IKH5989

RPUBLIQUE ALGRIENNE DMOCRATIQUE ET POPULAIRE
Ministre de lenseignement suprieur et de la recherche scientifique
Universit Mentouri de Constantine

Facult des sciences de lingnieur
Dpartement dlectronique
Thse
Prsente pour obtenir le diplme de Doctorat en Sciences
en Electronique
Option : Contrle
Synchronisation, Chaotification et Hyperchaotification des

Systmes Non-linaires : Mthodes et Applications
Par : IKHLEF Ameur

Devant le jury :
Prsident : A. Bennia Prof Universit Mentouri Constantine

Rapporteur : N. Mansouri Prof Universit Mentouri Constantine
Examinateurs : S. Boughaba M.C Universit Mentouri Constantine
A. Boukabou M.C Universit de Jijel
S. Ladaci M.C Universit de Skikda
2010 - 2011
Remerciement
Je pense en premier lieu Mme NORA MANSOURI, professeur au dpartement

dlectronique, universit de Constantine, que je remercie normment pour avoir encadr ce
travail de thse avec prcieux conseils et beaucoup de comptence et de disponibilit.
Merci madame pour la qualit du sujet, merci pour vos conseils et la confiance que vous
mavez accorde au cours des quatre ans.
Je remercie normment Professeur A. BENNIA de mavoir fait lhonneur de prsider ma

soutenance et galement les examinateurs : Madame S. BOUGHABA (MC), monsieur A.
BOUKABOU (MC), monsieur S. LADACI (MC), de mavoir fait lhonneur en acceptant
dembellir ce travail avec leurs remarques et conseils.
Je remercie vivement monsieur A. BOUKABOU du dpartement dlectronique, universit de

Jijel, pour ses comptences scientifiques qui mont permis de mener bien ce travail.
Mes remerciements vont bien entendu toutes les personnes des dpartements dlectronique
et des mathmatiques.
Ces remerciements ne seraient pas complets si je ne mentionner pas mes parents, mes frres,
mes surs et mes amis dont les encouragements mont accompagn durant cette thse.
Finalement, je remercie tous ceux qui ont particip de prs ou de loin dans l'laboration de ce
travail soit par un conseil ou mme un mot d'encouragement parmi mes camarades de
magistre, mes amis, mes tudiants et collgues.
Rsum
La contribution travers le travail dvelopp dans cette thse concerne la proposition et le
dveloppement de diffrentes approches pour la synchronisation de systmes non linaires sur
des trajectoires stables ou instables ainsi que pour la chaotification et lhyperchaotification
des systmes non linaires. Plusieurs approches sont proposes ; elles correspondent aux
points suivants :
Lutilisation de lalgorithme backstepping pour le contrle des systmes chaotiques
continus. Lefficacit de cette mthode rcursive que ce soit pour la stabilisation du systme
sur son point fixe ou pour la poursuite dune rfrence prdtermine est montre avec un
exemple dapplication. La mthode offre une stabilit asymptotique garantie car les lois de
contrle qui sont tires directement de la fonction de Lyapunov, en satisfont les conditions de
stabilit.
Lutilisation dune mthode de contrle qui se base sur une combinaison intressante de
la logique floue et le contrle prdictif bas sur un rgulateur classique PID ; notre objectif est
dtudier les performances de la mthode pour le contrle des systmes chaotiques discrets.
La mthode est trs efficace surtout lorsque la prdiction est faite par un modle non linaire.
Lapplication des mthodes de contrle pour la synchronisation des systmes chaotiques.
Des mthodes bases sur les mthodes de contrle actif, hybride rtroaction, backstepping et
mode glissant ont t ainsi dveloppes et testes sur des systmes discrets et continus. Le cas
des systmes avec des paramtres incertains a t particulirement abord et reprsente une
part importante de notre contribution. Ces mthodes sont appliques pour la synchronisation
des systmes identiques, systmes diffrents, systmes hyperchaotiques et les systmes
incertains.
Lanti-contrle ou chaotification des systmes. Cette partie consiste gnrer le chaos
dans des systmes n'ayant aucun comportement chaotique dans leur dynamique. Les
approches dveloppes se basent sur une amlioration de la mthode danti contrle impulsif
et la mthode par retour dtat dveloppe dans le mmoire de magister dune part, et la
proposition de techniques telles que lintroduction dune perturbation priodique avec une
frquence doscillation diffrente sur lune des variables, dautre part.
La dernire partie est consacre lhyperchaotification des systmes chaotiques. Deux
mthodes ont t prsentes : le contrle par retour dtat et le contrle par perturbation
paramtrique du systme. Les deux mthodes sont appliques sur des exemples de systmes
chaotiques et les rsultats obtenus sont trs satisfaisants.
Sommaire
Introduction gnrale .......................................................................................................... 1
Chapitre I : Gnralits sur les systmes chaotiques ....................................................... 5
I.1 Introduction ....................................................................................................................... 5

I.2 Le chaos ............................................................................................................................. 5
I.3 Quelques dfinitions .......................................................................................................... 5
I.3.1 Systmes dynamiques ................................................................................................... 5
I.3.2 Systmes dynamiques discrets ...................................................................................... 6
I.3.3 Systmes dynamiques continus ..................................................................................... 6
I.3.4 Systmes autonomes et non autonomes ........................................................................ 7
I.3.5 Systme dterministe..................................................................................................... 7
I.4 Techniques de caractrisation du comportement chaotique .............................................. 7
I.4.1 La section de Poincar................................................................................................... 7
I.4.2 Lespace de phases ........................................................................................................ 8
I.4.3 Les exposants de Lyapunov ........................................................................................ 12
I.4.4 Le diagramme de bifurcation ...................................................................................... 13
I.5 Exemples de systmes chaotiques.......................................................................................... 15
I.5.1 Exemple de systmes discrets ...................................................................................... 15
I.5.2 Exemple de systmes Continus ................................................................................... 17
Chapitre II : Contrle des systmes chaotiques .............................................................. 21
II.1 Introduction ..................................................................................................................... 21

II.2 Contrle par stabilisation et suppression du chaos .......................................................... 21
II.3 Mthodes de contrle des systmes chaotiques ............................................................... 25
II.3.1 La mthode OGY ........................................................................................................ 25
II.3.2 La mthode Backstepping ........................................................................................... 31
II.3.3 Le contrle prdictif flou PD+I ................................................................................... 36
Chapitre III : Synchronisation des systmes chaotiques ............................................... 42
III. 1 Introduction ..................................................................................................................... 42

III. 2 Mthodes de synchronisation .......................................................................................... 43
III.2.1 Le contrle actif ...................................................................................................... 43
III.2.2 Le contrle hybride rtroaction ............................................................................ 44
III.2.3 La mthode du Backstepping .................................................................................. 45
III.2.4 la mthode du mode glissant ................................................................................... 47
III.3 Les types de synchronisation ........................................................................................... 49
III.3.1 La synchronisation identique (PC) .......................................................................... 49
III.3.2 La synchronisation complte (CS) ......................................................................... 53
III.3.3 La synchronisation gnralise (GS) ...................................................................... 54
III.3.4 La synchronisation Lag ........................................................................................... 54
III.3.5 La synchronisation anticipe................................................................................... 54
III.3.7 Lanti-synchronisation ............................................................................................ 54
III.4 Rsultats de simulation .................................................................................................... 55
III.4.1 Synchronisation des systmes chaotiques identiques ............................................. 55
a- Synchronisation par la mthode du contrle actif ....................................................... 55
b- Synchronisation par le contrle non-linaire............................................................... 60
c- Synchronisation par le contrle hybride rtroaction ................................................. 63
d- Synchronisation par la mthode du backstepping ....................................................... 66
III.4.2 Synchronisation de systmes chaotiques diffrents ................................................ 69
III.5 Synchronisation des systmes incertains ......................................................................... 71
III.5.1 Synchronisation des systmes incertains par le contrle Backstepping adaptatif ... 71
III.5.2 Synchronisation des systmes incertains par le contrle actif adaptatif ................. 80
Chapitre IV : Chaotification ou anti-contrle des systmes non linaires ................... 85
IV.1 Introduction ..................................................................................................................... 85

IV.2 Les mthodes de chaotification ....................................................................................... 86
IV.2.1 La mthode de Chen-Lai ......................................................................................... 86
IV.2.2 La mthode Delay Feedback ................................................................................... 88
IV.2.3 La mthode de lanti-contrle impulsif ................................................................... 89
IV.3 Chaotification des systmes discrets ................................................................................ 93
IV.4 Chaotification des systmes continus ............................................................................ 104
IV.4.1 Chaotification des systmes continus par la mthode DCF ................................. 104
IV.4.2 Exemple de chaotification .................................................................................... 104
IV.4.2 Suppression et gnration du chaos par perturbation paramtrique ...................... 113
IV.4.4 Chaotification des Oscillations harmoniques : ...................................................... 118
IV.4.5 Gnration du chaos partir de systmes stables : ............................................... 120
Chapitre V : Hyperchaotification des systmes chaotiques ......................................... 123
V.1 Introduction ................................................................................................................... 123

V.2 Hyper-chaotification des systmes chaotiques par le contrle par retour dtat ................ 124
V.2.1 Hyper-chaotification par la commande () = ( )( )..................... 124
V.2.2 Hyper-chaotification par () = ( )( ) + ( )..................... 129
V.3 Hyperchaotification par perturbation paramtrique ........................................................... 133
Conclusion gnrale ......................................................................................................... 140
Bibliographie .................................................................................................................... 141

________________________________________________________________ Introduction gnrale
Introduction gnrale
L'invention des ordinateurs dans les annes 50 a t un tournant dans l'histoire des systmes
dynamiques. L'ordinateur a rendu possible ce qui ne ltait pas avant, c'est--dire les calculs
rapides et les simulations numriques des quations. Cest dailleurs ce qui a permis le
dveloppement important des travaux sur les systmes non linaires et a conduit la
dcouverte de la dynamique chaotique, par Lorenz en 1963 [1]. Ce dernier a t le premier
mettre en vidence l'extrme sensibilit aux perturbations d'un simple modle de calcul de la
convection atmosphrique.
Le travail de Lorenz n'a eu que peu d'impact ce moment l et ce nest qu'au dbut des annes
1970, que les recherches sur le chaos ont vritablement dmarr. En 1971, Ruelle et Takens
ont propos une nouvelle thorie concernant l'initialisation de la turbulence dans les fluides,
base sur la considration d'attracteurs tranges [2]. En 1975, Li et York ont t les premiers
utiliser le terme "chaos" pour exprimer un comportement plus compliqu que lquilibre, le
priodique et le quasi-priodique [3]. Un an aprs, May a trouv des exemples de chaos dans
les applications itratives modlisant des interactions de populations en biologie et il a crit
un article important dcrivant comment un simple systme non linaire peut avoir un
comportement complexe et chaotique [4]. Ensuite, le physicien Feigenbaum a dcouvert qu'il
y a des lois universelles qui gouvernent la transition d'un comportement rgulier vers un
comportement chaotique [5]. Ses travaux ont permis d'tablir une relation entre ce qui est
appel "cascade de doublements de priode" et le chaos et cela a conduit les physiciens
s'intresser l'tude des systmes dynamiques.
Paralllement aux travaux sur le chaos, une autre notion a t dveloppe dans le domaine des
systmes dynamiques dans les annes 1970, cest celle des fractales. Mandelbrot a produit sur
ordinateur des graphiques de ces fractales et a montr comment cette notion peut tre utilise
dans diffrents domaines [6]. En particulier, en biologie mathmatique, Arthur Winfree a
appliqu des mthodes gomtriques aux oscillations biologiques, entre autres les rythmes
biologiques et les rythmes cardiaques pour caractriser des fractales [7].
Les effets chaotiques dans les circuits lectroniques ont t constats pour la premire fois par
Van der Pol en 1927 [8]. En 1983, Chua et Matsumoto ont synthtis le premier circuit
lectronique, autonome et chaotique, l'oscillateur double spiral, maintenant connu sous la
1
dnomination "circuit de Chua". Il est maintenant tudi comme un circuit lectronique

chaotique modle [9].
Depuis sa dcouverte, le chaos a t considr comme un comportement incontrlable et

imprdictible : Incontrlable parce que une petite perturbation peut conduire le systme un
tat totalement diffrent du premier ; Imprdictible parce que une petite diffrence dans les
conditions initiales ou dans les paramtres du systme, provoque une volution diffrente
dans la trajectoire du systme. Le premier pas dans le domaine de contrle du chaos a t fait
en 1989 [10], mais cest Ott, Grebogi et York en 1990 qui publient le premier article sur le
contrle du chaos [11]. Ils ont montr quune telle dynamique complexe pouvait tre
stabilise par une mthode simple et efficace, ce qui a vraiment intress les chercheurs du
domaine. Pendant le mme temps Pecora et Carroll ont travaill sur la synchronisation du
chaos. Ils ont montr que malgr la dynamique trs complexe des systmes chaotiques, il tait
possible de les synchroniser, mme sils voluaient initialement de deux tats diffrents [12].
En 1996, Chen et Lai ont propos une mthode de gnration du chaos partir dun systme
non chaotique. Le principe consiste appliquer sur le systme, une loi de commande tire de
la condition de stabilit de Lyapunov pour dstabiliser le systme de sa position dquilibre
sans divergence [13].
A partir de l, beaucoup de recherche ont t dveloppes sur le contrle, la synchronisation,

la chaotification ou anti-contrle des systmes dynamiques non linaires.
Un certains nombre de ces recherches concerne lapplication de la synchronisation du chaos,

dans les communications scurises o le signal chaotique est utilis pour masquer les
messages transmettre. Perez et Cerderia [14] ont prouv que le masquage des messages par
un systme chaotique normal (possdant un seul exposant de Lyapunov positif) ntait pas
toujours efficace. Puis Pecora a montr que ce problme pouvait tre rsolu en utilisant un
systme chaotique de dimension leve c'est--dire avec plusieurs exposants de Lyapunov
positifs. Ceci a conduit aux travaux sur lhyperchaotification. Le comportement dynamique
des systmes hyperchaotiques est plus compliqu que celui dun simple systme chaotique.
Cest pour cette raison que ces systmes offrent plus de scurit dans le domaine de la
communication.
Notre contribution travers le travail dvelopp dans le cadre de cette thse concerne la
proposition et le dveloppement de nouvelles approches pour le contrle, la synchronisation
2
des systmes chaotiques ainsi que la chaotification et lhyperchaotification. Notre contribution

porte sur les points suivants :
- Lapplication de lalgorithme backstepping pour le contrle des systmes chaotiques

dordre lev.
- Lapplication du contrle prdictif flou pour le contrle des systmes discrets
- Ltude des diffrents problmes de synchronisation des systmes chaotiques.
- Le dveloppement dune mthode adaptative bas sur lalgorithme backstepping pour
la synchronisation des systmes chaotiques paramtres incertains.
- Lamlioration de la mthode du contrle actif en intgrant une action adaptative pour
la synchronisation des systmes continus dordre suprieur.
- La gnration de la dynamique chaotique par des mthodes retour dtat et
lillustration de leurs efficacits pour la gnration du comportement hyperchaotique.
Le travail est prsent en cinq chapitres.

