existe une orbite dense dans D.

1.2.1 Les types d’attracteur

Il y a deux types des attracteurs :

6
 CHAPITRE 1. SYSTÈME DYNAMIQUE

1. Attracteurs réguliers :
Les attracteurs réguliers caractérisent l’évolution des systèmes non chaotiques :

a. Le point fixe : est un point de l’espace de phase vers lequel tendent les trajectoires,
c’est donc une solution stationnaire constante.
b. Le cycle limite (attracteur périodique) : est une trajectoire fermée dans l’es-
pace des phases tend vers les trajectoires, c’est donc une solution périodique du
système.
c. Un tore : représente les mouvements résultant de deux ou plusieurs oscillations
indépendantes que l’on appelle parfois "mouvements quasi périodiques".

Figure 1.2 – Attracteurs réguliers.

2. Attracteurs étranges (chaotique) :

Les attracteurs étranges sont des formes géométriques complexes qui caracté-
risent l’évolution des systèmes chaotiques.
L’attracteur étrange se caractérise par :
a. La dimension d de l’attracteur est fractale (non entière) avec 2 < d < n, où n est la
dimension de l’espace de phases, pour un système continue autonome.
b. L’attracteur est de volume nul dans l’espace des phases.
c. Sensibilité aux conditions initiales (deux trajectoires de l’attracteur initialement
voisines finissent toujours par s’écarter l’une de l’autre).

7
 CHAPITRE 1. SYSTÈME DYNAMIQUE

50

40

30

z
20

10

0
40
20 20
0 10
0
-20
-10
y -40 -20 x

Figure 1.3 – Attracteurs étrange de Lorenz.

1.3 Cycle et Cycle limite

Définition 1.3.1. (Définition de Cycle)
On défini un cycle est dit orbite périodique γx0 tq :

∀x0 ∈ γx0 ; Φt+T (x0 ) = Φt (x0 ).

Définition 1.3.2. (Définition de Cycle limite)

Un cycle limite est défini comme une trajectoire fermée dans plans de phase.

1.3.1 Classification des cycles limite

En fonction de l’évolution des trajectoires de phase au voisinage du cycle limite,
ceux-ci peuvent êtres classés en trois catégories :

– Cycle limites stables (ou cycle ω-limite) : Toutes les trajectoires au voisinage du
cycle convergent vers le cycle quand t → +∞.

– Cycles limites instables (ou cycle α-limite) : Toutes les trajectoires au voisinage
du cycle limite divergent quand t → +∞.

– Cycles limites semi- stables : Certaine trajectoire divergente d’autre convergent

au voisinage du cycle limite quand t → +∞.
Exemple :

8
 CHAPITRE 1. SYSTÈME DYNAMIQUE

Soit le système :

 ẋ = −y + x(1 − x − y ),

 2 2
(1.4)
 ẏ = x + y(1 − x2 − y2 ).



L’origine (0, 0) est le point d’équilibre de système (1.4).

En passant aux coordonnées polaires :

 x = r cos θ,


 y = r sin θ.



On trouve :

 ṙ = r(1 − r ),

 2

 θ̇ = 1.



– Si r < 1 alors ṙ > 0 la trajectoires à l’intérieur du cercle unité diverge vers l’origine
qui est instable et converge vers le cercle (cycle limite stable).

– Si r > 1 alors ṙ < 0 la trajectoires à l’extérieur du cercle unité converge vers

l’origine qui est stable et diverge vers le cercle (cycle limite instable).

Figure 1.4 – Le cycle limite.

9
 CHAPITRE 1. SYSTÈME DYNAMIQUE

1.4 Étude de stabilité au tempe continue

1.4.1 Notion de stabilité

La notion de stabilité a pour but de formaliser la propriété d’un système dyna-
mique tel que le système reste proche d’un état dit d’équilibre.
Il ya deux type de stabilité différentes pour caractériser l’évolution d’un point vers
son état stable :

a. Stabilité de système linéaire

Théorème 1.4.1. Soit le système dynamique linéaire :

ẋ = Ax(t). (1.5)

∗ Si ∃ i, Reλi < 0 ⇒ on dit que le point fixe est asymptotiquement stable.

∗ Si ∃ i, Reλi > 0 ⇒ on dit que le point fixe instable.

∗ Si ∃ i, Reλi ≤ 0 ⇒ on dit que le point fixe stable.

Où : λi la valeur propre de A.

b. Stabilité de système non linéaire

Stabilité au sens de Lyapunov

1. Méthode direct :
Cette méthode basée sur l’utilisation de la fonction de Lyapunov.

Définition 1.4.1. Soit le système dynamique :

ẋ = f (x), (1.6)

où : f : Rn → Rn et f ∈ Cr .
On suppose que l’origine x = 0 est un point d’équilibre du système (1.6) qui satisfait :
f (0) = 0 ⇒ x = 0.
 Le point d’équilibre x = 0 est dit stable si :

∀ε > 0, ∃δ > 0 tel que : k x0 k< δ ⇒k x(t) k< ε, ∀t > 0.

10
 CHAPITRE 1. SYSTÈME DYNAMIQUE

Asymptotique stable si :
Le point est stable et que : ∃δ > 0 tel que k x0 k< δ ⇒ x(t) → 0 quand t → ∞.

Théorème 1.4.2. (Fonction de Lyapunov)

On dit que V : U → R est fonction de Lyapunov pour le système (1.6) en point d’équilibre
x = 0 dans U. Si pour tout x ∈ U on :
• V(0) = 0 et V(x) > 0 pour x , 0.
• Si V̇(x) ≤ 0 alors le point d’équilibre x = 0 stable.
• Si V̇(x) < 0 le point d’équilibre x = 0 admet une fonction de Lyapunov strict alors est
asymptotiquement stable.
• Si V̇(x) > 0 alors le point d’équilibre x = 0 instable.
Pi=n dV
Où : V̇(X) = i=1 fi (x).
dxi

Exemple :(Fonction de Lyapunov)

Soit le système suivant :

 ẋ = −x − xy ,

 2

 ẏ = −y + 3x2 y.



Le point fixe :
 
 ẋ = 0  −x − xy = 0,

 
 2
⇒
 ẏ = 0  −y + 3x2 y = 0.

 


Alors un point fixe unique est (0, 0).

Soit V(x, y) = 3x2 + y2 .
D’après la fonction de Lyapunov on a :

V(0, 0) = 0, V(x, y) > 0, (x, y) , (0, 0),

et

V̇(x, y) = 6xẋ + 2y ẏ,

= 6x(−x − xy2 ) + 2y(−y + 3x2 y),
= −(3x2 + y2 ) < 0.

Donc le point d’équilibre (0, 0) est asymptotiquement stable.

2. Méthode indirect :
Cette méthode basée sur la linéarisation de la fonction f . Pour étudier la stabi-

11
 CHAPITRE 1. SYSTÈME DYNAMIQUE

lité autour d’un point d’équilibre x0 . Consiste à étudier le système linéaire avec :

ẋ = Jx, (1.7)

telle que : J est un matrice jacobienne de f en point équilibre (x0 ) c’est-à-dire :

∂ fi (x0 )
J = D f (x0 ) = ( ).
∂xi

On suppose λi la valeur propre de J alors :

a. Si λi ∈ R
∗ λi < 0 ⇒ le point d’équilibre est asymptotiquement stable.
∗ λi > 0 ⇒ le point d’équilibre est instable.
∗ S’il existe i et j tel que : λi < 0 et λ j < 0, le point d ’équilibre est nœud stable
sinon nœud instable.
∗ S’il existe i et j tels que λi < 0 et λ j > 0, le point d ’équilibre est point selle.
b. Si λi ∈ C.
∗ Reλi < 0 ⇒ le point d’équilibre est foyer stable (puits) .
∗ Reλi > 0 ⇒ le point d’équilibre est foyer instable (source) .
∗ Si Reλi , 0 donc le point d’équilibre est point hyperbolique.
Exemple :
Soit le système suivant :

 ẋ = −x + x ,

 3

 ẏ = −y.