Le premier chapitre est consacr lintroduction des lments fondamentaux associs aux
systmes dynamiques en gnral et aux systmes chaotiques en particulier. Ainsi les modles
gnraux qui dfinissent les systmes dynamiques en temps continu et en temps discret sont
prsents en mme temps que les notions despace de phase et de trajectoire. Les outils
danalyse des systmes chaotiques sont abords, en particulier les exposants de Lyapunov et
les diagrammes de bifurcation qui par leurs caractristiques offrent une solution facile et trs
fiable.
Nous prsentons dans le deuxime chapitre le principe de contrle des systmes chaotiques.
Trois mthodes de contrle sont dveloppes. Une description complte de la mthode de
contrle OGY est faite. La mthode est applique pour le contrle du systme discret de
Hnon o un choix judicieux de la loi de contrle permet de supprimer le chaos le plus
rapidement possible. Lalgorithme backstepping est utilis pour le contrle des systmes
chaotiques continus, et nous montrons grce un exemple dapplication, lefficacit de la
mthode rcursive que ce soit pour la stabilisation du systme sur son point fixe ou pour la
poursuite dune rfrence prdtermine. La mthode offre une stabilit asymptotique
garantie car les lois de contrle qui sont tires directement de la fonction de Lyapunov
satisfont les conditions de stabilit. Le chapitre se termine par la prsentation dune mthode
de contrle qui se base sur une combinaison intressante de la logique floue et du contrle
prdictif bas sur un rgulateur classique PID ; notre objectif est dtudier les performances
3
de la mthode pour le contrle des systmes chaotique discrets. La mthode est trs efficace
surtout lorsque la prdiction est faite par un modle non linaire.
Nous consacrons le troisime chapitre la synchronisation des systmes chaotiques continus
et discrets. Nous prsentons quelques mthodes telles que le contrle actif, le backstepping,
le mode glissant, le contrle non linaire et le contrle hybride. Ces mthodes sont appliques
pour la synchronisation des systmes identiques, diffrents, hyperchaotiques et incertains.
La chaotification des systmes non linaires est aborde dans le chapitre quatre. Dans le cas
discret, une description de la mthode danti-contrle propose par Chen, base sur le choix
des valeurs des exposants de Lyapunov est dtaille. La mthode est applique sur des
systmes chaotiques dordre lev et sur des systmes qui nadmettent aucun comportement
chaotique. Dans le cas continu, Plusieurs mthodes ont t appliques, en particulier: la
mthode Delay Feedback Control, la mthode base sur la perturbation dun paramtre du
systme, lanti-contrle impulsif et autre extension de lalgorithme danti-contrle.
Le dernier chapitre est consacr la thorie de lhyperchaotification des systmes chaotiques.

Des mthodes de contrle par retour dtat sont appliques afin daugmenter la dimension du
systme qui devient ainsi hyper chaotique, grce un bon choix du paramtre de contrle.
Enfin, on termine par une conclusion gnrale ainsi que quelques perspectives qui peuvent
tre abordes ultrieurement.
4
Chapitre I _________________________________________________ Gnralits sur les systmes chaotiques
Chapitre I : Gnralits sur les systmes chaotiques

I.1 Introduction
Le but de ce chapitre est de mieux faire connatre les conditions ncessaires pour quun
systme ait un comportement chaotique. Nous partirons de quelques dfinitions prliminaires
permettant de cerner les caractristiques essentielles des systmes dynamiques. Ltude
rigoureuse de ce type de systme tant en gnral dlicate, nous nous limiterons une tude
qualitative purement graphique. Pour cela, nous introduisons le diagramme de phase, le
diagramme de bifurcation, lexposant de Lyapunov, la section de Poincar, afin de formuler
les critres permettant de caractriser les mouvements rguliers et les mouvements
chaotiques.
I.2 Le chaos
Il nexiste pas de dfinition la fois formelle et gnrale du chaos. Cependant, le chaos est
dfini gnralement comme un comportement particulier dun systme dynamique qui inclut:
La non-linarit. Si le systme est linaire, il ne peut pas tre chaotique.
Le dterminisme. Un systme chaotique a des rgles fondamentales dterministes
(plutt que probabilistes).
La sensibilit aux conditions initiales. De trs petits changements sur ltat initial
peuvent mener un comportement radicalement diffrent dans son tat final.
Limprvisible. En raison de la sensibilit aux conditions initiales, qui peuvent tre
connues seulement un degr fini de prcision.
Lirrgularit. Ordre cach comprenant un nombre infini de modles priodiques
instables (ou mouvements). Cet ordre cach forme linfrastructure des systmes
chaotiques
Pratiquement, une dynamique chaotique peut tre identifie, en premire analyse, par la
reconnaissance de proprits caractristiques : attracteur trange, spectre, sensibilit aux
conditions initiales etc.
I.3 Quelques dfinitions

I.3.1 Systmes dynamiques
Du point de vue mathmatique, un systme dynamique est dfini partir dun ensemble de
variables qui forment le vecteur dtat = , = 1, , o reprsente la
dimension du vecteur.
5
Ces variables caractrisent compltement ltat instantan du systme dynamique. En

associant en plus un systme de coordonnes, on obtient lespace dtat qui est galement
appel lespace de phase.
En plus de lespace dtat, un systme dynamique est dfini par une loi dvolution,
gnralement dsigne par dynamique, qui caractrise lvolution de ltat du systme au
cours du temps.
La notion de dterminisme provient du fait que le systme considr est compltement
caractris par son tat initial et sa dynamique.
Les systmes dynamiques sont classs en deux catgories :

Systmes dynamiques discrets,
Systmes dynamiques continus.
I.3.2 Systmes dynamiques discrets

Un systme dynamique discret est reprsent par des quations aux diffrences de la forme
[15], [16] :
+ 1 = ( , ) (I.1)
O : + dsigne la dynamique du systme en temps discret.
Si on associe cette dynamique un tat initial 0 = (0 ), alors pour chaque couple (0 , 0 )
donn, on peut identifier une solution unique
. ; 0 , 0 : + (I.2)
Telle que :
0 ; 0 , 0 = 0 et + 1; 0 , 0 = ( ; 0 , 0 , ) (I.3)
En temps discret on dfinit galement le systme autonome comme une dynamique qui ne
dpend pas de linstant k :
+ 1 = ( ) (I.4)
I.3.3 Systmes dynamiques continus

Un systme dynamique continu est dcrit par un systme dquations diffrentielles de la
forme [17]:
() = ( , ) (I.5)
O : + reprsente la dynamique du systme.
Si on associe cette dynamique un tat initial 0 = (0 ), alors pour chaque couple (0 , 0 )

on peut identifier une solution unique . ; 0 , 0 : + telle que :
6
0 ; 0 , 0 = 0
; 0 , 0 = ( ; 0 , 0 , ) (I.6)
L'volution des ensembles dtats successifs occups par le systme chaque instant
reprsente la trajectoire du systme.
I.3.4 Systmes autonomes et non autonomes

Soit le systme dynamique suivant :
dx(t )
x (t ) f ( x, t ) (I.7)
dt
Lorsque le champ de vecteurs f ne dpend pas explicitement du temps, on dit que le systme
dynamique est autonome. Dans le cas contraire il est non autonome.
Par un changement de variable appropri, on peut toujours transformer un systme dynamique
non autonome de dimension n en un systme dynamique autonome quivalent de dimension
n 1.
I.3.5 Systme dterministe

Soit U lensemble des conditions initiales et soit x0 U , Alors, si pour tout x 0 , xt , x0 existe
et est unique, le systme est dit dterministe. Lorsque le chaos se dveloppe dans un tel
systme, on parle alors de chaos dterministe.
I.4 Techniques de caractrisation du comportement chaotique

Lidentification des caractristiques des systmes non linaires partir dobservations peut se
faire grce des outils issus du domaine des dynamiques non linaires tels que : la section de
Poincar, lespace des phases, le diagramme de bifurcation, les exposants de Lyapunov [18],
[19].
I.4.1 La section de Poincar

La section de Poincar est un outil mathmatique simple permettant de transformer un
systme dynamique continu en un systme dynamique discret. Cette transformation s'opre
via une rduction d'une unit de l'ordre du systme.
Soit un systme dynamique continu, dcrit dans un espace d'tat de dimension n et une
surface de dimension ( n 1 ) dfinie dans cet espace. Lapplication de Poincar est le systme
dynamique en temps discret dont la suite des itrs correspond aux coordonnes des points
d'intersection successifs de la trajectoire avec cette surface.
7
Points dintersections
Trajectoire du systme
Fig. I.1. La section de Poincar
L'ensemble des points d'intersections, situs sur la surface reprsente la section de Poincar.
Dans un espace euclidien, le plan de la section doit tre choisi de manire garantir
lexistence dintersections avec la trajectoire et de telle sorte que celle-ci le traverse
alternativement dans un sens puis dans l'autre.
On peut dfinir trois applications diffrentes de Poincar.
p dcrit les points o traverse le plan dans le sens du vecteur normal,
p dans le sens contraire
p dcrit la suite des points d'intersection quel que soit le sens de traverse.
Si est borne sans tendre asymptotiquement vers un quilibre et dfinie sur un espace
euclidien, alors il existe toujours une surface pour laquelle les trois applications de Poincar
sont dfinies.
I.4.2 Lespace de phases

A partir dun tat initial 0 et aprs un rgime transitoire, la trajectoire dun systme
dynamique atteint une rgion limite de lespace de phase. Ce comportement asymptotique
obtenu pour , est une des caractristiques les plus importantes tudier pour tout
systme dynamique. Si dans le cas dun systme linaire la solution asymptotique est unique
et indpendante de la condition initiale, en prsence de non-linarits, il existe une plus
grande varit de rgimes permanents, parmi lesquels:
Les points fixes ou points dquilibre
Les solutions priodiques
Les solutions quasi-priodiques
Le chaos
8
Point fixe ou point dquilibre

Un point fixe ou point dquilibre est une solution constante du systme. Il est obtenu en
rsolvant le systme dquations :
Cas discret :
= () (I.8)
Cas continu :
= =0 (I.9)
Dans lespace de phase, le point fixe se reprsente par un point. Sa valeur est dtermine en
fonction de la condition initiale choisie. Ainsi, pour des conditions initiales diffrentes on peut
retrouver plusieurs points dquilibre. De mme, ces points peuvent tre stables ou instables
suivant que les trajectoires voisines convergent ou divergent entre-elles.
Solution priodique
Le rgime asymptotique permanent priodique correspond une trajectoire dont les rpliques
dune portion lmentaire sont espaces des intervalles , + et la priode de la
solution.
Dans lespace de phase, lensemble limite correspondant cette solution est une courbe
ferme. Si lespace de phase est de dimension 2, la solution priodique sera un cercle, une
ellipse, ou toute autre forme gomtrique ferme. Pour revenir son tat prcdent, le
systme met exactement une priode.
Si on travaille dans un espace de phase de dimension suprieur 2, il faut tenir compte de
certaines subtilits. En effet, dans un tel espace, une trajectoire priodique ne se situe pas
ncessairement dans un mme plan et elle peut se dvelopper dans diffrentes formes
fermes, il est parfois impossible dtudier la trajectoire gnre par le systme dans lespace
de phase. Pour viter ce problme on utilise la section de Poincar.
Solution quasi-priodique
Une solution quasi-priodique correspond une somme de solutions priodiques dont le
rapport des priodes est un nombre irrationnel. Un rgime quasi-priodique est reprsent
dans lespace dtat par un tore.
Solution chaotique
Une telle solution a une trajectoire asymptotique borne avec une extrme sensibilit aux
conditions initiales. Ainsi, deux trajectoires de phases initialement voisines scartent
toujours lune de lautre, et ceci quelle que soit leur proximit initiale.
9
La moindre erreur ou imprcision sur la condition initiale peut mener un comportement trs
diffrent ce qui ne permet pas de faire une prdiction sur le comportement long terme du
systme. Ainsi, bien que lon traite de systmes dterministes, il est impossible de prvoir
long terme leurs comportements.
-3 126
124
-4
122
-5
120
-6
z
y
118
-7
116
-8
114
-9 112
-8.5 -8 -7.5 -7 -6.5 -6 -5.5 -5 -4.5 -4 -30 -20 -10 0 10 20 30
x x
a) b)
40
35
30
25
z
20
15
10
5
-25 -20 -15 -10 -5 0 5 10 15 20 25
x
c)
Fig. I.2 Comportement dynamique : a) point fixe, b) orbite priodique, c) attracteur chaotique
Lespace de phases est un outil qui permet davoir une valuation qualitativement de la
solution obtenue. La thorie des quations diffrentielles linaires coefficients constants
montre que la solution gnrale est obtenue partir des valeurs propres de lquation
caractristique dduite de la matrice des drives partielles du systme. Ainsi, la mthode de
lespace de phase qui est une technique qualitative simple et efficace permet la dtermination
du type de stabilit du point dquilibre, partir de la nature des valeurs propres de la matrice
Jacobienne de la fonction f linarise au tour du point dquilibre x eq .
La linarisation revient poser :
10
x xeq x (I.10)
Ce qui donne
x x eq x (I.11)
On obtient donc :
x eq x f xeq x (I.12)
Par le dveloppement de Taylor du premier ordre de f x , on obtient

f xeq x f xeq f xeq
. x xeq (I.13)
Do
x Df xeq x, x0 x0 (I.14)
Df x reprsente la matrice jacobienne de f x par rapport x , tel que

df
Df i , i 1,2,, n; j 1,2,, n (I.15)

dx j

Cette quation montre lvolution dans le temps dune perturbation x0 au voisinage du point
dquilibre. Il a t dmontr que les parties relles des valeurs propres de Df xeq
reprsentent la vitesse dexpansion Rei 0, ou de contraction Rei 0 dune spirale

alors que les parties imaginaires indiquent la frquence de rotation [20].
Combinant les rsultats dmontrs pour des valeurs propres relles et ceux correspondant
des valeurs propres complexes, il a t tabli que quelle que soit la nature des valeurs propres,
le type de stabilit est dtermin comme suit :
- Si Rei 0, pour toutes les valeurs propres, alors, toute perturbation suffisamment
petite tend vers 0 quand t . On dit que le point x eq est asymptotiquement stable.
Toute les trajectoires tendent vers ce point quelque soient les conditions initiales.
- Si Rei 0, pour toutes les valeurs propres, alors nimporte quelle perturbation peut
augmenter quand t . On dit que le point x eq est instable ; Les trajectoires de phase
sloignent du point considr.