Le point fixe :
 
 ẋ = 0  −x + x = 0,

 
 3
⇔
 ẏ = 0 = 0.
 
  −y


Alors il existe trois point d’équilibre est (0, 0), (1, 0), (−1, 0).
D’après la matrice de jacobienne :
 
 −1 0 
A = D f (0, 0) =   .

0 −1

La valeur propre de A est λ = −1(double) et Reλ < 0 alors (0, 0) est asymptotiquement
stable.

12
 CHAPITRE 1. SYSTÈME DYNAMIQUE

 
 2 0 
B = D f (1, 0) = D f (−1, 0) =   .

0 −1

La valeur propre de B est λ1 = −1, λ2 = 2 et Reλ1 < 0, Reλ2 > 0 alors (1, 0), (−1, 0) est
instable.

1.5 Critère de Routh-Hurwitz

Considérons le système dans R3 :

ẋ = H(x),

avec :  
 a11 a12 a13 
 
H(x) =  a21 a22 a23  .
 
 

a31 a32 a33


L’équation caractéristique s’écrit :

λ3 + Aλ2 + Bλ + C = 0.

avec les déterminants de Routh-Hurwitz sont :

d1 = det |A| = A;

A 1
d2 = = AB − C;
C B

A C 0
d3 = 1 B 0 = Cd2 ;
0 A C

Ainsi les conditions de stabilité du point d’équilibre sont :

A > 0, AB − C > 0, C > 0.

13
 CHAPITRE 1. SYSTÈME DYNAMIQUE

Alors les parties réelles de toutes les valeurs propres sont négatives. Donc le point
d’équilibre est asymptotiquement stable.

1.6 Généralités sur Bifurcation

Définition 1.6.1. Une bifurcation est un changement dans les points d’équilibres, des orbites
périodique ou dans les propriétés de stabilité d’un système non linéaire quand un paramètre
du système varie, ce paramètre est appelé paramètre de bifurcation. Les valeurs auxquelles les
changements qualitatif du comportement du système se produisent sont appelées point de bifur-
cation µ.
Soit un système d’équation différentielle :

ẋ = f (x, µ); f : Rn × R → Rn où µ, x ∈ R. (1.8)

1.6.1 Bifurcation de codimension un (I)

Les bifurcations de codimension un sont quatre types de bifurcations correspondant
tous des comportements génériques.

1. Bifurcation nœud-col :
C’est une bifurcation qui correspond à la collision entre un col et un nœud quand
la valeur d’un paramètre du système change.
Soit le système suivant :

 ẋ = x − µ,

 2
(1.9)
 ẏ = −y.



Alors :
– Si µ < 0 le système (1.9) n’est pas admet une solution donc on n’a pas de point
d’équilibre.
– Si µ > 0 le système (1.9) admet deux solutions donc par conséquence on a deux
√
points d’équilibres, le point d’équilibre (− µ, 0) nœud stable et le point d’équilibre
√
( µ, 0) instable (col).
– Si µ = 0 alors : (0, 0) est un seul point d’équilibre instable.
2. Bifurcation transcritique :
Dans une bifurcation transcritique les points d’équilibres sont persistants quand
le paramètre de bifurcation varie, mais leur propriété de stabilité change.
Soit le système suivant :

14
 CHAPITRE 1. SYSTÈME DYNAMIQUE

Figure 1.5 – Bifurcation nœud-col.


 ẋ = x − µx,

 2

 ẏ = −y.



Il ya deux point d’équilibre (0, 0) et (µ, 0).

D’après la matrice de jacobienne en point d’équilibre on a :

– Si µ < 0 on a dit que le point d’équilibre (0, 0) est instable (col) et le point d’équilibre
(µ, 0) est nœud stable.
– Si µ > 0 on a dit que le point d’équilibre (0, 0) est nœud stable et le point d’équi-
libre (µ, 0) est instable.
On remarque un échange de stabilité en µ = 0 :

– pour µ = 0 le premier point d’équilibre passe col à un nœud stable alors que
le deuxième passe d’un nœud stable à col cependant, le système garde toujours
deux point d’équilibre si un stable et l’autre instable.

3. Bifurcation fourche (pitchfork) :

Cette bifurcation correspond à un changement dans le nombre des points d’équi-
libre à la valeur de bifurcation. Il ya deux type :

 Bifurcation de fourche sous critique :

15
 CHAPITRE 1. SYSTÈME DYNAMIQUE

Figure 1.6 – Bifurcation transcritique.

Soit le système suivant :


 ẋ = −µx + x ,

 3

 ẏ = −y.



– Si µ > 0, il existe trois point d’équilibre : un nœud stable en (0, 0) et deux col en
√
(± µ, 0).
– Si µ ≤ 0, il n’existe plus qu’un seul point d’équilibre à l’origine (0, 0) qui est un
col.

Figure 1.7 – Bifurcation fourche sous critique.

16
 CHAPITRE 1. SYSTÈME DYNAMIQUE

 Bifurcation de fourche super critique :

Soit le système suivant :

 ẋ = µx − x ,

 3

 ẏ = −y.



Étude la stabilité d’après la matrice jacobienne en point d’équilibre :

√
– Si µ > 0, il existe trois points d’équilibres : (0, 0), (± µ, 0) tel que : (0, 0) est un col
√
et (± µ, 0) est nœud stable.
– Si µ < 0, il existe un seul point d’équilibre à l’origine (0, 0) est nœud stable.
On remarque un échange dans le nombre des point d’équilibre et dans stabilité
en µ = 0.

Figure 1.8 – Bifurcation fourche super critique.

4. Bifurcation de Hopf :
Dans une bifurcation de Hopf, un foyer changé de type de stabilité à la va-
leur critique de bifurcation. La paire de valeurs propres conjuguées du linéarisé
tangent traverse alors l’axe imaginaire.
Soit le système suivant :

 ẋ = x(µ − x − y ) − y,

 2 2

 ẏ = y(µ − x2 − y2 ) + x.



17
 CHAPITRE 1. SYSTÈME DYNAMIQUE

En coordonnées polaires elle s’écrit :


 ṙ = µr − r ,

 3

 θ̇ = 1.



– Si µ < 0 l’origine est un foyer stable.

– Si µ > 0 l’origine est un foyer instable.

1.7 Système chaotique

Le chaos est défini par un comportement lié à l’instabilité et à la non-linéarité
dans des systèmes dynamiques. La relation entre l’instabilité et la chaoticité est alors
que le système manifeste une très haute sensibilité aux changements de conditions,
il peut arriver que de petites différence initiales engendrent de très grandes dans les
phénomènes finaux et la prédiction devient impossible.
On dit qu’un système dynamique chaotique est un système qui dépend de plusieurs
paramètres et caractérisés par une extrême sensibilité aux conditions initiales. Il n’est
pas déterminé ou modélisé par des systèmes d’équations linéaires ni par les lois de la
mécanique classique ; cependant les systèmes chaotiques ne sont pas aléatoires [10].
Notons quelques propriétés importantes des systèmes chaotiques :
B La non-linéarité :
Si un système dynamique non linéaire est chaotique, sinon est non chaotique.
B Le déterminisme :
La notion de déterminisme signifie la capacité de "prédire" le futur d’un phé-
nomène à partir d’un évènement passé ou présent. L’évolution irrégulière du
comportement d’un système chaotique qui contient des règles fondamentales
déterministes et non probabilistes, il est généralement régi par des équations
différentielles non linéaires qui sont connues.
B Sensibilité aux conditions initiales :
Certains phénomènes dynamiques chaotiques non linéaires sont si sensibles
aux conditions initiales et aux perturbations que, même s’ils sont régis par des
lois rigoureuses et parfaitement déterministes, les prédictions exactes sont impos-
sibles.
L’un des premiers chercheurs à s’en être aperçu fut "Edward Lorenz" venait de
découvrir que différences dans les conditions initiales engendraient à la longue
des trajectoires totalement différentes [11].
Alors des propriétés une essentielles du chaos et donc bien cette sensibilité aux

18
 CHAPITRE 1. SYSTÈME DYNAMIQUE

conditions initiales que l’on peut caractériser en mesurant des taux de divergence
des trajectoires.
Exemple :
Soit le système chaotique donne par Rossler :




 ẋ = −(y + z),

ẏ = x + αy,




 ż = β + z(x − γ),



où (x, y, z) est le vecteur d’état et α, β, γ sont des constantes (paramètres de bifurcation)

tel que : α = 0.2 et β = 0.2 et γ = 5.7 sont fixes. Avec les conditions initiales x(0) = y(0) =
z(0) = 0.01.