- Sil existe i et j tel que Rei 0, Re j 0, alors il sagit dun point dquilibre
non stable.
11
I.4.3 Les exposants de Lyapunov
Lexposant de Lyapunov sert mesurer le degr de stabilit dun systme. Un systme

sensible de trs petites variations de la condition initiale aura un exposant positif (systme
chaotique). En revanche, lexposant est ngatif si le systme nest pas sensible des petites
variations des conditions initiales, les trajectoires se rapprochent et on perd linformation sur
les conditions initiales.
Un systme de dimension n possde n exposants de Lyapunov qui mesurent le taux de

divergence suivant un des axes de lespace de phase. Lapparition du chaos exige lexistence
dun exposant positif selon au moins un axe [21], tout en rendant compte que la somme des
exposants est ngative (respectivement nulle) pour les systmes dissipatifs (respectivement
conservatifs).
Un exposant de Lyapunov positif (respectivement ngatif) selon une direction, indique que la
divergence entre deux trajectoires voisines augmente (respectivement diminue)
exponentiellement avec le temps [22]. Cest une caractristique dun attracteur.
A titre dexemple, les types dattracteurs dun systme tridimensionnel en fonction des signes
des exposants de Lyapunov sont donns dans le tableau suivant.
Type dattracteur Signe des exposants de Lyapunov

Point fixe - - -
Cycle limite 0 - -
Attracteur trange + 0 -
Tableau I.1: Caractrisation des attracteurs.
Calcul des exposants de Lyapunov

Les exposants de Lyapunov sont gnralement calculs par lalgorithme de Wolf [23].
On considre un systme discret n dimensions
xk 1 f xk , k 0,1,2, (I.16)
Le i-me exposant de Lyapunov est dfini en fonction du taux de croissance du ime axe
principale v i par la formule [24]
1 vi N
i lim log , i 1,2,, n (I.17)
n n vi 0
Les vecteurs vi k se transforment daprs la formule
vi k 1 J k vi k , i 1,2,, n (I.18)
12
O J k est la jacobienne de f au point x k
A k 0 les vecteurs vi , i 1,2,, n sont dfinis par :
v1 1,0,0,0, ,0
v 2 0,1,0,0, ,0
(I.19)

v n 0,0,0,0, ,1
Pour viter la divergence, chaque itration les vecteurs v1 k , v2 k ,, vn k seront

orthonorms par le procd de Gram Schmidt :
v1
v1 ,
v1
v 2 v 2 , v1 v1
v 2 ,
v 2 v 2 , v1 v1 (I.20)

v n v n , v n 1 v n 1 v n , v1 v1
v n .
v n v n , v n 1 v n 1 v n , v1 v1
Le calcul des exposants de Lyapunov dun systme dquations diffrentielles de la forme:
f x ,
dx
f : Rn Rn (I.21)
dt
Se fait de faon analogue. Seulement, les quations (I.17) et (I.18) seront remplaces par :
1 vi t
i lim log , i 1,2,, n (I.22)
t t vi t 0
vi t J x vi t , i 1,2,, n (I.23)
I.4.4 Le diagramme de bifurcation

Stabilit structurelle et bifurcation
Un systme est dit structurellement stable sur une portion de l'espace des paramtres si une
petite perturbation du systme ne modifie pas le comportement global de la dynamique sur
cette portion.
Tant que le systme est structurellement stable, les variations de paramtres produisent des
changements quantitatifs de la solution: coordonnes dun point fixe, amplitude ou frquence
dune solution priodique. Cependant, on peut aussi avoir quune infime variation de
paramtres produise un changement qualitatif de la solution : changement de stabilit d'un
ensemble limite.
13
A la valeur particulire du paramtre o la solution change subitement de nature, le systme

est structurellement instable ce qui autorise un brusque changement de type de la solution. Ce
phnomne est appel bifurcation et les points o il se produit sont les points de bifurcation.
Diagramme de bifurcations
Le diagramme de bifurcation est un outil efficace pour valuer rapidement lensemble des
solutions possibles dun systme en fonction des variations de lun de ses paramtres. Il
permet de reprer les valeurs particulires du paramtre qui induisent des bifurcations. Cest
un diagramme qui porte les valeurs du paramtre en abscisse et des valeurs particulires dune
des variables dtat en ordonne lorsque le rgime asymptotique est atteint.
20
a) 18
b)
16
14
12
10
x
0
0 1 2 3 4 5 6 7 8 9 10
c
Fig. I. 3 Diagramme de bifurcation: a) systme de Hnon pour = . , b) Systme de Rssler pour = .

et = . .
- Dans le cas d'un systme autonome ces valeurs particulires peuvent tre obtenues en
travaillant avec une section de Poincar. Pour un systme excit par une fonction
priodique, on les obtient en chantillonnant la variable la frquence dexcitation. On
obtient ainsi pour chaque valeur du paramtre la suite des tats discrets de la variable
lorsque le rgime asymptotique est atteint.
- Un seul point sur une verticale indique un fonctionnement priodique fondamental. En
effet, si pour une valeur donne du paramtre le rgime est priodique, la variable
chantillonne la frquence fondamentale f prend une valeur unique. Les n points de
mme abscisse se superposent donc exactement.
- Lorsque les points se rpartissent densment sur un segment de la verticale, on peut en
dduire que la solution est apriodique mais il nest pas possible de prciser si elle est
quasi priodique ou chaotique.
14
I.5 Exemples de systmes chaotiques
Pour illustrer les comportements voqus ci-dessus, nous prsentons deux exemples de
systmes chaotiques ; lun discret et lautre continu.
I.5.1 Exemple de systmes discrets

On considre lquation logistique dfinie par lexpression suivante [25]:
+ 1 = ()(1 ) (I.24)
Lquation logistique admet des points fixes obtenus par la rsolution de lquation
= 1 (I.25)
Cette quation admet une solution 1 = 0, et dautres solutions qui dpendent de la valeur du
1
paramtre : 2 = 1 .
La figure (I.4) montre la dynamique de lquation logistique ainsi que certains modes
asymptotiques particuliers.
La figure (I.4.c) nous donne un aperu de la nature de la trajectoire pour diffrentes valeurs du
paramtre p appel paramtre de bifurcation. On remarque que pour toute valeur de [1,3],
le rgime permanent est form par un point limite stable. Ainsi pour = 2, on observe
quaprs une priode de transition relativement courte la squence se stabilise autour du point
fixe = 0.5. Pour = 3.3 et = 3.55, le diagramme de bifurcation fait ressortir des
comportements diffrents. Pour le premier cas, lensemble des tats limites est une solution
priodique form par deux points (figure I.4.b). Pour le deuxime cas, on observe une
augmentation de la dimension de lensemble des tats limites et la priode de rptition 8
(figure I.4. e). Par contre, pour = 4 le systme est dans tat chaotique (figure I.4.f). Ce
comportement est justifi par la valeur positive de lexposant de Lyapunov reprsent par la
figure (I.4.d)
Le phnomne de sensibilit aux conditions initiales est illustr par la figure (I.5). Pour des
conditions initiales trs proches (une diffrence de lordre de 104 ), les deux systmes
voluent de la mme manire dans un premier temps; mais trs vite, leur comportement
devient diffrent.
15
1 1
0.9 0.9 points fixes
0.8 0.8
0.7 0.7
point d'quilibre
0.6 0.6
x(k)
x(k)
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
k k
a) b)
-1
exposant de lyapunov
-2
-3
-4
-5
-6
0 0.5 1 1.5 2 2.5 3 3.5 4
r
c) d)
1 1.5
points fixes
0.9
0.8 1
0.7
x(k)
x(k)
0.6 0.5
0.5
0.4 0
0.3
0.2 -0.5
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
k k
e) f)
Fig. I. 4 Comportement dynamique de lquation logistique : c) diagramme de bifurcation. d) exposant de
Lyapunov. a, b, e, f) : volution du systme pour = , = . , = . , = .
16
1
systme pour xo=0.9
systme pour xo=0.9001
0.9
0.8
0.7
x(k)
0.6
0.5
0.4
0.3
0.2
0 5 10 15 20 25 30 35 40 45 50
k
Fig. I. 5 Sensibilit aux conditions initiales de la fonction logistique pour =
I.5.2 Exemple de systmes Continus

On considre lexemple du clbre systme de Lorenz donn par les quations suivantes [1]:
x y x ,
(I.26)
y r z x y,
z xy bz ,
Les paramtres pour lexemple dont la trajectoire est donne dans la figure suivante sont les
suivants : 10, b 8 / 3, r 28 avec la condition 0 , 0 , 0 = (5, 5,10).
Gnralement, ce type de systme est qualifi dautonome, puisque la dynamique estr de la
forme:
() = ( ) (I.27)
50
( , , )
40
30
z
20
10
(0 , 0 , 0 )
0 20
-20
-10 0
0 -20
10
20 -40
y
x
Fig. I. 6 Trajectoire du systme de Lorenz dans lespace de phase
17
Les points fixes sont la solution de lquation :
=0 =
=0 = ( 1) (I.28)
= 0 2 =
Pour = 1 on a le point fixe 1 = (0,0,0)
Dans le cas gnral:
= =
= ( 1) = ( 1) (I.29)
2 = = ( 1)
Donc le systme admet en gnral trois points fixes :
1 = (0,0,0),2 = ( 1 , ( 1), 1),3 = ( 1 , 1 , 1),
-3 50
45
-4
40
35
-5
30
-6 25
y
20
-7
15
10
-8
5
-9 0
-8.5 -8 -7.5 -7 -6.5 -6 -5.5 -5 -4.5 -4 -20 -15 -10 -5 0 5 10 15 20
x x
a) b)
20 4
2 1=0.85922
15
0
2=-0.0015763
-2
10
-4
5 -6
x
-8
0
-10
-12
-5
-14 3=-14.5208
-10 -16
5 10 15 20 25 30 0 50 100 150 200 250 300
r temps
c) d)
18
48
46
44
42
40
X(i)
38
36
34
32
. 30
30 32 34 36 38 40 42 44 46 48
X(i-1)
e)
Fig. I. 7 Comportement dynamique du systme de Lorenz : c) diagramme de bifurcation. d) exposant de
Lyapunov pour = . e) section de Poincar. a, b) : volution du systme pour = , = .
Pour = 10, = 8/3 , le diagramme de bifurcation est celui de la figure (1.7.c). Il fait ressortir
deux types de comportement : Ainsi pour = 15 , le plus grand exposant du systme est nul,
donc il converge dans ce cas vers une orbite priodique alors que pour = 28 , le systme est
en plein chaos ; il a un exposant positif. La solution priodique et lattracteur chaotique sont

reprsents respectivement par les figure (I.7.a) et (I.7.b). La figure (I.7.e) reprsente les
points dintersection de lattracteur chaotique avec la section du Poincar.
20
systme pour xo=-5.0001, yo=-5.0001,zo=-10.0001
sytme pour xo=-5, yo=-5, zo=-10
15
10
0
x
-5
-10
-15
-20
0 5 10 15 20 25 30
temps (s)
Fig. I. 8 Sensibilit aux conditions initiales du systme de Lorenz
La figure (I.8) illustre la sensibilit aux conditions initiales. Cependant, une autre
caractristique des systmes chaotiques peut tre observe sur les courbes prcdentes.
En effet, un systme chaotique volue dune manire qui semble alatoire. La figure (I.9)
permet de comparer une volution simple, priodique et donc prdictible dun systme
classique avec lvolution plus complexe, non priodique et non prdictible dun systme
chaotique. Notons que les systmes chaotiques obissent tout de mme aux lois de la
19
physique. Si on se place dans lapproximation de la physique classique, on peut affirmer que

le systme est totalement dterministe.
20
x: une variable du systme chaotique de Lorenz
y: une fonction sinusoidale
15
10
x,y 0
-5
-10
-15
-20
0 5 10 15 20 25 30
temps (s)
Fig. I. 9 Comparaison de lvolution dun systme non chaotique et un systme chaotique
20
Chapitre II _________________________________________________ Contrle des systmes chaotiques
Chapitre II : Contrle des systmes chaotiques

II.1 Introduction
Depuis les travaux de Ott, Grebogi et York en 1990, beaucoup dintrt a t manifest pour
le contrle des systmes chaotiques. Les diffrents travaux publis sur le sujet, montrent
quun systme chaotique peut tre contrl de deux manires:
Par perturbation dun des paramtres du systme. Cette perturbation doit tre borne et
trs petite par rapport au paramtre perturb
Par stabilisation dune des orbites priodiques instables du systme en appliquant une
mthode de contrle par retour dtat. Cest une mthode simple mettre en uvre,
mais qui ncessite un choix judicieux du gain et du retard, dans la boucle de retour.
Ce chapitre aborde laspect contrle des systmes chaotiques par stabilisation et suppression
du chaos. Il sera consacr la prsentation des principaux travaux publis sur ce sujet. Trois
mthodes seront prsentes dans le dtail : la mthode de Ott-Grebogi-Yorke [11], la mthode
Backstepping [26] ainsi quune mthode de contrle prdictif flou PD+I que nous avons
dveloppe. Le problme doptimisation relatif la manire damener la trajectoire au
voisinage de lendroit dsir ainsi que le temps qui doit scouler avant le dclenchement du
contrle seront discuts.
II.2 Contrle par stabilisation et suppression du chaos
Lobjectif de la stabilisation du chaos est d'liminer le mouvement chaotique. Une des

caractristiques qui distingue les systmes chaotiques d'autres systmes non linaires est la
notion dattracteur chaotique. Lide du contrle est donc dexploiter cette notion pour
concevoir un contrleur. De plus, l'instabilit d'un systme chaotique se traduit en gnral
par la divergence de trajectoires voisines, quelle que soit la nature de l'tat en question. Pour
contrer cette instabilit, il suffit donc dappliquer au systme une perturbation afin de ly
ramener de nouveau toutes les fois o le systme s'carte de l'tat considr.
La mthode OGY est une mthode de stabilisation qui se base sur lide suivante : pour un
point qui appartient un attracteur chaotique, il existe une orbite priodique stable ou
instable qui passe surement au voisinage de ce point. Ainsi, si un paramtre du systme est
lgrement perturb, les trajectoires du systme vont se runir sur la mme orbite priodique,
et long terme la trajectoire du systme devient une orbite priodique et le systme devient
21
stable. Cette mthode de stabilisation est adapte seulement aux systmes de petites
dimensions o les variables dtat observs ne sont soumises aucun bruit.
La remarque la plus importante concernant la mthode OGY, est que les orbites priodiques
instables utilises dans le calcul numrique, reprsentent des approximations des orbites
relles ce qui a pour consquence, la convergence de l'tat contrl vers des approximations
dorbites. Donc, la performance de la mthode OGY dpend de la prcision des
approximations. De plus cette mthode est une mthode locale ; on peut donc attendre
longtemps avant que le systme passe au voisinage de lorbite et que le contrle ne se
dclenche.
Pour amliorer lefficacit de la mthode OGY, diffrentes approches ont t proposes dans
la littrature [27-31]. En particulier, Shinbort , Ott, Grebogi et York ont propos des
approches pour rduire le temps dattente et conduire la trajectoire vers le voisinage dsir
dans un temps trs court [32],[33]. Cependant, des problmes comme la difficult obtenir les
paramtres du systme ou mme lorsquils sont bien identifis, il est trs difficile de les
introduire comme lois de commande, peuvent tre rencontres.
Reyl et al [34] ont montr que des valeurs propres complexes survenaient pour des orbites de
priode 3 ou plus. Ils ont donc suggr de revoir lalgorithme OGY pour quil puisse
saccommoder de plusieurs directions instables. Ils ont donc dvelopp une mthode connue
sous le nom MED (Minimal Expected Deviation).
Pour la dfinition de lorbite priodique, Hao a propos une mthode analytique [35].
Osipanko a utilis une reprsentation graphique pour identifier lorbite priodique. Lide de
la mthode est base sur la construction dune reprsentation graphique de la dynamique du
systme tudi [36]. Dans [37], Davidchack et al ont introduit des transformations sur le
systme chaotique original en gardant toujours la structure topologique de lespace dtat.
Donc, cette transformation agit seulement sur la stabilit des orbites.
Pour viter le problme didentification de lorbite priodique, beaucoup de chercheurs ont

pens utiliser des mthodes qui ralisent les deux objectifs la fois. C'est--dire, identifier
lorbite priodique et stabiliser le systme. Le contrle retour dtat (feedback contrle FC)
est une mthode de la forme deux en un. La procdure didentification de lorbite priodique
est combine avec lalgorithme de stabilisation [38-45].
Pyragas a propos une mthode simple et trs efficace qui repose sur linjection des tats
retards sur lentre du systme [46].
22
Dans cette mthode, l'entre du contrle est base sur la diffrence entre un tat retard de
temps et l'tat courant, o dnote une priode des orbites priodiques instables. Donc,
cest une mthode de contrle en boucle ferme avec retard. La commande applique au
systme est donne par :
= ( ) (II.1)
: gain de retour
()
Systme chaotique
+ ( )

-
Fig. II. 1 Structure de contrle propos par Pyragas.
Le principe de la mthode est que lerreur est approxime par la diffrence entre ltat courant
et ltat retard ( ), lorsque la trajectoire est au voisinage du point fixe.
Par la suite, plusieurs alternatives la mthode originale de Pyragas ont t publies. Par
exemple, Yamamoto et al ont introduit laspect prdictif de la manire suivante [47]:
()
Systme chaotique

-
+ ( + 1) Modle de prdiction
Fig. II. 2 structure de contrle prdictif.
La loi de commande dans ce cas est :
= ( + 1 ) (II.2)
En 1991, Hunt a introduit une mthode de contrle retour dtat occasionnelle (Occasional
Proportional Feedback OPF) [48]. Il a essay de rduire un attracteur a une application
unidimensionnelle autour dun point fixe . Tout dabord la coordonne du point fixe doit
tre connue. Lapplication du i me retour peut tre dcrite autour du point fixe par :
23
+ = + ( ) (II.3)
: est un paramtre accessible du systme.
Le point fixe est instable si la grandeur de la pente > 1 . il peut tre stabilis si lon
dplace le point fixe actuel du systme un autre situ :
1
= 0 + = 1 0 + 0 (II.4)
Le dplacement du point fixe est effectu par perturbation paramtrique, i.e. que
( 0 )
= 1 ( 0 ) (II.5)

:est le facteur de proportionnalit.

Nitsche et Dressler ont amlior la mthode OPF en RPF (Recurssive Proportional Feedback)
[49], en intgrant la notion de rcursivit pour prendre en considration le dplacement dune
application sur une section de Poincar sous un changement paramtrique.
Lavantage majeur de la stratgie du contrle par retour dtat, cest que lamplitude de la loi
de commande calcule est trs petite par rapport ltat du systme, et dans ce cas elle ne va
pas dtruire la dynamique originale du systme. Do la dsignation de contrle non
destructif.
De plus, une fois le systme stabilis, le contrle peut tre relch, ce qui donne un autre
avantage conomique la mthode. Cependant, aprs le relchement du contrle, la
surveillance de ltat contrl doit se faire dune manire permanente, ce qui est trs difficile
raliser pour des applications relles et exprimentales. Pour remdier ce problme,
plusieurs stratgies du contrle en boucle ouverte (Non-Feedback Control : NFC) ont t
proposes. On citera titre dexemple, les travaux de Mirus et al o un signal priodique a t
appliqu pour supprimer le chaos [50] ou les travaux de Ramesh et al, o cest un bruit qui a
t suggr au lieu du signal priodique [51]. Ce type de stratgies ne ncessite aucune
analyse supplmentaire pour comprendre la dynamique chaotique du systme tudi.
De plus, du point de vue implmentation de la stratgie de contrle, le NFC offre plus de
simplicit par rapport au contrle FC, puisque pour ce dernier, on a parfois besoin de valeurs
difficilement mesurables. Le contrle NFC permet de supprimer le chaos ou donner un
mouvement priodique au systme. Mais pour faire la poursuite dune trajectoire, il est
ncessaire de faire une analyse complte pour comprendre la dynamique du systme et
introduire aussi quelques modifications sur la stratgie de contrle comme indiqu dans [52-
54].
24
Dautres mthodes ont t proposes et dveloppes pour raliser le contrle du chaos dans
divers systmes dynamique non linaires. en 1999, Chen a propos une combinaison
prdictive flou pour le contrle des systmes incertains dfinis par des sries de donnes [55].
Udatawa a dvelopp un contrleur flou pour les systmes chaotiques [56]. Puis dans [57],
Park a propos une autre structure adaptative dun contrleur flou pour le contrle des
systmes chaotiques incertains. Ramesh et al ont utilis un rseau neuronal pour le contrle du
chaos dans loscillateur de Van Der Pol [58], puis Ren et al ont utilis le rseau neuronal pour
lidentification et le contrle des systmes chaotiques continus [59]. Dautres approches
comme, le backstepping [60-63], le mode glissant [64-66], la commande adaptatif [67-70],
ont t galement utilises.
Il est important de prciser que la littrature dans ce domaine est trs large et les
mthodologies dcrites dans cette thse ne reprsentent quune partie dentre elle. Dans ce qui
suit, nous dcrivons trois mthodes de contrle de systmes chaotiques avec application sur
des exemples de systmes continus et discrets. Il sagit de la mthode OGY qui est trs
connue, la mthode de contrle Backstepping et dune mthode qui combine le contrle flou
et le contrle prdictif base sur un rgulateur PID.
II.3 Mthodes de contrle des systmes chaotiques
II.3.1 La mthode OGY

La mthode Ott-Grebogi-Yorke ou OGY est une mthode qui se base sur lide suivante :
- dterminer quelques orbites priodiques instables, les examiner, puis choisir une qui
reprsente les performances du systme.
- ajuster les paramtres de perturbation, en un temps relativement court, dans le but de
stabiliser lorbite priodique instable.
On considre le systme suivant :
x F ( x, p) , x RN , (II.6)
O p reprsente le paramtre du contrle.
La section de Poincar du systme est reprsente par :
xn1 FM ( xn , p), x R N 1 (II.7)
Chaque point priodique dans la section reprsente une orbite priodique instable(UPO)
Soit x f un point fixe dans la section de Poincar
x f F ( x f , po ), (II.8)
25
O p o reprsente la valeur nominale du paramtre

La stratgie de contrle va donc consister trouver une loi de contrle et de stabilisation par
retour dtat, dfinie au voisinage de lorbite choisi.
Le systme tudi prsente un phnomne chaotique, donc nous garantissons le passage au
voisinage du point fixe. Une fois que le systme rentre dans le voisinage du x f , la procdure
du contrle est dclenche pour amener le systme vers lorbite dsire.

Dans ce cas, on a :
xn xn x f , (II.9)
Et
pn pn po , (II.10)
Le systme est linaris autour du point x f
x n 1 Ax n Bp n , (II.11)
Avec
A Dx F (x) , (II.12)
B F / p, (II.13)
La matrice reprsente deux directions propres, une direction stable e s (valeur propre <1) et
une direction instable eu (valeur propre >1).

Les corrections sont donc appliquer sur la direction instable.
On pose les notations suivantes :
s : Valeur propre s 1.
u : Valeur propre u . 1
e s : Vecteur propre correspond la valeur propre s
eu : Vecteur propre correspond la valeur propre u
Donc, on peut mettre la matrice A sous la forme

A s es f s u eu f u (II.14)
O f s , f u reprsentent les vecteurs covariances.
Avec f s es f u eu 1 ,
f s eu f u es 0,
Alors, lquation (II.11) devient :

xn1 u eu f u s es f s xn Bpn , (II.15)
26
En multipliant (II.15) par f u :
f u xn1 f u [u eu f u s es f s xn Bpn ], (II.16)
La stratgie de la mthode OGY consiste ajuster le paramtre du contrle p , afin de
stabiliser le systme sur le point x f , c'est--dire, il faut que xn1 0 .
Alors
f u [u eu f u s es f s xn Bpn ] 0, (II.17)
Sachant que :
f s es f u eu 1 ,
f s eu f u es 0,
Alors :
f u u xn f u Bpn 0, (II.18)
Lajustement sur le paramtre du contrle est donn par :
f u u
p n xn , (II.19)
fu B
f u u
Si on pose : k ,
fu B
Alors on obtient :
pn kxn , (II.20)
Avec la condition suivante :
p n po , (II.21)
: Paramtre prdfini, qui dtermine le voisinage du x f .

On peut galement, crire :
kxn , (II.22)
Lincrment du contrle est donc donn par :

k ( xn x f ) si k ( x n x f )
p n (II.23)
0 ailleurs
Contrle du systme de Hnon par la mthode OGY

Le systme de Hnon est dcrit par :

x n 1 a x n by n
2
(II.24)

y n 1 x n
27
O a et b reprsentent les paramtres de contrle
- point fixe :
Pour dterminer les points fixes on pose xn1 xn et y n1 y n , on obtient donc:
x a x 2 by
(II.25)
y x
Cest dire :
xf , yf
1 b 1 b2 a (II.26)
2 4
En posant : c 1 b
2
On obtient : x f , y f c c 2 a (II.27)
- application de lalgorithme de contrle :

Lalgorithme de contrle est appliqu au systme avec a 1.4 et b 0.3 pour assurer la
prsence du phnomne chaotique.
Le contrle par la mthode OGY consiste effectuer les oprations suivantes :
a- identification dorbite priodique stabiliser :
Remplaant a et b dans lquation (II.26) on obtient
x f 1 , y f 1 0.8839 (II.27)
x f 2 , y f 2 1.5839 (II.28)
Dans notre cas on choisit le point x f 1
b- calcul des matrices A et B :

On a A DxF (x) et B F / p
2 x f 1 b , 1
A B (II.29)
1 0 0
Donc
1.7678 0.3
A (II.30)
1 0
c- calcul des valeurs propres et

u et s sont dfinis par
s ,u x f 1 x 2f 1 b (II.31)
Soit :
28
s 0.1559 et u 1.9237 (II.32)
d- calcul des vecteurs propres { e s , eu } et les vecteurs covariances { f s , f u } :

Les vecteurs propres sont calculs partir de lquation suivante :
I Ae 0 (II.33)
Le vecteur propre est choisi de la forme :
s
e Avec es et eu u
1 1 1
Alors :
0.1559 1.9237
es , eu (II.34)
1 1
Sachant que : f s es f u eu 1 et f s eu f u es 0
Ce qui donne :
1 u 1 s
fs et fu
s u u s u s s u
f s 0.4808 0.9250 et f u 0.4787 0.0746
e- calcul de k :
Le paramtre k est reprsent par
1 s
u
f
k u u u s s u u s (II.35)
fu B 1 s 1
u

u s s u 0
k 1.9237 0.3011 (II.36)

On choisit 0.01
- Rsultats de simulations
Lalgorithme appliqu avec la boucle de test : Si kxn
29
Fig. II. 3 Contrle du systme de Hnon par la mthode OGY
On remarque quau environ de la 554eme itration, le systme se stabilise la valeur

xn 0.8839 aprs deux dclenchements du contrle.
Pour activer le contrle plus tt et pour viter le double dclenchement du contrle, on change
la condition de test dans lalgorithme par :
( xn x f 1 ) 2 y n y f 1
2
(II.37)
Fig. II. 4 Contrle de lattracteur de Hnon par la deuxime condition
30
Dans ce deuxime cas, on remarque que le dclenchement du contrle se produit une seule
fois. Le systme se stabilise la valeur xn 0.8839 aprs 79 itrations seulement, cela
signifie lefficacit de cette deuxime condition au voisinage du point fixe x f 1 .
II.3.2 La mthode Backstepping

Lalgorithme backstepping est un algorithme rcursif qui repose sur le choix de la fonction de
Lyapunov pour le calcul du contrleur.
A ltape i, le ime sous systme de dimension i est stabilis laide dun contrleur virtuel
et de la commande qui est calcule partir de la fonction de Lyapunov en satisfaisant les
conditions de stabilit.
Application de lalgorithme Backstepping pour le contrle du systme de Lorenz
Le modle mathmatique du systme de Lorenz est donn par :
x a( x y ),

y xz rx y, (II.38)
z xy bz,

a, b, r : les paramtres du systme.

Le systme possde trois points fixes :
x f 1 (0,0,0) , x f 2 ( b(r 1) , b(r 1) , (r 1)) , x f 3 ( b(r 1) , b(r 1) , (r 1))
a- Contrle du systme sur un point fixe ou une orbite priodique

Soit O( x f , y f , z f ) lorbite priodique instable, On peut donc crire :
x f a( y f x f )
(II.39)
y f x f z f rx f y f

z f x f y f bz f
Pour que le systme (II.38) se stabilise sur lorbite priodique O il faut que lim X O 0 ,
t
avec X ( x, y, z ) T .
Le systme contrl est dfini par :
(II.40)
x a( x y ) u1 ,

y xz rx y u2 ,
z xy bz u ,
3
O u1 , u 2 , u3 reprsentent les lois de contrle ; elles sont calcules par lalgorithme de

backstepping.
Soient : e1 x x f , e2 y y f , e3 z z f les erreurs de contrle.
31
La dynamique de lerreur est donne par le systme suivant:

e1 ae1 ae2 u1
(II.41)
e2 (r z f )e1 e2 x f e3 e1e3 u 2

e3 y f e1 x f e2 be3 e1e2 u3
Pour concevoir un simple contrleur on pose u1 0.