25

20

15
z

10

0
10
15
0 10
5
-10 0
-5
y -20 -10 x

Figure 1.9 – Attracteur étrange de Rossler.

1.7.1 Routes vers le chaotique

1. L’intermittence vers le chaos :
Ce scénario via les intermittences se caractérise par l’apparition erratique de
bouffées chaotique dans un système qui oscille de manière régulière.
Le système conserve pondant un certain laps de temps un régime périodique, et

19
 CHAPITRE 1. SYSTÈME DYNAMIQUE

il se déstabilise pour donner lieu a une sorte d’explosion chaotique, il se stabilise

de nouveau en suite pour donner une nouvelle bouffée.
2. Le doublement de période :
Ce scénario de transition vers le chaos est sans doute le plus connu par aug-
mentation du paramètre de contrôle de l’expérience, la fréquence du régime
périodique double puis est multipliée par 2, 8, 16 ,...
Les doublements étant de plus en plus rapprochés, on tend vers un point d’accu-
mulation auquel on obtiendrait hypothétiquement une fréquence infinie, c’est à
ce moment que le système devient chaotique.
3. La quasi-périodicité :
Ce troisième scénario fait intervenir pour un système périodique l’apparition
d’une autre période dont le rapport avec la premier n’est pas rationnel.

1.7.2 Exposants de Lyapunov

Les exposants de Lyapunov permettant de caractériser le chaos temporel et plus
particulièrement la sensibilité aux conditions initiales que peut présenter la divergence
de trajectoire sur l’attracteur étrange est rapide. Pour cette raison on essaie si c’est
possible de mesure la quantité est appelée ”Exposant de Lyapunov” qui caractérise le
taux de divergence entre l’évolution de trajectoire issues de conditions initiales proches
au sein de cet espace borné qu’est l’attracteur étrange, qui est souvent utiliser pour
déterminer si un système chaotique ou non.

1. Cas d’une application unidimensionnelle :

Soit f une application discret de R dans R suivant :

xk+1 = f (xk ), (1.10)

tel que : k itérations, il existe un réel λ et soit deux point initiaux x0 et x0 + ε l’exposant
de Lyapounov λ(x0 ) est défini par l’équation :

εekλ(x0 ) = | f k (x0 + ε) − f k (x0 )|,

où

| f k (x0 + ε) − f k (x0 )|
kλ(x0 ) = ln ,
ε

20
 CHAPITRE 1. SYSTÈME DYNAMIQUE

et pour ε → 0 et k → ∞ on :

1 | f k (x0 + ε) − f k (x0 )|
λ(x0 ) = lim lim ln ,
k→∞ ε→0 k ε
1 d f k (x0 )
= lim ln .
k→∞ k dx0

Notons xi = f i (x0 ) et rappelons que f k (x0 ) = f ( f k−1 (x0 )), nous en déduisons, par la règle
de la chaine :

d f k (x0 )
= f 0 (xk−1 ) f 0 (xk−2 )... f 0 (x1 ) f 0 (x0 ).
dx0

Par conséquent, l’équation précédente s’écrit :

k−1
1X
λ(x0 ) = lim ln | f 0 (xi )|,
k→∞ k
i=0

λ est appelé exposant de Lyapunov il indique le taux moyen de divergence.

– Si λ > 0 alors il y a une sensibilité aux conditions initiales.

– Si λ < 0 les trajectoires se rapprochent et on perd l’information sur les conditions

initiales.

2. Cas d’une application à multidimensionnelle :

On a les trajectoires multidimensionnelle du type :

f : Rm → Rm
xk+1 = f (xk ).

Pour avoir du chaos, il est nécessaire qu’il existe au moins λ est positif et leurs
somme est négative. Un attracteur étrange possède toujours au moins trois λ, il
est admet un au moins positif.

– Tel que : λ est exposant de Lyapunov.

21
 CHAPITRE 1. SYSTÈME DYNAMIQUE

Soient A(x) la matrice jacobienne de f ; les valeurs propres de A( f k (x)) sont Λi ( f k (x))
tel que : i = 1 . . . m. Ordonnées dans l’ordre décroissant suivant leur module. Alors les
m exposants de Lyapunov orbite f k (x), k = 0, 1, 2, ..., sont définies par :

1
 
λi = lim N
ln |Λi ( f (x))| ; i = 1, . . . , m.
N→∞ N

3. Cas d’un système différentiel :

Soit le système d’équations différentielles suivantes :

f : Rm → Rm
ẋ = f (x).

L’exposant de Lyapunov dans la direction j donné par ϑ j :

1 kϑ j (t)k
λ j = lim ln ; j = 1, . . . , m.
t→∞ t kϑ j (t0 )k

A(x) est la matrice jacobienne de f au point x, avec les vecteurs ϑ j (t) se transforment
d’après la formule :

ϑ̇ j (t) = A(x)ϑ j (t); j = 1, . . . , m.

Les vecteurs ϑ j ; j = 1, . . . , m sont définis par :

ϑ1 (t) = (1, 0, 0, . . . , 0),

ϑ2 (t) = (0, 1, 0, . . . , 0),
..
.
ϑm (t) = (0, 0, 0, . . . , 1).

22
 CHAPITRE 1. SYSTÈME DYNAMIQUE

Pour éviter la divergence, à chaque itération, les vecteurs ϑ1 (t), . . . , ϑm (t) seront ortho-
normés par le procédé de Gram-Schmidt :

ϑ1
ϑ01 = ,
kϑ1 k
ϑ2 − (ϑ2 , ϑ01 )ϑ01
ϑ02 = ,
kϑ2 − (ϑ2 , ϑ01 )ϑ01 k
..
.
ϑm − (ϑm , ϑ0m−1 )ϑ0m−1 − . . . − (ϑ2 , ϑ01 )ϑ01
ϑ0m = .
kϑm − (ϑm , ϑ0m−1 )ϑ0m−1 − . . . − (ϑ2 , ϑ01 )ϑ01 k

1.8 Dimensions fractales des attracteurs étranges

Une dimension fractionnaire (fractale) est une simple extension de ce que l’on
conçoit dans un espace à 3 dimension, il existe plusieurs définition pour la dimension
fractale, ceux qui définissent la dimension d’un ensemble, cet ensemble peut être un
sous ensemble d’un espace métrique quelconque, un attracteur ou non.
Habituellement on dit qu’on définit la dimension fractale d’un attracteur, il existe
plusieurs type de dimension pour les attracteurs chaotique parmi celle ci [2] :
a. Dimension de Mori

Soient m0 le nombre des exposants de Lyapunov qui sont nuls, m+ le nombre

d’exposants positifs, λ+ la moyenne des exposants positifs, λ− la moyenne des
exposants négatifs.
La dimension de Mori est donnée par la relation suivante :

λ+
!
DM0 = m0 + m+ 1 + .
|λ− |
b. Dimension de Kaplan et Yorke

La dimension de Kaplan et Yorke défini par la relation :

P j0
i=1
λi
DKY = j0 + .
|λ j0 +1 |

23
 CHAPITRE 1. SYSTÈME DYNAMIQUE

où j0 un entier positif qui satisfait :

j0 j0 +1
X X
λi ≥ 0 et λi < 0.
i=1 i=1

Etat stable Attracteur Dimension Exposants de Lyapunov

Point d’équilibre Point 0 λm ≤ . . . ≤ λ1 < 0
Périodique Cercle 1 λ1 = 0, λm ≤ . . . ≤ λ2 < 0
Période d’ordre 1 Tore 2 λ1 = λ2 = 0, λm ≤ . . . ≤ λ3 < 0
Période d’ordre K K-Tore k λ1 = . . . =PλK = 0, λm ≤ . . . < λK+1 < 0
m
Chaotique Non entier λ1 > 0, i=1 λi < P
0
m
Hyper chaotique Non entier λ1 > 0, λ2 > 0, i=1 λi < 0

Table 1.1 – Exposants de Lyapunov et Dimensions.