- Etape 1 :
On pose : z1 e1 , sa variation est :
z1 ae2 az1 (II.42)
O e2 1( z1) est considre comme un contrleur virtuel qui doit tre choisi de telle faon
ce que le sous systme z1 soit stable. Pour cela, on considre la fonction de Lyapunov
suivante :
z12
V1 (II.43)
2
V1 az12 az11 (II.44)
Si on choisit 1 0 , V1 est dfinie ngative, ce qui implique que le sous systme z1 est
asymptotiquement stable.
La fonction 1 ( z1 ) est une fonction destimation, lorsque e2 est considre comme contrleur.
On dfinit z 2 lerreur entre e2 et 1 ( z1 )

z 2 e2 1 (II.45)
On obtient, le sous systme suivant
z1 az 2 az1
(II.46)
z 2 (r z f ) z1 z 2 x f e3 z1e3 u 2
O e3 est considr comme un contrleur virtuel
e3 2 ( z1 , z 2 ) (II.47)
- Etape 2 :
Pour stabiliser le sous systme ( z1 , z 2 ) on dfinit la fonction de Lyapunov suivante :
z 22
V2 V1 (II.48)
2
Ce qui implique:
V2 az12 [(r z f ) z1 u 2 ]z 2 ( x f z 2 z1 z 2 ) 2 z 22 (II.49)
pour 2 0 et u 2 (r z f ) z1 on a :
32
V2 az12 z 22 V2 0 (II.50)
Donc le sous systme ( z1 , z 2 ) est asymptotiquement stable.
Nous savons que : z3 e3 2 , car 2 est une fonction destimation. On obtient le sous systme
suivant :
z1 az 2 az1
(II.51)
z 2 z 2 ( x f z1 ) z 3

z 3 y f z1 x f z 2 bz 3 z1 z 2 u 3
- Etape 3 :
Afin de stabiliser le sous systme ( z1 , z2 , z3 ) on choisit la fonction de Lyapunov suivante :
z 32
V3 V2 (II.52)
2
Ce qui donne :
V3 az12 z 22 bz 32 ( y f z1 x f z 2 z1 z 2 u3 ) z 3 (II.53)
Pour u3 y f z1 x f z 2 z1 z 2 la drive de la fonction de Lyapunov est dfinie semi-ngative,
ce qui implique la stabilit du sous systme ( z1 , z 2 , z3 ) .
V3 az12 z 22 bz32 0 (II.54)
b- Contrle du systme sur une trajectoire

Dans cette partie, le systme de Lorenz est contrl pour suivre une trajectoire dsire xd (t )
- Etape 1 :
Soit x1 x xd lerreur entre la variable x et la trajectoire dsire. La drive est donne par :
x1 a( y x) x d (II.55)
y 1 ( x1 ) est considr comme contrleur virtuel.
Si on considre la fonction de Lyapunov suivante :

x12
V1 (II.56)
2
Alors :
V1 ax12 ax1 (1 xd ) x1 x d (II.57)
Pour 1 xd axd , le sous systme x1 est stable parce que V1 ax12 0 .

a
y 1 ( x1 ) est une fonction destimation. Donc on peut dfinir la variable derreur suivante :
x 2 y 1 (II.58)
33
Ce qui nous donne le sous systme :

x1 ax1 ax2
(II.59)
x 2 ( x1 xd )(r z ) ( x2 1 ) 1 u 2
Avec z 2 ( x1 , x2 ) est vu comme un contrleur virtuel.
- Etape 2 :
Pour calculer la loi de contrle qui stabilise le systme ( x1 , x2 ) , on considre la fonction de
Lyapunov suivante :
x22
V2 V1 (II.60)
2
Sa drive est donne par :
V2 ax12 [( x1 xd )(r 2 ) ( x2 1 ) 1 u 2 ]x2 (II.61)
On choisissant : 2 0 et u 2 r ( x1 xd ) 1 1 , alors :
V2 ax12 x22 0 , ce qui assure que le sous systme ( x1 , x2 ) est asymptotiquement stable.
2 est une fonction destimation dont la variable derreur est donne par : x3 z 2
x1 ax1 ax2

x 2 ( x1 xd ) x3 x2 (II.62)
x ( x x )( x ) bx u
3 1 d 2 1 3 3
- Etape 3 :
Soit V3 une fonction de Lyapunov:
x32
V3 V2 (II.63)
2
Sa drive est donne par :
V3 ax12 x22 x3 [( x1 xd )( x2 1 ) bx3 u3 ] (II.64)
Pour u3 ( x1 xd )( x2 1 ) on obtient :
V3 ax12 x22 bx32 0 (II.65)
Ce qui garantit que le sous systme ( x1 , x2 , x3 ) est asymptotiquement stable.
34
25 20
Control on
20
15
15
10
10
5
5
0 0
y
x
-5
-5
-10
-10
-15
-15
-20
-25 -20
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
time(s) time(s)
50
40
30
20
z
10
-10
0 5 10 15 20 25 30 35 40
time(s)
Fig. II. 5 Contrle du systme de Lorenz sur un point fixe
Bien que le calcul de la loi de commande a t bas seulement sur la stabilisation de la

variable x, on remarque que le chaos est supprim et la variable y suit une trajectoire
sinusodale. Ce rsultat est un cas particulier pour le systme de Lorenz parce que dans ce
dernier la variable x et y varient toujours de la mme manire. Par contre dans la figure(II.6),
le chaos a t supprim, mais la variable z ne suit pas la sinusode, mais elle se stabilise sur le
point fixe origine.
20 30
x y
xd xd
15
20
10
10
5
0 0
x
-5
-10
-10
-20
-15
-20 -30
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
time(s) time(s)
35
50
z
xd
40
30
20
z
10
-10
-20
0 5 10 15 20 25 30 35 40 45 50
time(s)
Fig. II. 6 Contrle sur une trajectoire
II.3.3 Le contrle prdictif flou PD+I

Le contrle prdictif est une stratgie de contrle base sur la prdiction de la sortie du
systme sur un horizon tendu dans le futur, elle permet au contrleur de prdire le
changement de la grandeur commander et de baser les actions du contrle sur la prdiction.
Le principe est de raliser des prdictions partir dun modle mathmatique du systme et de
dterminer chaque priode dchantillonnage la commande qui minimise un critre
contenant la somme quadratique des erreurs sur lhorizon de prdiction et leffort de la
commande pondr. Par ailleurs, le contrle prdictif de type PID, et le contrle prdictif
bas sur la logique floue et les rseaux de neurones ont attires beaucoup dattentions [71-73].
La logique introduite par L. Zadeh est utilise avec succs pour le contrle des systmes non
linaires dont les modles des systmes sont inconnus [74]. La combinaison de la logique
floue avec le contrle prdictif peut aider rsoudre le problme de la commande prdictive
non linaire. Pour cette raison, le contrle prdictif flou est devenu de plus en plus intressant.
Par la suite, plusieurs combinaisons du contrle flou PID ont t dveloppes, elles ont une
structure analytique et une stabilit garantie, elles ont donn de bonnes performances pour le
contrle des systmes non linaires.
En se basant sur ce qui prcde, une combinaison intressante du contrle flou PID avec le
GPC (Generalized Predictive Control) a t propose dans [75]. Dans cette partie, on se
propose dappliquer cette approche pour le contrle des systmes chaotiques.
Le contrleur prdictif flou PD+I est compos :
- Dun modle de prdiction.
- Dun contrleur flou PD.
- Dun contrleur flou I.
36
- Dun critre de cot J (Optimal Cost Index J) minimiser en ligne.

Dans la figure (II.7), () est la rfrence, () est la sortie du systme, est la commande
du systme, ( + 1) est la valeur prdite de la sortie du systme base sur un modle de
prdiction qui peut tre linaire ou non-linaire, + 1 , , , ( ) sont les
rfrence de pour des diffrents temps dchantillonnage et est lincrment de la
commande.
La thorie du contrleur repose sur deux stratgies diffrentes mais complmentaires qui sont
la prdiction et la logique floue. Pour atteindre lobjectif, on utilise un modle comme
prdicteur pour estimer ( + 1) . Pour que le contrleur ait les mmes caractristiques que le
GPC, un critre de cot optimal a t intgr directement. Cette intgration permet davoir
une prdiction similaire celle du GPC en rduisant considrablement le cot en calcul.
Cette structure de commande a deux objectifs, le premier cest de forcer la sortie du systme
suivre sa rfrence connue , lautre cest de forcer le cot suivre une rfrence , pour le
rendre le plus petit possible. Lerreur de et sa drive sont utilises comme des entres pour
le contrleur flou PD+I, puis les paramtres du contrleur sont ajusts pour forcer le cot
tendre vers sa rfrence lorsque le temps tend vers linfini.
Cependant, lajustement des paramtres doit se faire de telle faon ce que la sortie du
systme se rapproche sa rfrence . Le fait dajuster les paramtres selon cette condition
garantit la convergence de vers sa rfrence . Autrement dit, quand lerreur de et sa
drive tendent vers zro, lerreur de et sa drive doivent eux aussi tendre vers zro. Donc
lajustement des paramtres dun seul contrleur PID permet de raliser les deux objectifs
cits prcdemment. Ceci est lavantage principal de cette thorie.
Pour la prdiction, il est possible dutiliser des modles linaires ou non linaires. Par
exemple dans le cas linaire, on peut utiliser le modle CARMA Controlled Auto-
Regressive Moving Average model . Dans le cas non-linaire, on peut utiliser le modle du
systme lui-mme comme prdicteur. Pour la stabilit du contrle prdictif, le critre de cot
optimal optimiser est dfini par :

= =1( )2 + =0( )2 (II.66)
2
= =1 + =0( )2 (II.67)
: la rfrence, : lincrment de commande, , = 0, , les sorties du systme.
: lerreur entre et .
: lhorizon de prdiction, : lhorizon de commande.
37
() () () ()
Contrleur Systme
+- Flou PD+I Chaotique
()
-+
( ) 1
Cot optimal J Modle de prdiction
( + 1) () ( + )
( + 1) + - ( + 1)
() + - ()
Temps de retard
( )
+ - ( )
Fig. II. 7 Le contrleur prdictif flou PD+I.
38
() ()
+
1 1
+
Contrleur ()
1

+ flou PD
-
+
()
1
+
1
()
+ + ()
() +
+
1
+ +
+
Contrleur ()
1
flou I
Fig. II. 8 Le contrleur flou PD+I
Dans ce qui suit, nous prsentons les rsultats de simulation du contrle du systme de Hnon
choisi comme exemple. Lquation rcurrente qui dcrit le systme de Hnon est :
= 1.3 1.3 2 2 0.065 3 + ( 1) (II.68)
() : la loi de commande.
Le critre doptimalit est dfini comme suit :
3 2 3
= =1 + =0( )2 (II.69)
On essayera de comparer les rsultats obtenus par le contrle prdictif flou PID avec des
rsultats obtenus par un contrleur flou PID.
Le calcul des paramtres et ltude de la stabilit des contrleurs est fait de la mme manire
que dans [76]. Pour le rgulateur prdictif flou PID les paramtres sont optimiss comme
suit :
39
= 0.1, = 60, = 3, = 0.0001, = 0.0002, = 0.2, = 0.001

Pour le rgulateur non prdictif flou PID, les paramtres sont :
= 0.1, = 1.55, = 0.0775, = 0.0007, = 0.002, = 0.1, = 0.1
Pour la prdiction le systme est lui-mme utilis comme prdicteur, donc la prdiction est
faite par un modle non linaire.
Les rsultats de simulation sont reprsents par les figures (II.9) et (II.10). On remarque que
le contrleur flou PID ne contrle pas bien le systme sur la trajectoire dsire. La figure
(II.9) nous montre que le systme se stabilise sur son point fixe zro, mais une fois que la
rfrence change, le systme contrl devient instable.
Par contre, dans le cas du contrleur prdictif flou PD+I, le systme suit parfaitement la
rfrence ce qui explique lefficacit de laction de prdiction introduite par la minimisation
du cot , et aussi le calcul des paramtres partir de la fonction de Lyapunov ce qui offre
plus de stabilit la mthode de contrle.
1.5 0
y(k)
Ry(k)
-0.2
1
-0.4
0.5
la commande
-0.6
y(k), Ry(k)
0
-0.8
-0.5
-1
-1
-1.2
-1.5 -1.4
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Temps (0.1*s) Temps (0.1*s)
1.5
0.5
L'erreur
-0.5
-1
-1.5
0 100 200 300 400 500 600 700 800 900 1000
Temps (0.1*s)
Fig. II. 9 Contrle du systme chaotique de Hnon par un contrleur flou PD+I
40
1.5 0
y
ref
-0.2
1
-0.4
0.5
la commande
-0.6
y(k), ref
0
-0.8
-0.5
-1
-1
-1.2
-1.5 -1.4
0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500
Temps(0.1*sec) Temps(0.1*sec)
1.5 8
6
1
4
0.5
lle cot optimal J
2
l'erreur
0 0
-2
-0.5
-4
-1
-6
-1.5
0 50 100 150 200 250 300 350 400 450 500 -8
0 50 100 150 200 250 300 350 400 450 500
Temps(0.1*sec)
Temps(0.1*sec)
Fig. II. 10 Contrle du systme chaotique de Hnon par un contrleur prdictif flou PD+I
41
Chapitre III _______________________________________________ Synchronisation des systmes chaotiques
Chapitre III : Synchronisation des systmes chaotiques
III. 1 Introduction
La synchronisation du chaos est une suite de dveloppement de la thorie du contrle. Les

mthodes de stabilisation du chaos ont prouv non seulement la possibilit de stabiliser un
systme chaotique sur une orbite priodique, mais aussi pour faire une poursuite dune
trajectoire priodique. Ce phnomne de contrle peut donc tre considr comme un
phnomne de synchronisation dun systme chaotique avec un signal priodique.
La synchronisation chaotique cest lorsque le signal priodique est remplac par un signal
chaotique. Si lon sarrte la proprit de sensibilit aux conditions initiales des systmes
chaotiques, cette synchronisation parait difficile raliser car la diffrence de la
synchronisation o lon cherche reproduire juste une priode doscillation, la
synchronisation chaotique prsente plus de contraintes.
Dans la littrature plusieurs concepts de synchronisation chaotique ont t proposs en
premier par Yamada et Fujisaka [77]-[78]. Par la suite des concepts importants lis la
synchronisation chaotique ont t dvelopps par Afraimovich et al dans [79] et
ultrieurement Pecora et Carroll [80] ont dfini la synchronisation chaotique connue sous le
nom de synchronisation identique, dveloppe sur la base de circuits chaotiques coupls, avec
lun matre et lautre esclave. Cette structure de synchronisation souvent dsigne par P-C
synchronisation est globalement asymptotiquement stable. La synchronisation est obtenue si
tous les exposants de Lyapunov du systme esclave sont ngatifs. Aprs cette dcouverte,
plusieurs mthodes de suppression de chaos ont t appliques pour la synchronisation
chaotique puisquun problme de synchronisation peut tre aussi transform en un problme
de contrle de lerreur pour quelle se stabilise lorigine.
Il existe deux types de synchronisation : la synchronisation unidirectionnelle et la
synchronisation bidirectionnelle. Dans la synchronisation bidirectionnelle la boucle de retour
est applique sur les deux systmes la fois [81]. Par contre, dans le cas de la synchronisation
unidirectionnelle la boucle de retour est applique sur lun des deux systmes.
On considre les deux systmes dcrits respectivement par (III.1) et (III.2):
= + + 1 ( ) (III.1)
= + + 2 ( ) (III.2)
42
Avec est une matrice constante, et : une fonction non linaire continue.
1 , 2 matrices de gain de retour.
On note lerreur de synchronisation par :
= () (III.3)
Et
= (III.4)
La dynamique de lerreur de synchronisation est donne par :
= + , 1 + 2 () (III.5)
Thorme : S il existe une matrice constante et un > 0 tels que [62]:

+ , 1 + 2 + + , 1 + 2 < (III.6)
O est la matrice identit.