24
 CHAPITRE 2

THÉORIE DU CONTRÔLE

En mathématiques, le contrôle désigne la théorie qui vise à comprendre la façon

dont une commande de permet aux humains d’agir sur un système qu’ils souhaitent
maîtriser. Cette définition recouvre naturellement de très nombreux champs d’applica-
tions ; un ingénieur pourra vouloir contrôler un système mécanique en lui appliquant
des forces.....
La théorie du contrôle est une branche de la théorie des système qui a pour objet
l’étude du comportement des systèmes dynamiques, le but étant alors d’amener le
système d’un état initial à un état final, en respectant un certain cahier des charges
(stabilité, rapidité, performances).

2.1 Contrôlabilité
Le problème de la contrôlabilité est le suivant :
étant donnés deux états x0 , x1 ∈ Rn existe-t-il un temps T et un contrôle admissible u
tel que la trajectoire xu (t) associée a ce contrôle joigne x0 = x(0) à x1 = x(T) ? c’est le
problème de contrôlabilité.

2.1.1 Système de Contrôle

Un système de contrôle est un système dynamique différentiel dépendant d’un
paramètre appelé contrôle de la forme :

ẋ(t) = f (t, x(t), u(t)); x(t) ∈ H, u(t) ∈ V. (2.1)

25
 CHAPITRE 2. THÉORIE DU CONTRÔLE

telle que H est un ouvert convexe de Rn , x(t) est un vecteur des états appartient à une
variété différentielle H et u(t) le contrôle appartiennent à un ensemble de contrôles
admissibles V, qui est un ensemble de fonctions localement intégrables définie sur
[0, +∞[ à valeurs dans U ⊂ Rm .
On suppose que f est le champ du vecteur est suffisamment régulier de sorte que
pour toute condition initiale x0 ∈ H et tout contrôle admissible u(.) ∈ V. Le système (2.1)
admet a une solution unique x(t) avec x(0) = x0 . On notera cette solution x(t, x0 , u(0))
est définie sur [0, +∞[ .

Définition 2.1.1. [14].

Soit A ∈ C0m (Mn (R), [0, T]) et B ∈ C0m (Mn,m (R), [0, T]), et la condition initiale x0 dans H = Rn
d’un état x(t). La fonction u ∈ L2 (0, T; U) est appelée contrôle du système (2.2). En déduire un
système de contrôle défini sur [0, T], tell que T > 0 on a :

 ẋ(t) = A(t)x(t) + B(t)u(t),


(2.2)
 x(0) = x0 ,



la solution de système du contrôle dépend de la donnée initiale et du second membre et peut

s’exprimer par la formule :
Rt
x(t, x0 , u) = F(t, 0)x0 + 0
F(t, s)B(s)u(s)ds, t ∈ [0, T].

Où F est la matrice résolvante du système :

dF

(t, s) = A(t)F(t, s),



dt


 F(s, s) = I.



Définition 2.1.2. [14].

On dira que le Contrôle u transfère un état ”b” à un état ”c” au temps T > 0 si :

x(T; b, u) = c.

On dit aussi que l’état ”c” est atteignable à partir de ”b” au temps T.

Définition 2.1.3. [14].

Si pour tout b ∈ H et tout c ∈ H, il existe une fonction de contrôle u ∈ L2 (0, T; U), telle que :

x(T; b, u) = c.

Donc le système (2.2) est contrôlable au temps T > 0, on dit aussi que la paire (A, B) est

26
 CHAPITRE 2. THÉORIE DU CONTRÔLE

contrôlable au temps T > 0.

Considérons sur (0, T) le système différentiel suivant :

 ẋ(t) = A(t)x(t) + B(t)u(t),


 x(0) = 0,



la solution peut s’écrire pour tout t ∈ [0, T] :

x(t, u) = Lt u,

où Lt est l’opérateur linéaire borné défini par :


2
 L (0, t; U) → H,


Lt :  Rt
u → 0 F(t, s)B(s)u(s)ds.



Proposition 2.1.1. Le système (2.2) est contrôlable au temps T > 0 si et seulement si

l’opérateur LT est surjectif.

Preuve 2.1.1. Soit b, c ∈ H deux états quelconques, l’équation en u suivant :

x(T, b, u) = c, (2.3)

b une solution dans L2 (0, T; U) si et seulement si l’équation :

LT u = c − F(T, 0)b, (2.4)

b une solution dans L2 (0, T; U).

Donc d’après Équivalence des équations (2.3) et (2.4) entraine la proposition.

• L’opérateur adjoint de LT :
L’opérateur adjoint de LT est défini par :

2
 H → L (0, T; U),


∗
LT : 
 y → L∗ y = ν,

T

où ν est défini par :

< L∗T y, u >= (y, LT u); ∀u ∈ L2 (0, T; U), ∀y ∈ H.

Où <, > désigne le produit scalaire dans L2 (0, T; U) et (, ) désigne le produit scalaire
dans H.

27
 CHAPITRE 2. THÉORIE DU CONTRÔLE

On a :
Z T !
(y, LT u) = y, F(T, s)B(s)u(s)ds
0
Z T
= (y, F(T, s)B(s)u(s))ds
0
Z T
= (B∗ (s)F∗ (T, s)y, u(s))ds
0
= < B∗ (.)F∗ (T, .)y, u(.) >,

où B∗ (t) (resp : F∗ (t, s)) est la matrice adjointe de B(t) (resp : F(t, s)). Alors :

L∗T = B∗ (.)F∗ (T, .).

D’abord on calcule F∗ (T, s)y = w(s) qui est, par définition de F∗ .

La solution du système différentiel :

 w

 0
= −A∗ (s)w, s ∈ (0, T),
 w(T) = y.



Ainsi : 



 ν = B∗ (.)w (0, T),

ν = L∗T y

⇔  w
0
= −A∗ (s)w, s ∈ (0, T),
 

 

 w(T) = y.

 



2.1.2 Contrôlabilité des systèmes linéaires

Les théorèmes d’existence de solutions d’équation différentielle nous assurent
que, pour tout contrôle u l’existence sur I d’une unique solution x(.) : I → Rn de
système (2.2) absolument continue tel que :
Z t
x(t) = F(t)x0 + F(t)F−1 (s)(B(s)u(s))ds,
0

pour tout t ∈ I, où F(t) ∈ Fn (R) et la résolvante du système linéaire homogène

ẋ(t) = A(t)x(t), définie par :

 Ḟ(t) = A(t)F(t),


 F(0) = Id.



Définition 2.1.4. [15] (Ensemble accessible)

L’ensemble des points accessibles à partir de x0 en un temps T > 0 est défini par :

28
 CHAPITRE 2. THÉORIE DU CONTRÔLE

Acc(x0 , T) = {xu (T)|u ∈ L∞ ([0, T], U)}.

Où xu (.) est la solution associée au contrôle u du système :


 ẋ(t) = A(t)x(t) + B(t)u(t),


(2.5)
 x(0) = x0 .



Autrement dit Acc(x0 , T) est l’ensemble des extrémités des solutions de (2.5) au temps T.

Définition 2.1.5. [15] (La contrôlabilité)

Le système contrôlé ẋ(t) = A(t)x(t)+B(t)u(t) est dit contrôlable en temps T si Acc(x0 , T) = Rn .
i.e. pour tous x0 , x1 ∈ Rn , il existe un contrôle u tel que la trajectoire associée relie x0 à x1 en
temps T.