Alors, la dynamique du systme derreur est globalement stable, ce qui implique la
synchronisation des deux systmes.
La synchronisation unidirectionnelle est un cas particulier de la synchronisation
bidirectionnelle, elle est dfinie si 1 = 0 ou 2 = 0.
III.2 Mthodes de synchronisation
Diverses stratgies de synchronisation ont t proposes et tudies sur la base de modles

simples ou de circuits lectroniques gnrateurs de chaos. Certaines mthodes ont mis un
accent particulier sur leffet des incertitudes des paramtres des systmes, lesquels impliquent
en gnral une diffrence entre systmes matre et esclave.
Parmi les approches proposes dans la littrature pour synchroniser les systmes chaotiques
identiques , non identiques, incertains, hyper-chaotiques, les oscillateurs excitation etc.
nous pouvons citer les mthodes de synchronisation bases sur : le contrle non linaire [82-
84], le contrle adaptatif [85]-[86], le contrle par mode glissant [87]-[88], le contrle
actif [89]-[90], le contrle Backstepping [91]-[92], , le contrle retour dtat [93], , etc.
Ce chapitre est consacr la prsentation des mthodes les plus performantes et les plus
rencontres.
III.2.1 Le contrle actif
Lapplication du contrle actif pour la synchronisation des systmes chaotiques a t propose

par Bai et Lonngren [94], cest une technique efficace qui a montr sa puissance non
43
seulement pour la synchronisation des systmes non identiques, mais aussi pour la
synchronisation des systmes hyper-chaotiques. De plus, cette mthode offre une simplicit
remarquable pour limplmentation de lalgorithme. Des variations adaptatives ont t
introduites sur la mthode, afin de lappliquer la synchronisation des systmes incertains. Le
principe de lalgorithme est le suivant :
Soit deux systmes chaotiques synchroniser. Un systme matre dfini par :
1 + 1 = 1 , (III.7)
Et un systme esclave dfini par :
2 + 1 = 2 , (III.8)
() reprsente le vecteur dtat du systme, une fonction non linaire et le paramtre de
contrle.
Afin de synchroniser les deux systmes, on applique sur lesclave la fonction du contrle actif
()
2 + 1 = 2 , + () (III.9)
Pour que les deux systmes se synchronisent, il faut que lerreur entre les trajectoires des deux
systmes converge vers zro lorsque le temps tend vers linfini.
Cette erreur est obtenue en faisant la soustraction entre (III.7) et (III.8)
+ 1 = 2 , 1 , + () (III.10)
Elle peut tre exprime comme suit :
+ 1 = , + , + () (III.11)
O , reprsente la partie linaire et , la partie non linaire.
On dfinit la fonction du contrle actif par :
= , + ( ) (III.12)
On obtient donc :
+ 1 = () (III.13)
Pour : < 1, = 1,2, , 0 lorsque , La synchronisation entre les deux
systmes est alors ralise.
III.2.2 Le contrle hybride rtroaction

On considre le systme chaotique dont la forme est la suivante:
= + () (III.14)
O , , : , est une fonction non-linaire.
Pour la synchronisation, ce systme est considr comme matre et le systme suivant est le
systme comme esclave :
44
= + [ + ] (III.15)
Avec la loi de commande.
Pour mieux illustrer le principe de cette mthode, on considre titre dexemple un systme
de dimension 3.
Lerreur de synchronisation entre les deux systmes dans ce cas est dfinie par:
= (1 , 2 , 3 ) = (1 1 , 2 2 , 3 3 ) (III.16)
Et sa dynamique donne par :
= + [ ] (III.17)
Pour rendre le systme derreur contrlable, la loi de commande doit tre convenablement
choisie.
On pose :
= 1 + 2 (III.17)
O
1 = () (III.18)
1 1
2 = = 1 , 2 , 3 2 2 (III.19)
3 3
= 1 , 2 , 3 : est le vecteur de rtroaction.
1 est un contrleur non-linaire, et 2 un contrleur linaire. Le contrleur global est dit
contrleur hybride.
la stabilit asymptotique du systme derreur est garantie si toutes les valeurs propres de la
matrice ( ) ont des parties relles ngatives. Si on applique les lois de commande sur
le systme derreur, sa dynamique devient :
= (III.20)
En sappuyant sur la thorie du contrle linaire, la synchronisation est obtenue si les parties
relles des valeurs propres de la matrice ( ) sont toutes ngatives.
III.2.3 La mthode du Backstepping
La mthode du backstepping est une mthode rcursive qui se base sur le choix dune
fonction de Lyapunov avec la conception du contrleur ncessaire. Il existe plusieurs
avantages dans cette mthode :
- Elle prsente une procdure systmatique pour la slection du contrleur
45
- Elle peut tre applique diffrents systmes chaotiques : systmes identiques,

diffrents, hyper-chaotiques, avec excitation extrieur.
- Elle offre la possibilit de raliser la synchronisation avec un seul contrleur quelque
soit la dimension des systmes synchroniser.
- Le contrleur calcul ne contient pas de drive ce qui offre une simplicit dans
limplmentation de lalgorithme.
En considre un systme dfini comme suit :
1 = 1 1 , 2
2 = 2 1 , 2 , 3
(III.21)

= 1 , 2 , , + +1 ()
1 est une fonction linaire, et ( = 2,3, , ) sont des fonction non-linaires. Pour
certains systmes tels que celui de Lorenz ou de Rossler, +1 = 0.
On considre un systme matre reprsent par (III.21) et un systme esclave dfini par :
1 = 1 1 , 2
2 = 2 1 , 2 , 3
(III.22)

= 1 , 2 , , + +1 +
+1 a les mme caractristiques que +1 , et est une loi de commande qui doit tre
choisie convenablement pour obtenir la synchronisation.
Lerreur de synchronisation scrit :
1 = 1 1 2 = 2 2 = (III.23)
Et la dynamique du systme:
1 = 1 1 , 2
2 = 2 1 , 2 , 3 , 1 , 2 , 3
(III.24)

= 1 , 2 , , , 1 , 2 , , + +1 +1 +
1 est une fonction linaire, et ( = 2,3, , ) sont des fonctions non-linaires.
Lobjectif est de calculer une loi de commande qui assure la convergence du systme
( = 1,2, , ) vers lorigine en utilisant lalgorithme backstepping.
Pour cela, le systme derreur (III.24) doit tre dcompos en sous systme:
1 , 1 , 2 , 1 , 2 , 3 , , (1 , 2 , 3 , , ) (III.25)
46
Et pour chaque sous systme on dfinit une fonction de Lyapunov positive:
= (, , , , ) (III.24)
: lordre du sous-systme.
, : reprsentent respectivement la loi de commande et le contrleur virtuel du sous

systme dordre .
Les lois de commandes et les contrleurs virtuels sont calculs chaque fois de tel sorte que
la drive de la fonction de Lyapunov soit strictement ngative < 0.
III.2.4 la mthode du mode glissant
Soit deux systmes chaotiques de dimension :

= + (III.25)
Et
= + + () (III.26)
Avec une matrice constante.
: une fonction non linaire continue, et une loi de commande.
On a :
= () (III.27)
Et
= (III.28)
La dynamique de lerreur scrit :
= + + () (III.29)
Si on se base sur le principe du contrle actif pour liminer la partie non-linaire du systme
derreur, la loi de commande () est choisie comme suit :
= (III.30)
Avec un vecteur constant de gain qui doit tre calcul de telle sorte que le couple (, )
soit contrlable.
= + () (III.31)
Le calcul du contrleur est souvent bas sur la mthode donne par Hung et al [95].
47
Soit () la surface de glissement :
= () (III.32)
: vecteur constant.
Le systme contrl doit satisfaire :
= 0, =0 (III.33)
Donc on peut crire :
= () + () = 0 (III.34)
La loi de commande quivalente est :
= ()1 () (III.35)
Lexistence de ()1 est une condition ncessaire.
La nouvelle forme de lerreur de synchronisation est :

1
() = () (III.36)
Pour assurer la stabilit asymptotique du systme contrl, la matrice doit tre choisie de
1
telle sorte que les parties relles des valeurs propres de la matrice soient
toutes ngatives,
Dans [96], Young et al ont propos un contrleur en mode glissant de la forme:
= (III.37)
O (. ) est la fonction signe, et > 0, > 0 sont des constantes.
La loi de commande dans ce cas est :
() = ()1 [ + () + ] (III.38)
Ce qui est quivalent :
()1 + () + () > 0
() = (III.39)
()1 + () () < 0
Pour observer la stabilit de la dynamique de lerreur de synchronisation, on considre la

fonction de Lyapunov suivante :
2
= (III.40)
2
do
48
= 2 (III.41)
la drive est toujours ngative, puisque est toujours positive tant que 0 et
, > 0.
Les constantes , doivent tre choisies judicieusement pour minimiser le chattering

mode et amliorer le reaching mode
III.3 Les types de synchronisation

Paralllement au dveloppement des mthodes, diffrents type de synchronisation ont t
proposs : la synchronisation en phase (PS), la synchronisation Lag, la synchronisation
gnralise (GS), la synchronisation complte (CS) etc, [97-99].
III.3.1 La synchronisation identique (PC)
La synchronisation identique a t propose par Pecora et Carroll. Elle a lavantage de
reprsenter une solution de synchronisation simple et performante. Elle permet lesclave de
reproduire le plus fidlement possible ltat du matre, aprs un rgime transitoire.
Lide de la synchronisation identique est de diviser le systme initial en deux sous-systmes.

Cette opration peut tre ralise dune manire arbitraire.
La figure suivante reprsente le processus de dcomposition en sous-systmes. reprsente la

variable dtat qui commande le sous-systme esclave 2
Le sous-systme rplique 2 est un candidat susceptible de se synchroniser avec la dynamique
complte initiale. Pecora et Carroll ont dmontr que la condition ncessaire et suffisante pour
que cette proposition soit vraie est que le sous-systme 2 soit stable; cette hypothse est
quivalente avec la condition qui dit que lensemble des coefficients de Lyapunov du sous-
systme 2 soient ngatifs. Une synchronisation parfaite peut alors tre obtenue puisque les
trajectoires sont asymptotiquement convergentes :
lim 2 2 () = 0 (III.42)
49
1 = 1
Sous-systme
1 = 1 (1 , 2 )
Systme initial 2 1 Sous-systme 2

= ( ) 2 2 = 2 (1 , 2 )
Sous-systme
2 = 2 (1 , 2 ) Systme esclave
Systme maitre
Fig. III. 1 Structure de synchronisation par dcomposition en sous-systme propose par Pecora et Carroll
Pour illustrer ce mcanisme de synchronisation on considre comme exemple le systme de

Lorenz dfini par les quations (I.26) ( = 10, = 8/3, = 28). Le matre et lesclave sont
initialiss sparment avec des conditions initiales trs proches. Pour une dure de 10
secondes on les laisse fonctionner indpendamment, les trajectoires des deux systmes
deviennent alors assez vite divergentes.
A linstant = 10, on supprime la dimension du systme esclave et on le remplace par
ltat correspondant ct matre ; Cette opration va forcer les tats et du systme esclave
converger asymptotiquement vers les tats correspondants du systme matre. La garantie de
cette convergence est donne par les valeurs ngatives 2 , 3 0 des exposants de Lyapunov
associs au systme esclave. La figure suivante montre quaprs une priode de transition, le
systme esclave converge asymptotiquement vers ltat du matre, et les deux se retrouvent
parfaitement synchroniss.
40 60
dclenchement du controle emmeteur dclenchement du controle emmeteur
rcepteur 50 rcepteur
30
40
20
30
y et y estime
z et z estime
10
20
0
10
-10
0
-20 -10
-30 -20
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
temps(s) temps(s)
Fig. III. 2 Synchronisation matre esclave P-C du systme de Lorenz
50
Bien que les deux systmes aient t initialiss diffremment, ils ont fini par se rattraper et
avoir la mme trajectoire. Ce type de synchronisation est dite unidirectionnel, car le systme
matre reprsente la source et le systme esclave le destinataire.
Par la suite Carroll a propos un systme de communication crypt bas sur l'exemple de
Pecora et illustr par la figure suivante.
Etage metteur Etage rcepteur
Signal de couplage
Message crypt Signal chaotique

Signal chaotique synchronis
Message source Message dcod
Fig. III. 3 Systme de communication chaotique propos par Pecora et Carroll [100]
Le transmetteur ajoute un signal chaotique au message transmettre et envoie au rcepteur le

rsultat en plus du signal de couplage. Ce dernier est compos d'une partie duplique du
systme de transmission, le signal chaotique est alors rgnr puis retranch au signal reu
pour avoir le message original.
51
10
4
m(t) message source
2
-2
-4
-6
-8
-10
0 2 4 6 8 10 12 14 16 18 20
temps(s)
30
20
mt(t) message crypt par le chaos
10
-10
-20
-30
0 2 4 6 8 10 12 14 16 18 20
temps(s)
20
m(t) message source
mr(t) message dcrypt
15
mr(t) message dcrypt
10
-5
-10
0 2 4 6 8 10 12 14 16 18 20
temps(s)
Fig. III. 4 Transmission chaotique dune sinusode selon la structure de Pecora et Carroll
Pour illustrer cette architecture de communication chaotique on reprsente un exemple de

simulation, en prenant comme message source, une sinusode de la forme = 8cos
(4).
52
Le message source est mlang avec la deuxime variable du systme, et la variable est
utilise comme signal de couplage.
Les rsultats de simulation sont reprsents par la figure (III.4). On remarque quaprs
seulement quelque seconde on reconstruit exactement le mme message mis.
Pour viter ltat transitoire (dead bit synchronization) il est conseill dintroduire le message
utile au milieu de la porteuse chaotique.
III.3.2 La synchronisation complte (CS)
On considre un systme matre reprsent par les quations suivantes :
= , , = , : (III.43)
Et un systme esclave donn par :
= , , , = , : (III.44)
O (, ) sont les tats des systmes et (, ) sont les sorties.
Soit une fonction continue, qui dcrit la relation entre le matre et lesclave lors de la
synchronisation :
= , : (III.45)
La synchronisation est dite complte si () = .
Ce qui implique que ; = et est une identit.
Si = , la relation devient une synchronisation complte identique.
Si cest une synchronisation complte non identique.
La synchronisation complte est donc une concidence complte entre les variables dtat des
deux systmes synchroniss. Les mthodes de synchronisation complte sont typiquement
associes avec la synchronisation des systmes identiques.
La majorit des concepts de synchronisation complte utilise un schma de rtroaction et sont

considres comme tant bidirectionnels, car les deux systmes sont la fois source et
destination.
53
III.3.3 La synchronisation gnralise (GS)

La synchronisation gnralise est considre comme une gnralisation de la synchronisation
complte pour synchroniser des systmes chaotiques de modle diffrent. Elle se manifeste
par une relation fonctionnelle entre deux systmes chaotiques coupls.
III.3.4 La synchronisation Lag
Elle est dfinie pour le cas o () ( ), avec est un nombre positif trs petit.
III.3.5 La synchronisation anticipe
Comme dans le cas de la synchronisation Lag, la relation entre les variable dtat des
systmes matre et esclave est donne par :
+ , > 0. (III.46)
III.3.6 La synchronisation de phase (PS)
Soit 1 et 2 les phases des systmes matre et esclave respectivement. La synchronisation de

phase est ralise si pour deux nombres entiers et , il existe un nombre positive trs petit
tel que :
1 2 < . (III.47)
Le phnomne de synchronisation de phase est totalement diffrent de ceux prsents

prcdemment. Gnralement, lorsque la synchronisation chaotique est obtenue, les exposants
de Lyapunov du systme esclave sont tous ngatifs. Donc le systme esclave est un systme
non chaotique avec une sortie chaotique. Cependant, dans le cas de la synchronisation de
phase, les exposants de Lyapunov peuvent prendre des valeurs positives.
III.3.7 Lanti-synchronisation
Thoriquement, deux systmes sont anti-synchroniss si dune part, le systme matre et le

systme esclave ont des vecteurs dtat identiques en valeur absolue mais avec des signes
opposs et que dautre part, la somme des vecteurs dtat des deux systmes tend vers zro
lorsque le temps tend vers linfini. Lerreur danti-synchronisation peut donc tre dfinie
comme suit [101]:
= + , = 1, , (III.48)
, : ltat du systme matre et esclave respectivement.

54
: la dimension des systmes.
III.4 Rsultats de simulation

Pour illustrer les principes des diffrentes mthodes numres prcdemment, nous
prsentons dans ce qui suit les rsultats obtenus pour diffrents cas de simulation.
III.4.1 Synchronisation des systmes chaotiques identiques
a- Synchronisation par la mthode du contrle actif
Exemple 1 : Systme discret de dimension 2
On considre le systme de Hnon suivant :

1 + 1 = 12 + 1 (III.49)
1 + 1 = 1 ()
Avec = 1.4 et = 0.3.
Ce systme reprsente le matre et le systme esclave est dfini par :
2 + 1 = 22 + 2 + 1 () (III.50)
2 + 1 = 2 + 2 ()
Lerreur entre les deux systmes scrit :

+ 1 = 12 22 + + 1 () (III.51)
+ 1 = + 2 ()
Donc, la loi de contrle doit tre sous la forme

1 = 1 + 22 12 (III.52)
2 = 2 (III.53)
O
1 = 1 () (III.54)
2 = 2 (III.55)
Alors
+ 1 = 1 () (III.56)
+ 1 = 2 (III.57)
Pour la simulation, on prend:
1 = 2 = 0.1, 1 0 = 0.1, 1 0 = 0.2, 2 0 = 0.4, 2 0 = 0.5 .
55
Lalgorithme de synchronisation est appliqu sur le systme esclave litration = 50. On

remarque alors quaprs quelques itrations, lerreur de synchronisation converge rapidement
vers zro, et le systme esclave se synchronise parfaitement avec le matre bien que les
conditions initiales soient totalement diffrentes.
2 2
y1
x1
1 1 y2
x2
Y1,Y2
X1,X2
0 0
-1 -1
Control on Control on
-2 -2
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
4 4
2 2
Ys
0
Xs
-2 -2
-4 -4
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
Fig. III. 5 Synchronisation du systme de Hnon par le contrle actif pour = . .
Exemple 2 : Systme discret de dimension 3
Le systme considr est celui de Kokame, dcrit par [102] :
1 + 1 = 1 , + 0.41 0.51
1 + 1 = 0.31 + 1 , (III.58)
1 + 1 = 0.11 0.21
Avec
+1 < 0.5
, = 0.5 (III.59)
1 > 0.5
Et = .
le systme esclave est dfini comme suit:
2 + 1 = 2 , + 0.42 0.52 + 1 ()
2 + 1 = 0.32 + 2 , + 2 (III.60)
2 + 1 = 0.12 0.22 + 3
Lerreur de synchronisation est alors la suivantes:
+ 1 = 2 , 1 , + 0.4 0.5 + 1 ()
+ 1 = 0.3 + 2 , 1 , + 2 (III.61)
+ 1 = 0.1 0.2 + 3
56
Pour satisfaire la condition de synchronisation, on utilise la loi de contrle suivante :

1 = 1 , 2 , 0.4 + 0.5 + 1 ()
2 = 0.3 2 , + 1 , + 2 (III.62)
3 = 0.1 + 3 + 0.2
Pour la simulation on choisit:

= 2, = 2, 1 = 0.01, 2 = 0.01, 3 = 0.01.
1 0 , 1 0 , 1 0 = 0.1,0.1,0.1 , 2 0 , 2 0 , 2 0 = 0.2,0.3,0.25
2 2
Control on X1 Control on Y1
1 X2 1 Y2
X1, X2
Y1,Y2
0 0
-1 -1
-2 -2
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
3 4
2
2
1

Xn
Yn
0
0
-2
-1
-2 -4
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
iteration iteration
0.3
Control on Z1
0.2 Z2
0.1
Z1,Z2
-0.1
-0.2
0 20 40 60 80 100 120 140 160 180 200
0.3
0.2
0.1

Zn
-0.1
-0.2
0 20 40 60 80 100 120 140 160 180 200
iteration
Fig. III. 6 Synchronisation de systme de Kokame pour = ,
Exemple 3 : Anti-synchronisation de systmes chaotiques continus
Les lois de commande quon doit appliquer sur lesclave afin dassurer lanti-synchronisation
sont calcules laide de lalgorithme du contrle actif.
57
Soit les systmes matre et esclave reprsents respectivement par les quations suivantes :
x1 a( y1 x1 ),

y1 x1 z1 cy1 , (III.63)
z x y bz ,
1 1 1 1
x 2 a( y 2 x 2 ) S1 ,

y 2 x 2 z 2 cy 2 S 2 ,
z x y bz S ,
2 2 2 2 3
(III.64)
O S [S1 , S 2 , S 3 ]T reprsente la fonction du contrle actif calculer.
Contrairement la synchronisation, lerreur danti-synchronisation est donne par :
e1 x1 x2

e2 y1 y2 (III.65)
e z z
3 2 1
Sa dynamique est :
e1 x1 x2

e2 y1 y 2 (III.66)
e z z
3 2 1
Ce qui donne
e1 ae2 ae1 S1

e2 ce2 x1e3 z2 ( x1 x2 ) S 2 (III.67)
e x e be y ( x x ) S
3 1 2 3 2 2 1 3
Pour obtenir lanti-synchronisation il faut que :
lim ei (i 1,2,3) 0 (III.68)

t
Pour liminer les termes non linaires dans lquation (III.67), la fonction du contrle actif est
choisi, telle que:
S1 v1

S 2 z2 ( x1 x2 ) v2 (III.69)
S y ( x x ) v
3 2 2 1 3
o v1 ,v2 et v3 sont les lois de contrle.
58
En remplaant (III.69) dans (III.67), on obtient :
e1 ae2 ae1 v1

e2 ce2 x1e3 v2 (III.70)
e x e be v
3 1 2 3 3
Dans ce cas, le problme danti-synchronisation se transforme en un problme de contrle de

lerreur pour la stabiliser la valeur zro.
Pour dfinir les lois de contrle, on choisit la fonction de Lyapunov suivante :
1 2
f (t ) (e1 e22 e32 ) (III.71)
2
Dont la forme gnrale de la drive est la suivante :
df (t )
e1e1 e2 e2 e3 e3
dt (III.72)
e1 (ae2 ae1 v1 ) e2 (ce 2 x1e3 v 2 ) e3 (be3 x1e2 v3 )
Si on choisit :
v1 ae2

v2 x1e3 2ce2 (III.73)
v e x
3 2 1
La drive de la fonction de Lyapunov devient :
df (t )
ae12 ce22 be32 (III.74)
dt
Si on pose
r min a, b, c (III.75)
Alors :
df (t )
r (e12 e22 e32 ) 2rf (t )
dt (III.76)
f (t ) f (0)e 2 rt
Ce qui assure que pour t , lerreur ei (i 1,2,3) 0 .
C'est--dire lanti-synchronisation des deux systmes est ralise.
59
20 25
x1 y1
x2 20 y2
15
15
10
10
5
5
y1,y2
x1,x2
0 0
-5
-5
-10
-10
-15
-15
-20
-20 -25
0 5 10 15 20 25 30 0 5 10 15 20 25 30
time time
40
z1
z2
30
20
10
z1,z2
-10
-20
-30
-40
0 5 10 15 20 25 30
time
Fig. III. 7 Anti-synchronisation du systme de L par le contrle actif.
b- Synchronisation par le contrle non-linaire
Pour illustrer cette partie nous avons choisi le systme hyperchaotique de L. Les systmes
matre et esclave sont reprsents respectivement par les quations (III.77) et (III.78):
1 = 1 1 + 1
1 = 1 1 + 1
(III.77)
1 = 1 1 1
1 = 1 1 + 1
2 = 2 2 + 2 + 1
2 = 2 2 + 2 + 2
(III.78)
2 = 2 2 2 + 3
2 = 2 2 + 2 + 4
O 1 , 2 , 3 et 4 sont les lois de contrle.
Lerreur de synchronisation entre les deux systmes scrit sous la forme :
60
= 2 1 ()
= 2 1 ()
(III.79)
= 2 1 ()
= 2 1 ()
Pour que les deux systmes se synchronisent il faut que lim ( = 1, ,4) 0. Dans ce
cas le problme de synchronisation se transforme un problme de contrle de lerreur pour
quelle se stabilise la valeur zro.
Lexpression (III.80) reprsente la dynamique de lerreur entre les deux systmes
= + + 1
= 1 + 2 + 2
(III.80)
= 1 + 2 + 3
= 1 + 2 + + 4
Pour dfinir la loi de contrle, on choisit la fonction de Lyapunov suivante :

1
= 2 (2 + 2 + 2 + 2 ) (III.81)
Dont la forme gnrale de la drive est la suivante :

= + + +

= + + 1 + 1 + 2 + 2 (III.82)
+ 1 + 2 + 3 + (1 + 2 + + 4 )
Si on pose :
1 = + 1
2 = 2 + 1
(III.83)
3 = 2
4 = 2 (1 + 1)
La drive de la fonction de Lyapunov devient :

()
= 2 2 2 2 (III.84)

Si on pose = min
{, , , }
Alors :

2 + 2 + 2 + 2 = 2 (III.85)

(0) 2
61
Ce qui assure que pour lerreur 0, c'est--dire la synchronisation des deux

systmes est obtenue.
Les figures suivantes reprsentent les rsultats de simulation obtenus pour des conditions
initiales diffrentes
Les diffrentes figures montrent que les trajectoires des variables dtat (, , , ) des
systmes matre et esclave divergent avant le dclenchement du contrle. Ceci est d la
sensibilit aux conditions initiales. Une fois le contrle dclench, ces mmes trajectoires
convergent rapidement et deviennent identiques dans un temps rduit.
40 40
control on x1 y1
20 x2 20 y2
x1,x2
y1,y2
0 0
-20 -20
-40 -40
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
time
40 40
20 20
ex
ey
0 0
-20 -20
-40 -40
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
time (s) time (s)
60 200
z1 u1
40 z2 100 u2
z1,z2
u1,u2
20 0
0 -100
-20 -200
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
time time
40 200
20
100
0
eu
ez
0
-20
-100
-40
-60 -200
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
time (s) time (s)
62
150
ex
ey
ez
100
eu
50
ex,ey,ez,eu
0
-50
-100
-150
0 2 4 6 8 10 12 14 16 18 20
time (s)
Fig. III. 8 Synchronisation et erreurs de synchronisation du systme hyper-chaotique de L
c- Synchronisation par le contrle hybride rtroaction
On considre le systme chaotique suivant :
1 = 2 1
2 = 1 3 2 (III.86)
3 = 1 2 3
O , , sont les paramtres du systme. Pour = 5, = 16, = 1 le systme est dans un

tat chaotique.
10
15
X1
10 0
5 -10
0 5 10 15 20 25 30
X3
0 20
-5
X2
-10
20 -20
0 5 10 15 20 25 30
10 20
0 10
X3
-10 10 0
5
0
X2 -20 -5 -10
-10
X1 0 5 10 15 20 25 30
Time (s)
Fig. III. 9 Attracteur chaotique et reprsentation temporelles des tats du systme
Ce systme peut tre reprsent sous la forme suivante:
1 0 1 0 0 1 3
2 = 0 1 0 2 + 1 0 (III.87)
1 2
3 0 0 3 0 1
Si on compare cette quation avec la forme dfinie prcdemment, on obtient:
63
0 0 0 1 3
= 0 1 0 , = 1 0 , = (III.88)
1 2
0 0 0 1
Soit un contrleur tel que :
1 2 3
= (III.89)
0 0 0
Alors :
0 0 0
2 3
= 0 1 0 1 0 1 (III.90)
0 0 0
0 0 0 1
Pour = 5, = 16, = 1 on a :
5 5 0
= 1 1 2 3 (III.91)
0 0 1
Lquation caractristique de ( ) est donne par :
det = 3 + 2 2 + 7 + 51 + 62 + 11 + 5(1 + 2 + 1) (III.91)
O est la matrice identit de dimension (3 3) et la matrice des valeurs propres du

systme.
En utilisant la table de Routh, les gains peuvent tre choisis comme suit :
1 = 1, 2 = 3, 3 = 3 (III.92)
On considre le systme esclave suivant :
1 = 2 1
2 = 1 3 2 (III.93)
3 = 1 2 3
Comme pour le systme matre, le systme esclave est mis sous la forme :
1 0 1 0 0 1 3
2 = 0 1 0 2 + 1 0 (III.94)
1 2
3 0 0 3 0 1
1 3
= (III.95)
1 2
La synchronisation des deux systmes revient appliquer sur le systme esclave une loi de
commande = 1 + 2 .
64
1 = () (III.96)
Et
2 = ( ) (III.97)
Dans notre cas, on a :

1 3 1 3 1 1 + 3 2 2 + 3(3 3 )
1 = + , 2 = (III.98)
1 2 1 2 0
Donc, le systme contrl est donn par :
1 = 2 1 + 1 3 1 3 + 1 1 + 3 2 2 + 3(3 3 )
2 = 1 3 2 1 2 + 1 2 (III.99)
3 = 1 2 3
Pour illustrer lefficacit de la mthode, quelques rsultats de simulation sont reprsents par
les figures suivantes.
Au dpart les deux systmes voluent de deux conditions initiales diffrentes

(1 0 , 2 0 , 3 (0)) = (2,2,1) et (1 0 , 2 0 , 3 (0)) = (2, 2, 1).
Les lois de commande sont appliques sur le systme esclave ds le dpart. On remarque que
pour les premires secondes les deux systmes varient selon une dynamique diffrente, mais
dans un temps trs court les trajectoires commencent se rapprocher et deviennent identiques
linstant = 7.
10 16
X1
8 Y1 14
6
12
4
10
2
e1=(X1-Y1)
8
X1, Y1
0
6
-2
4
-4
2
-6
-8 0
-10 -2
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Time (s) Time (s)
65
15 25
X2
Y2
10
20
5
15
e2=(X2-Y2)
0
X2, Y2
10
-5
5
-10
0
-15
-20 -5
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Time (s) Time (s)
15 5
X3
Y3
10 0
5 -5
e3=(X3-Y3)
X3, Y3
0 -10
-5 -15
-10 -20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Time (s) Time (s)
Fig. III. 10 Synchronisation des systmes chaotique par le contrle hybride rtroaction
d- Synchronisation par la mthode du backstepping
Soient les systmes matre et esclave reprsents respectivement par (III.100) et (III.101).
x1 a( y1 x1 ),

y1 x1 z1 cy1 ,
z x y bz ,
1 1 1 1
(III.100)
x 2 a( y2 x2 ) u1 ,

y 2 x2 z 2 cy 2 u2 ,
z x y bz u ,
2 2 2 2 3
(III.101)
O u1 , u2 , u3 sont les lois de contrle, calcules par lalgorithme de backstepping.
Si on dsigne les erreurs de synchronisation entre les deux systmes par :
e1 x2 x1 , e2 y 2 y1 , e3 z 2 z1 (III.102)
La dynamique de lerreur est alors dfinie par:
66
e1 ae 2 ae1 u1
(III.103)
e 2 z 2 e1 ce 2 x1 e 3 u 2
e y e x e be u
3 2 1 1 2 3 3
Pour concevoir un contrleur simple on pose u1 0.
Etape 1 :
On pose 1 e1 , alors :
1 ae2 a1 (III.104)
O e2 1 (1 ) est considr comme contrleur virtuel.
Pour dfinir la condition de stabilit du sous systme 1 , on dfinit la fonction de Lyapunov:
12
V1 (III.105)
2
Dont la drive est:
V1 1a1 a12 (III.106)
Si 1 0 , on a V1 a12 0 . Donc, le sous systme 1 est asymptotiquement stable.
Lquation (III.107) reprsente lerreur entre la variable dtat et la fonction destimation
2 e2 1 (III.107)
Ce qui nous donne le sous systme suivant
a a
1 2 1 (III.108)

z c x e u
2 2 1 2 13 2
e3 2 (1 , 2 ) est un contrleur virtuel.
Etape 2 :
On considre la fonction de Lyapunov:
22
V2 V1 (III.109)
2
Sa drive est:
V2 a12 [ z2 1 c 2 x1 2 u2 ] 2 (III.110)
67
Pour 2 0 et u2 z2 1 (c 1) 2 , le sous systme ( 1 , 2 ) est asymptotiquement stable

car :
V2 a12 22 0 (III.111)
On dsigne par : 3 e3 2 , lerreur entre la variable dtat et la fonction destimation.
Donc, le nouveau sous systme est donn par :
1 a 2 a1