2.1.3 Contrôlabilité des systèmes linéaires autonomes

Le critère de Kalman
Le théorème suivant nous donne une condition nécessaire et suffisante de contrôla-
bilité dans le cas où A et B ne dépendent pas de t.

Théorème 2.1.1. [15]

Le système ẋ(t) = Ax(t) + Bu(t) est contrôlable en temps T si et seulement si :

rangC = rang[B, AB, A2 B, . . . , An−1 B] = n. (2.6)

La matrice C d’ordre n × nm est appelée matrice de Kalman, et la condition rangC = n est

appelée condition de Kalman.

Remarque 2.1.1. La condition de Kalman dépend de A et B mais pas de T > 0. Autrement dit,
si un système linéaire autonome est contrôlable en temps T depuis x0 , alors il est contrôlable en
tout temps depuis tout point.

2.1.4 Contrôlabilité des systèmes linéaires non-autonomes

Théorème 2.1.2. Considérons le système :

 ẋ = A(t)x(t) + B(t)u(t),


(2.7)
 x(0) = x0 ,



29
 CHAPITRE 2. THÉORIE DU CONTRÔLE

avec les application A ∈ Cn−2 (Mn (R), [0, T]) et B ∈ Cn−1 (Mn,m (R), [0, T]). Définissons par
récurrence :
dBk (t)
B0 (t) = B(t) et Bk+1 (t) = A(t)Bk (t) − .
dt

– Si il existe un intervalle [a, b] ⊂ [0, T] (a < b) tel que :

rangC(t) = rang[B0 (t), B1 (t), . . . Bn−1 (t)] = n; t ∈ [a, b].

Alors le système de contrôle (2.7) est contrôlable sur [0, T].

2.1.5 Contrôlabilité des systèmes non linéaires

Soit le système de contrôle non linéaire suivant :

 ẋ(t) = f (t, x(t), u(t)),


(2.8)
 x(0) = x0 .



Définition 2.1.6. On dit que le système non linéaire est contrôlable en temps T > 0 si :

Acc(x0 , T) = Rn .

Théorème 2.1.3. [16]

Supposons qu’il existe u0 ∈ Rm et f (x0 , u0 ) = 0. On note

df df
A= (x0 , u0 ) et B= (x0 , u0 ).
dx du

Si rang[B, AB, A2 B, . . . , An−1 B] = n.

Alors le système linéaire ẋ = Ax + Bu est contrôlable donc le système non linéaire (2.8)est
localement contrôlable en x0 .
Notre que la contrôlabilité du linéarisé n’est pas une condition nécessaire de contrôlabilité du
système non linéaire.
En fait pour les systèmes non linéaires, il existe un critère simple rappelant le critère de Kalman,
qui permet d’abord questions de contrôlabilité.

30
 CHAPITRE 2. THÉORIE DU CONTRÔLE

2.2 Stabilisation des systèmes de contrôle

2.2.1 Stabilisation des systèmes linéaires

Définition 2.2.1. [17]
Soit le système :

 ẋ(t) = Ax(t) + Bu(t),


(2.9)
 x(t) ∈ Rn , u(t) ∈ Rm , A ∈ Mn (R), B ∈ Mn,m (R).



Est dit stabilisable par retour d’état linéaire (feedback), s’il existe K ∈ Mn,m (R) tel que le système
par le feedback u(t) = Kx(t) i.e :
ẋ(t) = (A + BK)x(t).

Soit asymptotiquement stable, i.e :

∀λ ∈ Spec(A + BK), Re(λ) < 0.

Théorème 2.2.1. [17] (Théorème de placement de pôles, pole-shifting théorèm)

Si le paire (A, B) satisfait la condition de Kalman (rang[B, AB, A2 B, . . . , An−1 B] = n), alors
pour tout polynôme réel P unitaire de degré n, il existe K ∈ Mn,m (R) tel que le polynôme
caractéristique de A + BK est égale à P.

Corollaire 2.2.1. [16]

Si le système de contrôle (2.9) est contrôlable alors il est stabilisable.

Exemple :
Soit le système écrit par l’équation :

ẋ(t) = Ax(t) + Bu(t),

où    
 1 0
 et B =  1  .
  
A =    
1 0 0

Nous avons n = 2 états et m = 2. Ce système est-il contrôlable et stabilisable ?

on a :     
 1 0   1   1 
AB =     = 
   
 ,

1 0 0 1

et la matrice de contrôlabilité du système est :

31
 CHAPITRE 2. THÉORIE DU CONTRÔLE

 
 1 1 
C = [B, AB] =   ,

0 1

et on a detC = 1 , 0. Alors rangC = 2 donc le système est contrôlable.

Par conséquence le système est stabilisable.

2.2.2 Stabilisation des systèmes non linéaires

Considérons le système de contrôle non linéaire :

ẋ(t) = f (x(t), u(t)),

et soit (xε , uε ) un point d’équilibre pour lequel f (xε , uε ) = 0. Le système linéarisé en ce

point est :
ẏ(t) = Ay(t) + Bv(t),

où

df df
A= (xε , uε ) et B = (xε , uε ).
dx du
Théorème 2.2.2. [17]
Si le système linéarisé est stabilisable par le feedback v = Ky alors (xε , uε ) est localement
asymptotiquement stable pour le système bouclé :

ẋ(t) = f (x(t), K(x(t) − xε ) + uε ).

32
 CHAPITRE 3

CONTRÔLE ADAPTATIF DU CHAOS

DANS LE CIRCUIT DE CHUA

3.1 Introduction

u cours des dernières décennies, beaucoup d’efforts ont été consacrés à l’étude des
A systèmes chaotiques non linéaires. Alors que de plus en plus de connaissances
sont acquises sur la nature du chaos, les intérêts récents se concentrent désormais sur
le contrôle d’un système chaotique, c’est-à-dire amener l’état chaotique à un point
d’équilibre ou à un petit cycle limite.
Après le travail de pionnier sur le contrôle du chaos, il y a eu de nombreuses autres
tentatives pour contrôler les systèmes chaotiques. Ces tentatives peuvent être classées
en deux flux principaux : le premier est la perturbation des paramètres, et le second est
le contrôle adaptatif sur un système chaotique original.
En 1983, l’ingénieur Leon Ong Chua a mis au point le plus simple circuit électronique
[18], et le circuit de Chua a été étudié de manière approfondie en tant que système
électronique prototypique. Chen et Dong [19] ont appliqué le contrôle de rétroaction
linéaire pour guider la trajectoire chaotique du système de circuits à un cycle limite.
Hwang et al [20] a proposé un contrôle de rétroaction sur un circuit modifié de Chua
pour faire glisser la trajectoire chaotique vers ses points fixes. He et al [21] a proposé
un contrôle de suivi adaptatif pour une classe de systèmes chaotiques de Chua. Dans le
même temps, la technologie de contrôle adaptatif pour les systèmes de chaos a connu
des développements rapides.

33
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

Pour réaliser une étude de contrôle du système de Chua, il existe de nombreuses

façons de trouver des lois pour contrôler afin de déterminer la stabilité. Dans ce chapitre,
nous étudions et expliquons les propriétés de base du système de Chua, qui est un
simple système autonome 3D. Nous dérivons ensuite la loi de contrôle adaptatif pour
prouvée la stabilité asymptotique avec la théorie de Lyapunov, et le système peut être
trainé vers l’un des ses trois point d’équilibre instables.

3.2 Système de Chua

3.2.1 Modélisation du circuit de Chua

Le circuit de Chua est un système électronique non linéaire, qu’affiche des phé-
nomènes de bifurcation et de chaos. De ce fait, on été utilisé pour sécuriser les commu-
nications.
Ce circuit électronique est respecte certaines conditions pour montrer un comportement
chaotique, appelés critères chaotique, montré à la figure (3.1). Il doit contenir :
– Un inductance L.
– Deux condensateurs (capacités) C1 et C2 .
– Une résistance linéaire R et une résistance non linéaire NL appelée diode de Chua.

Figure 3.1 – Le circuit de Chua.

34
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

3.2.2 Etude de la diode de Chua

Il y a plusieurs exemples des résistances non linéaires utilisés dans ce circuit,
mais elles ont toutes la même fonction courant tension. Bien que la fonction h(v1 ) soit
en fonction de la tension aux bornes de la résistance non linéaire NL , que présente la
caractéristique volt-ampère suivant :

1  m1 , |u| < E,
i 
G= = =

(3.1)
R u  m0 , |u| > E,


où, u et i respectivement, sont la tension aux bornes de NL et le courant passant par NL

et E une constante positive. La caractéristique de NL est illustrée à la figure (3.2).

Figure 3.2 – Représentation de la fonction non linéaire iNL = h(v1 ).

35
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

Cette fonction non linéaire est donnée par la formule suivante :





 m0 v1 + E(m1 − m0 ), v1 > E,
= h(v1 ) = 

iNL m1 v1 , |v1 | ≤ E, (3.2)



 m0 v1 − E(m1 − m0 ), v1 < −E.



D’après la loi de Kirchoff :

X X
Ientrée = Isortie (la loi des nœuds).

Où : 
 iL = ic2 + iR ,


 iR = ic + iN .


1 L

Donc l’étude du comportement du circuit revient à étudier la variation de ces gran-

deurs. On obtient les relations suivantes :

dv1
 iC1 = C1 dt ,




 dv2
 iC2 = C2 .



dt
Avec : 
(v2 − v1 )
=


 i C1
− h(v1 ),
R


 (v1 − v2 )
 iC2 = + iL .



R
La tension aux bornes de l’inductance est donnée comme suit :

diL
vL = −vc2 ⇒ L = −v2 .
dt

Donc la dynamique des systèmes de circuit de Chua peut être obtenue par les trois
équations données par :

dv1 (v2 − v1 )
=


 C1 − h(v1 ),
dt R



dv2 (v1 − v2 )


= + iL , (3.3)

 C2

 dt R
diL


= −v2 ,

 L


dt

où v1 et v2 sont les tension aux bornes de C1 et C2 , respectivement, et iL est le courant

traversant l’inductance L.
Afin de simplifier la notation, on pose x = v1 , y = v2 , z = RiL .
D’où, le circuit de Chua peut être représenté par l’ensemble des équations non linéaires

36
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

suivantes :

(y − x) dx 1 h(x)
 
dx
= = (y − x) − ,
 

 C1 − h(x), 



 dt R


 dt RC1 C1
dy (x − y) z dy 1

 

= + , ⇒ = (x − y + z),
 
 C2 


 dt R R 

 dt RC2
 L dz 
dz R
= −y,
 
= − y.

 

 
R dt dt L
Lors de l’intégration du système, la variable temporelle est en fonction du paramètre
de chargement du condensateur C2 . On obtient les formules suivant :

dx C2

RC = (y − x − Rh(x)),


 2


 dt C1
dy


= x − y + z,

 RC2

 dt
R2 C2


 dz
 RC2 = − y.


dt L

C2 R2 C2 t
On pose p = ,q= , a = m1 R, b = m0 R, et τ = .
C1 L RC2
Le modèle de système du circuit de Chua devient :

dx
= p(y − x − f (x)),



dτ




 dy
= x − y + z, (3.4)



 dτ
dz


= −qy,



dτ


où la différentiel est par rapport à la variable τ et f (x) est fonction non linéaire comme :




 bx + E(a − b), x > E,
f (x) = 

 ax, |x| ≤ E, (3.5)


 bx − E(a − b), x < −E.



Attracteur du circuit de Chua :

Pour tracé les attracteurs étranges de système du circuit de Chua (3.4), nous avons
100 −8 −5
pris les valeurs des paramètres comme p = 10, q = ,a = et b = avec les condi-
7 7 7
tions initiales comme x(0) = 0.7, y(0) = 0 et z(0) = 0 on ajoute dans les équations (3.4) le
système de Chua montre un comportement chaotique.

37
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

z
-2

-4
0.5
4
0 2
0
-2
y -0.5 -4 x

Figure 3.3 – L’attracteur chaotique du système de Chua dans 3-D.

0.5

0.4

0.3

0.2

0.1

0
y

-0.1

-0.2

-0.3

-0.4

-0.5
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
x

Figure 3.4 – Projection 2-D du système de Chua sur un plan (x,y).

38
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

0
z

-1

-2

-3

-4
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
x

Figure 3.5 – Projection 2-D du système de Chua sur un plan (x,z).

39
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

0
z

-1

-2

-3

-4
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
y

Figure 3.6 – Projection 2-D du système de Chua sur un plan (y,z).

Théorème 3.2.1. [22] Pour le système de circuit de Chua décrit par (3.4) et (3.5), son premier
exposant Lyapunov est un nombre réel positif, c’est-à-dire que la trajectoire du système a des
comportements chaotiques.

3.3 Propriétés du système de Chua

3.3.1 Calcul les points d’équilibres

Pour calcul les points d’équilibres de système du Chua (3.4), on pose E = 1 et
résoudre le système suivante :

p(y − x − f (x)) = 0, (3.6)






x − y + z = 0,

(3.7)





 −qy = 0,

(3.8)

40
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

avec : 



 bx + a − b, x > 1,
f (x) = 

ax, |x| ≤ 1,



 bx − a + b, x < −1.



De la relation (3.8) nous trouvons :

y = 0.

On remplace y dans (3.7) et (3.6) on a :

z = −x,

et
p(−x − f (x)) = 0.

• Si x > 1 :

p(x(−1 − b) − a + b) = 0 =⇒ x(−1 − b) − a + b = 0,
b−a
=⇒ x= ,
1+b
b−a
on pose : c = .
1+b

Donc le point d’équilibre est : (c, 0, −c).

• Si |x| ≤ 1 :

p(x(−1 − a)) = 0 =⇒ x(−1 − a) = 0,





 x = 0,
=⇒ 

ou



 −1 − a = 0.



∗ Si x = 0 =⇒ z = 0, y = 0.
∗ Si −1 − a = 0 =⇒ a = −1 (rejetée).
Donc le point d’équilibre est : (0, 0, 0).
• Si x < −1 :

p(x(−1 − b) + a − b) = 0 =⇒ x(−1 − b) + a − b = 0,
b−a
=⇒ x=− = −c.
1+b

Donc le point d’équilibre est : (−c, 0, c).

41
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

     
 0   c   −c 
     
E1  0  , E2  0  , E3  0  .
     
Par conséquence il y a trois points d’équilibre :   
     
0 −c c
  

3.3.2 Stabilité des points d’équilibre

La matrice jacobienne du système (3.4) en x est donnée par :

 
 −p(m + 1) p 0 
 
J(x) =  1  ,
 
−1 1 
 
0 −q 0


avec : 
 a, |x| ≤ 1,

m=

 b, |x| > 1.


Stabilité de l’origine

La matrice jacobienne chez E1 est donne par :

 
 −p(a + 1) p 0 
 
J1 =  1  ,
 
−1 1 
 
0 −q 0


100 −8
nous considérons les paramétrés suivants : p = 10, q = ,a = alors la matrice
7 7
Jacobienne est obtenu sous la forme :

42
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

 
 1.4286 10 0 
 
J1 = J(E1 ) =  1 0  =⇒ P(λ) = det(J1 − λI)
 
−1
 
0 −14.2857 0
 

1.4286 − λ 10 0
=⇒ P(λ) = 1 −1 − λ 1
0 −14.2857 −λ

−1 − λ 1 1 1
=⇒ P(λ) = (1.4286 − λ) − 10 ,
−14.2857 −λ 0 −λ

donc :
P(λ) = −(λ3 − 0.4286λ2 + 2.8571λ − 20.4086).

On pose A = −0.4286, B = 2.8571, C = −20.4086.

D’après le critère de Routh-Hurwitz on a :




 A = −0.4286 < 0,

C = −20.4086 < 0,




 AB − C = 19.1840 > 0,



donc les parties réelles des racines de ce polynôme n’est pas négative, c’est à dire le
point d’équilibre E1 est instable.

Stabilité des deux autres points d’équilibre

La matrice jacobienne chez deux point d’équilibre E2 et E3 est donne par :

 
 −p(b + 1) p 0 
 
J2 = J3 =  1  ,
 
−1 0 
 
0 −q 0


100 −5
nous considérons les paramétrés suivants : p = 10, q = ,b = alors la matrice
7 7
Jacobienne est obtenu sous la forme :

43
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

 
 −2.8571 10 0 
 
J2 = J(E2 ) = J(E3 ) =  1
 
−1 1 
 
0 −14.2857 0
 

=⇒ P(λ) = det(J2 − λI)

−2.8571 − λ 10 0
=⇒ P(λ) = 1 −1 − λ 1
0 −14.2857 −λ

−1 − λ 1 1 1
=⇒ P(λ) = (−2.8571 − λ) − 10 ,
−14.2857 −λ 0 −λ

donc :
P(λ) = −(λ3 + 3.8571λ2 + 7.1428λ + 40.8157).

On pose A = 3.8571, B = 7.1428, C = 40.8157.

D’après le critère de Routh-Hurwitz on a :




 A = 3.8571 > 0,

C = 40.8157 > 0,




 AB − C = −13.2652 < 0,



donc les parties réelles des racines de ce polynôme n’est pas négative, c’est à dire le
point d’équilibre E2 et E3 est instable.

3.3.3 Dissipativité
En notation vectorielle, on peut exprimer le système (3.4) par :

 
 f1 (x, y, z) 
dx
 
= f (x) =  f2 (x, y, z)  ,
 
(3.9)
dt  

f3 (x, y, z)


où

44
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA





 f1 (x, y, z) = p(y − x(1 + m)),

f2 (x, y, z) = x − y + z, (3.10)




 f3 (x, y, z) = −qy.



La divergence du système de circuit de Chua (3.4) est facilement trouvée comme :

∂ f1 ∂ f2 ∂ f3
∇. f = + + ,
dx dy dz (3.11)
= −p(1 + m) − 1 = −(p(1 + m) + 1) = −µ < 0.

Où

µ = p(1 + m) + 1 > 0. (3.12)

Comme p et m sont des paramètres positifs.

Soit Ω n’importe quelle région de R3 avec une limite lisse et aussi Ω(t) = Φt (Ω), où
Φt est le flux de f .
De plus, notons V(t) le volume de Ω(t).
Selon le théorème de Liouville (Green-Ostrogradski)[21] , nous avons :
Z
dV
= (∇. f )dxdydz. (3.13)
dt Ω(t)

En substituant (3.11) en (3.13), on obtient le premier ordre ODE :

dV
= −µV(t). (3.14)
dt

En intégrant (3.14), nous obtenons la solution unique :

Z Z
1 1
dV = −µdt =⇒ dV = −µdt,
V(t) V(t)
=⇒ ln V(t) = −µt + v0 ,
=⇒ V(t) = exp(−µt + v0 ),
=⇒ V(t) = exp(−µt)V(0). (3.15)

Puisque µ > 0, il s’ensuit que V(t) → 0 exponentiellement comme t → ∞.

Cela montre que le système de Chua (3.4) est dissipatif.

45
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

3.3.4 Exposant de Lyapunov et dimension de Kaplan-Yorke

Nous prenons les valeurs des paramètres du système de Chua (3.4) comme dans le
−8 −5 100
cas chaotique ie : a = ,b= , p = 10, et q = .
7 7 7
Nous choisissons les valeurs initiales de l’état comme : x(0) = 0.7, y(0) = 0, z(0) = 0.
Alors les exposants de Lyapunov du système (3.4) sont obtenus en utilisant MATLAB
en tant que :

L1 = 0.2, L2 ' 0, L3 = −4.3. (3.16)

L’eq (3.16) montre que le système (3.4) est chaotique, car il à un exposant de Lyapunov
positif L1 . Puisque la somme de l’exposant de Lyapunov est négatif (L1 + L2 + L3 =
−4.1 < 0), le système de circuit de Chua (3.4) est un système chaotique dissipatif.
La dimension Kaplan-Yorke du système de Chua (3.4) est calculée comme suit :

P j0
Li > 0
DKY = j0 + P ji=1 .
0 +1
| i=1 Li < 0|

D’apre la relation (3.16) j0 = 2.

L1 + L2
DKY = 2 + ,
|L3 |
DKY = 2.046

La dynamique du l’exposant de Lyapunov est représentée sur la figure (3.7).

46
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

Lyapunov exponents versus <

1

0
Lyapunov exponents

-1

-2

-3

-4

-5
0 10 20 30 40 50 60 70 80 90 100
<

Figure 3.7 – Exposant de Lyapunov.

3.4 Contrôle du chaos dans le circuit de Chua

Lorsque le contrôle adaptative est ajoutée au système (3.4), le système de circuit
contrôlé de Chua en boucle fermée peut être écrit comme :




 ẋ = p(y − x − f (x)) + u1 ,

ẏ = x − y + z + u2 , (3.17)




 ż = −qy + u3 ,



où p, q sont des paramètres constants inconnus, et u1 ,u2 , u3 sont des contrôles adap-
tatifs calculées en fonction des états du système. Il est souhaitable que les contrôles
adaptatifs puissent faire glisser la trajectoire chaotique du système de circuits de Chua
(3.4) vers l’un de ses trois points d’équilibres instables. C’est-à-dire que les entrées
peuvent changer trois points d’équilibres instables du système en boucle ouverte (3.4)
en points d’équilibres stables du système de circuits de Chua en boucle fermée (3.17).

3.4.1 Contrôle adaptatif

Dans cette section, nous dérivons une loi de contrôle adaptative pour stabiliser
globalement le système du circuit de Chua en boucle fermée (3.17) avec paramètres

47
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

système inconnus. La théorie de la stabilité de Lyapunov est appliquée pour établir le

résultat principal de cette section.
Nous considérons le contrôle adaptatif définie par :




 u1 = −bp(t)(y − x − f (x)) − k1 x,

u2 = −x + y − z − k2 y, (3.18)




 u3 = b

q(t)y − k3 z,


où k1 , k2 , k3 sont des constantes de gain positives et b

p(t), b
q(t) sont d’estimation des
paramètres inconnus p, q respectivement.
Le système en boucle fermé est obtenu en remplaçant (3.18) par (3.17) comme :




 ẋ = p(y − x − f (x)) − b p(t)(y − x − f (x)) − k1 x,

ẏ = 
x −
y + z
− 
x +
y − z
− k2 y, (3.19)




 ż = −qy + b

q(t)y − k3 z.


Alors :




 ẋ = (p − b
p(t))(y − x − f (x)) − k1 x,

ẏ = −k2 y, (3.20)




 ż = −(q − b

q(t))y − k3 z.


Nous définissons les erreurs des estimations des paramètres comme suit :

 e1 (t) = (p − b
p(t)),


(3.21)
 e2 (t) = (q − b

q(t)).


En différenciant (3.21) par rapport à t, on obtient :

db
p(t)

= ,


 e˙1 (t) −
dt

(3.22)


 db
q(t)
 e˙2 (t) = − .


dt

En utilisant (3.21), nous récrivons le système en boucle fermée (3.20) comme suit :




 ẋ = e1 (y − x − f (x)) − k1 x,

ẏ = −k2 y, (3.23)




 ż = −e2 y − k3 z.



48
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

Nous considérons la fonction de Lyapunov quadratique donnée par :

1
V = (x2 + y2 + z2 + e21 + e22 ), (3.24)
2
ce qui est définie positive sur R5 .

Théorème 3.4.1. Le système de circuit du Chua (3.17) avec paramètres inconnus stabilisés
globalement et de manière exponentielle par la loi de contrôle adaptative (3.18) et le paramètre
loi de mise à jour (3.27), où k1 , k2 , k3 sont des constantes positives.

Preuve 3.4.1. D’après la théorie de la stabilité de Lyapunov.

Nous considérons la fonction de Lyapunov quadratique V définie par (3.24), ce qui est positif
et défini sur R5 .
En différenciant V le long de la trajectoire de (3.23) et (3.22), on obtient :

V̇ = xẋ + y ẏ + zż + e1 ė1 + e2 ė2

db
p(t)
= x(e1 (y − x − f (x)) − k1 x) + y(−k2 y) + z(−e2 y − k3 z) + e1 (− )
dt
db
q(t)
+e2 (− )
dt

Alors :
" # " #
db
p(t) db
q(t)
V̇ = e1 x(y − x − f (x)) − + e2 −yz −
dt dt
−k1 x2 − k2 y2 − k3 z2 (3.25)

Pour la dérivé de la fonction de Lyapunov négative nous considérons :

db
p(t)

= 0,


 x(y − x − f (x)) −
dt

(3.26)


 db
q(t)
= 0.

 −yz −

dt

Alors de (3.26), nous prenons la loi de mise à jour des paramètres comme suit :

db
p(t)

= x(y − x − f (x)),



 dt

(3.27)

 db
q(t)
= −yz.



dt

49
 CHAPITRE 3. CONTRÔLE ADAPTATIF DU CHAOS DANS LE CIRCUIT DE CHUA

Substitution de la loi mise à jour des paramètres (3.27) à (3.25), on obtient V̇ comme :

V̇ = −k1 x2 − k2 y2 − k3 z2 ,
= −(k1 x2 + k2 y2 + k3 z2 ) < 0, (3.28)

puisque k1 , k2 , k3 sont défini positive et V > 0 donc le système (3.17) est asymptotiquement
stable.

3.5 Conclusions
L’avantage de l’utilisation du contrôle adaptatif est que l’on peut amener l’état
du système loin du mouvement chaotique et dans n’importe quel point d’équilibre
souhaité. Dans ce chapitre, nous avons proposé un système de Chua 3-D, les propriétés
qualitatives du Chua ont été discutées. L’exposant Lyapunov du système de Chua 3-D
a été obtenu au fur et à mesure que la dimension Kalpan-Yorke du système de Chua 3-D
a été dérivée car le contrôleur adaptatif pour contrôler le chaos dans le circuit de Chua
avec des paramètres inconnus. La théorie de Lyapunov montre que, dans le système en
boucle fermée, l’état du système converge asymptotiquement vers le point d’équilibre
souhaité.

50
 CONCLUSION GÉNÉRALE

e contrôle du chaos fait référence à la manipulation du comportement dynamique

L du système chaotique pour le but la suppression du chaos. Et le travail développe
dans le cadre de cette mémoire a en pour objectif l’étude de contrôle adaptatif du chaos
dans le circuit de Chua.
Nous avons présenté dans le première chapitre, les principales définitions mathé-
matiques relatives aux systèmes dynamiques, notamment des notions préliminaires
pour l’analyse du comportement chaotique.
Le deuxième chapitre traite de la théorie du contrôle, qui a pour but de rendre le
système insensible à tout inconvénient et d’obtenir ainsi un système stable et ce à tra-
vers "les définitions de système de contrôler et la contrôlabilité de système (linéaire et
non linéaire)".
La dernière chapitre du travail, c’est une application pour étudier le système du
Chua 3-D, nous avons aussi proposé les plus faibles des méthodes de contrôle du sys-
tème de Chua 3-D par la conception de contrôle adaptative pour objectif la stabilité
globale et conduire les trajectoires de système du Chua 3-D à converge vers le point
d’équilibre.

51
 BIBLIOGRAPHIE

[1] E. N. Lorenz, Deterministic non-periodic flow. Journal of the Atmospheric

Sciences,v. 20, N. 2, (1963), pp. 130–141.

[2] M. S. Abdelouahab ; les systèmes chaotiques à dérivées fractionnaires, Mémoire

de magistère, Université Mentouri-Constantine 1, (2009).

[3] J. L. Pac ; Systèmes dynamiques : Cours et exercices corrigés, ISBN 978-2-10-074477-

0, Dunod, Paris, (2016).

[4] H. Dang-Vu, C. Delcarte ; Bifurcations et chaos : Introduction à la dynamique

contemporaine avec des programmes en Pascal, Fortran et Mathématica, Ellipses,
(2000).

[5] M. S. Abdelouahab ; cour théorie de bifurcation et chaos, Centre Universitaire de

Mila, (2017).

[6] T. Menacer ; Synchronisation des systèmes chaotiques à dérivées fractionnaires,

Thèse de Doctorat, Univ Mentouri-Constantine 1, (2014).

[7] T. Hamaizia ; Systèmes Dynamiques et Chaos ”Application à l’optimisation à

l’aide d’algorithme chaotique”, Thèse pour l’obtention de Doctorat, Université
de Constantine, (2003).

[8] J. P. Françoise ; oscillations en biologie : Analyse qualitative et modèles, Springer-

Verlag Berlin, Heidelberg, (2005).

[9] L. Perko ; Differential Equations and Dynamical Systems, Springer, (2006).

[10] C.Benhabib ; Étude d’un système chaotique pour la sécurisation des communica-
tions optiques, Mémoire de master, l’Université de Tlemcen, (2014), pp. 5-11.

[11] M. Ouerdia ; Étude et réalisation d’un système sécurisé à base de système chao-
tiques, Mémoire de magistère, Université Mouloud Mammeri Tizi-Ouzou, (2013).

52
 BIBLIOGRAPHIE

[12] A. Wolf, J. B. Swift, H. L. Swinney, et J. A. Vastano ; Determining Lyapunov Ex-

ponents from a time Series. Physica D : Nonlinear Phenomena, 16, (1985), pp
.285-317.

[13] G. C. Layek ; An introduction to dynamical systems and chaos, Springer, India,

(2015).

[14] A. K. Farid ; Une introduction à la théorie du contrôle, IUFM et Université de

Franche-Comté, Septembre (2005).

[15] E. Trelat ; Controle Optimal : Théorie et Applications, Vuibert, avril (2005).

[16] C. Lobry, T. Sati ; Une introduction ‘a la théorie du contrôle, (2004).

[17] C. Bennani ; Stabilisation et Estimation de l’état des Systèmes Dynamiques non

Linéaires et Applications, Mémoire de magister, Universite mouloud mammeri
Tisi-auzou, (2011).

[18] L. O. Chua, Komuro, M, Matsumoto, T. (1986). The double scroll family. IEEE
Transactions Circuits and systems.CAS-33(11), pp. 1073-1118.

[19] G. Chen, X. Dong ; From Chaos to ordre : perspectives and méthodologies in

controlling chaotic nonlinear dynamical system, International journal of bifurca-
tion and Chaos, V.3, N. 6, (1993), pp .1363-1369.

[20] C. C. Hwang, J. Y. Hsieh, and R. S. Lin ; A linear continuous feedback control of

Chua’s circuit, Chaos, Solitons and Fractals, V. 8, N. 9, (1997), pp. 1507-1515.

[21] N. He, Q. Gao, C. Gong, Y. Feng, and C. Jiang ; Adaptive tracking control for a
class of Chua’s chaotic systems, in Proceedings of the Chinese Control and Decision
Conference, (2009), pp. 4241-4243.

[22] M. A. Ouadah, N. Hamed Khodja ; Étude de la dynamique non linéaire générée

par l’association de deux (au plusieurs) générateurs de chaos, Mémoire de master,
Université Akli Mohand Oulhadj-Bouira, (2017).

[23] W. Guo, D. Liu ; Adaptive Control of Chaos in Chua’s Circuit, Institute of Computer
Science and Technology, China, (2011).

[24] E. BELORIZKY, OUTILS MATHÉMATIQUES, EDP sciences, 2007. ÅA.

˛

[25] V. Sundarapandian, R. Karthikeyan ; Analysis, Control, Synchronization and Lab-

view Implementation of a Seven-Term Novel Chaotic System, (2016), pp. 151-174.

53