2 2 x1 3 (III.112)

3 y2 1 x1 2 b 3 u3
Etape 3 :
Soit la fonction de Lyapunov suivante :
32
V3 V2 (III.113)
2
Donc :
V3 a12 22 b 32 ( y2 1 x1 2 u3 ) 3 (III.114)
Si on choisit :
u3 y2 1 x1 2 (III.115)
On obtient:
V3 a12 22 b 32 0 (III.116)
Ce qui implique une stabilit du sous systme (1 , 2 , 3 ) , et donc la synchronisation des

deux systmes.
25 25
Control on x1 y1
20 x2 20 y2
15 15
10
10
5
5
x1,x2
y1,y2
0
0
-5
-5
-10
-10
-15
-15
-20
-20 -25
0 5 10 15 20 25 30 0 5 10 15 20 25 30
time time
Fig. III. 11 Synchronisation de la variable Fig. III. 12 Synchronisation de la variable
68
40 30
z1 e1
z2 e2
35 e3
20
30
10
25
e1,e2,e3
z1,z2
0
20
-10
15
-20
10
5 -30
0 5 10 15 20 25 30 0 5 10 15 20 25 30
time time
Fig. III. 13 Synchronisation de la variable Fig. III. 14 Erreurs de synchronisation.
III.4.2 Synchronisation de systmes chaotiques diffrents
Dans cette partie, le contrle actif est appliqu la synchronisation de deux systmes
diffrents. Le systme hyper-chaotique de L est choisi comme systme matre et le systme
chaotique de Qi comme esclave. Lorsque les deux systmes sont synchroniss, le systme
chaotique de Qi va suivre une trajectoire hyper-chaotique.
Les quations suivantes dcrivent la dynamique du systme de Qi [103]:
x 2 a2 ( y 2 x2 ) y 2 z 2 u 2
y b2 ( x 2 y 2 ) x 2 z 2 u 2
2 (III.117)

z 2 c 2 z 2 x 2 y 2 u 2
u 2 d 2 u 2 x 2 y 2 z 2
Pour 2 = 30, 2 = 10, 2 = 1, 2 = 10, le systme est chaotique.
Le systme matre est dfini par:
x1 a1 ( y1 x1 )
y x z c y u
1 1 1 1 1 1 (III.118)

z1 x1 y1 b1 z1
u1 y1 z1 d 1u1
Et le systme esclave par:
x 2 a 2 ( y 2 x 2 ) y 2 z 2 u 2 s1
y b2 ( x 2 y 2 ) x 2 z 2 u 2 s 2
2 (III.119)

z 2 c 2 z 2 x 2 y 2 u 2 s 3
u 2 d 2 u 2 x 2 y 2 z 2 s 4
69
La fonction du contrle actif applique sur lesclave est :
s1 y 2 z 2 u 2 a 2 y1 a1 x 2 a 2 x1 v1
s c y b y b x x z u x z u v
2 1 2 2 1 2 2 2 2 2 1 1 1 2
(III.120)
s 3 c 2 z1 b1 z 2 x 2 y 2 u 2 x1 y1 v3
s 4 d 2 u1 d 1u 2 x 2 y 2 z 2 y1 z1 v 4
Avec:
v1 (a1 a2 1)ex (a1 a2 )ey

v2 (b2 c1 1)ey (III.121)

v3 (c2 b1 1)ez
v (d d 1)e
4 2 1 u
Les rsultats de simulation de la synchronisation du systme hyper-chaotique de L avec le

systme chaotique de Qi sont reprsents sur les figures suivantes:
40 40
Control on x1 y1
20 x2 20 y2
x1,x2
y1,y2
0 0
-20 -20
-40 -40
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
20 40
20
0
0
ex
ey
-20
-20
-40
-40 -60
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
time time
50 100
z1 u1
40 z2 u2
50
30
u1,u2
z1,z2
0
20
-50
10
0 -100
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
10 80
60
0
40
eu
ez
-10
20
-20
0
-30 -20
0 2 4 6 8 10 12 14 16 18 20 0 1 2 3 4 5 6 7 8 9 10
time time
Fig. III. 15 Synchronisation du systme hyper-chaotique de L avec le systme chaotique de Qi
70
80
ex
ey
60 ez
eu
40
ex,ey,ez,eu
20
-20
-40
-60
0 1 2 3 4 5 6 7 8 9 10
time
Fig. III. 16 Erreurs de synchronisation
Les figures montrent lefficacit du contrle actif mme lorsquil sagit de synchroniser des
systmes diffrents et de dynamique plus complexe. On remarque que le contrleur calcul a
parfaitement conduit le systme esclave suivre des trajectoires hyper-chaotiques. De plus la
stabilit est garantie puisque les lois de commande sont tires de la fonction de Lyapunov, ce
qui assure une stabilit asymptotique.
III.5 Synchronisation des systmes incertains
Dans cette partie nous nous intressons aux systmes chaotiques incertains, c'est--dire dans
lesquelles les paramtres du systme sont incertains ou partiellement connus.
Pour illustrer le principe de la synchronisation de ce type de systme nous avons choisi deux
exemples de systmes, le systme de Lorenz et le systme de Chen [104]
III.5.1 Synchronisation des systmes chaotiques incertains par le contrle Backstepping

adaptatif
Exemple 1 : synchronisation de systmes de Lorenz incertains
On considre deux systmes, un systme matre avec lindice m et un systme esclave avec
lindice s.
Le systme matre scrit donc:
x m a( y m x m )

y m x m z m rxm y m (III.122)
z x y bz
m m m m
71
Et le systme esclave:
x s au ( y s x s ) u1

y s x s z s ru x s y s u 2 (III.123)
z x y b z u
s s s u s 3
o au , ru , bu sont les paramtres incertains estimer , et u1 , u2 , u3 sont les lois de commande

calculer pour raliser la synchronisation.
Soit :
ea au a, er ru r, eb bu b (III.124)
Lerreur de synchronisation est donne par :

e x x s xm , e y y s y m , e z z s z m (III.125)
Et sa variation est:
e x a(e y e x ) ea ( y s x s ) u1

e y (r z m )e x e y x s e z er x s u 2 (III.126)

e z y m e x x s e y be z eb z s u 3
On pose 1 ex
Donc:
1 a(e y 1 ) ea ( y s xs ) u1 (III.127)
o ey 1 ( 1 ) est considr comme contrleur virtuel.
Pour tudier la stabilit du sous-systme ( 1 ) , on considre la fonction de Lyapunov

suivante:
12 ea2
V1 (III.128)
2 2
V1 1[ea ( xs y s ) a1 a1 u1 ] ea ea
(III.129)
Pour :
1 0, u1 0 et ea 1 ( xs y s )
On obtient :
72
V1 a12 0 (III.130)
Ainsi, le sous-systme (1 ) est asymptotiquement stable.
On note par 2 lerreur entre e y et la fonction destimation 1 ( 1 )
2 e y 1 (III.131)
On obtient le nouveau sous-systme 1 , 2
1 a( 2 1 ) ea ( y s x s )
(III.132)
2 (r z m ) 1 2 x s e z er x s u 2
O ez 2 (1 , 2 ) est le contrleur virtuel.
Afin de stabiliser le sous-systme ( 1 , 2 ) , on considre la fonction de Lyapunov V2
22 er2
V2 V1 (III.133)
2 2
Dont la drive est :
V2 a12 2 [(r zm )1 2 xs 2 er xs u2 ] er er (III.134)
Pour 2 0, u2 (r zm )1 et er 2 xs
On a:
V2 a12 22 0 (III.135)
Donc, avec ces conditions le sous-systme ( 1 , 2 ) est asymptotiquement stable.
soit 3 ez 2 lerreur entre ez et 2 (1 , 2 )
le nouveau sous-systme est donn par:
1 a( 2 1 ) ea ( y s x s )

2 2 x s 3 er x s (III.136)

3 y m 1 x s 2 b 3 eb z s u 3
Soit V3 une fonction de Lyapunov telle que:
32 eb2
V3 V2 (III.137)
2 2
73
Et dont la variation est:
V3 a12 22 3 [ xs 2 b 3 y m 1 eb z s u3 ] eb eb (III.138)
Pour u3 ( xs 2 y m 1 ) et eb 3 z s
On a :
V3 a12 22 b 32 0 (III.139)
Pour cela, le sous-systme (1, 2 , 3 ) est asymptotiquement stable.
Ainsi, les lois de commandes qui ralisent la synchronisation sont:
u 2 ( r z m )e x
(III.140)
u3 ( x s e y y m e x )
Et les lois dadaptation des paramtres incertains sont:
ea ex ( xs ys )
er e y xs (III.141)
eb ez z s
Pour la simulation, les paramtres du matre sont : a 10, b 8 / 3, r 28 , et les valeurs
initiales des paramtres incertain de lesclave sont : au 6, bu 8, ru 13 .

Pour des conditions initiales diffrentes, la simulation donne les rsultats reprsents par les
figures suivantes
40
xm
40
xs ym
ys
30
30
20
20
10
xm,xs
ym,ys
10
0
-10
0
-20
-10
-30
-20
0 5 10 15 20 25 30 35 40 -40
time 0 5 10 15 20 25 30 35 40
time
Fig. III. 17 Synchronisation des variables et Fig. III. 18 Synchronisation des variables et
74
80 50
zm ex
zs ey
70 40 ez
60 30
50 20
40 10
ex,ey,ez
zm,zs
30 0
20 -10
10 -20
0 -30
-10 -40
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
time time
Fig. III. 19 Synchronisation des variables et Fig. III. 20 Erreurs de synchronisation.
20 45
40
15
35
30
10
25
au
5 20
ru
15
0
10
5
-5
0
-10 -5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
time time
Fig. III. 21 Estimation du paramtre Fig. III. 22 Estimation du paramtre
40
30
20
10
bu
-10
-20
-30
0 5 10 15 20 25 30 35 40
time
Fig. III. 23 Estimation du paramtre
Au dpart, les deux trajectoires sont divergentes. Une fois le contrle dclench = 3, les
trajectoires commencent se rapprocher est deviennent identiques aprs quelques secondes, et
75
lerreur de synchronisation se stabilise lorigine. Les figures (III.21) (III.23) reprsentent

lestimation des paramtres incertains du systme esclave. On remarque que les paramtres
incertains se stabilisent exactement sur les mmes valeurs que celles du systme matre.
Exemple 2 : Synchronisation des systmes de Chen incertains
Comme dans lexemple prcdent, on considre deux systmes de Chen, le premier est
considr comme matre et le deuxime comme esclave.
x m a( y m x m )

y m (c a z m ) x m cy m (III.142)
z x y bz
m m m m
Et
x s au ( y s x s ) u1

y s (cu au z s ) x s cu y s u 2 (III.143)
z x y b z u
s s s u s 3
O au , bu , cu sont les paramtres incertains, et u1 , u2 , u3 les lois de commande.
La dynamique de lerreur de synchronisation est donne par:
ex a(e y ex ) ea ( ys xs ) u1

e y (c a z s )ex ce y xm ez ec ( xs ys ) ea xs u2 (III.144)

ez ym ex xs e y bez eb z s u3
Avec
ea au a, eb bu b, ec cu c (III.145)
Soit 1 e x
Alors
1 a(ey 1 ) ea ( ys xs ) u1 (III.146)
ey 1 ( 1 ) est considr comme contrleur virtuel.
Pour tudier la stabilit du sous-systme (1 ) une fonction de Lyapunov V1 est choisie telle
que:
76
12 ea2
V1 (III.147)
2 2
Sa drive est:
V1 1[ea ( xs ys ) a1 a1 u1 ] ea ea (III.148)
Si on choisit:
1 0, u1 0 (III.149)
Et
ea 1 ( xs ys ) (III.150)
Le sous-systme ( 1 ) est asymptotiquement stable car:
V1 a12 0 (III.151)
Lerreur entre e y et la fonction destimation est dcrit par:
2 e2 1 (III.152)
Ainsi, le nouveau sous-systme est donn par:
1 a( 2 1 ) ea ( y s x s )

2 (c a z s ) 1 c 2 xm e z ec ( x s y s ) ea x s u 2
(III.53)
Et ez 2 (1 , 2 ) est le contrleur virtuel
Afin de trouver les conditions de stabilit qui stabilise le sous-systme (1 , 2 ) , on considre

la fonction de Lyapunov V 2
22 ec2
V2 V1 (III.154)
2 2
V2 a12 2 [(c a z s )1 c 2 xm 2 ec ( xs ys ) ea xs u 2 ] ec ec (III.155)
Pour
2 0, u 2 (c a z s )1 2 (c 1) ea xs , (III.156)
Et
ec 2 ( xs y s ) (III.157)
77
On obtient
V2 a12 22 0 (III.158)
Donc, le sous-systme ( 1 , 2 ) est asymptotiquement stable puisque la drive de la fonction

de Lyapunov est dfinie ngative.
Soit 3 lerreur entre e z et 2 (1 , 2 )
3 ez 2 (III.159)
Le nouveau systme obtenu (1 , 2 , 3 ) est dtermin par
1 a( 2 1 ) ea ( y s x s )

2 2 x m e z ec ( x s y s ) (III.160)

3 y m 1 x s 2 b 3 eb z s u 3
On choisit la fonction de Lyapunov comme suit:
32
eb2
V3 V2 (III.161)
2 2
V3 a12 22 3 [ y m 1 xs 2 b 3 eb z s u3 ] eb eb
(III.162)
Si u3 ( xs 2 ym 1 ) et eb 3 zs , le sous-systme (1 , 2 , 3 ) est asymptotiquement stable

car la drive de la fonction de Lyapunov est dfinie ngative.
V3 a12 22 b32 0 (III.163)
Les lois de contrle qui assurent la synchronisation des deux systmes sont:
u2 (c a z s )ex e y (c 1) ea xs
u 3 ( x s e y y m e x )
(III.164)
Et les lois dadaptations des paramtres incertains sont:
ea ex ( xs y s )
ec e y ( xs y s )
eb ez z s (III.165)
78
Pour la simulation, les paramtres du systme matre sont a 35, b 3, c 28 . Pour le

systme esclave les valeurs initiales des paramtres incertains sont au 30, bu 1, cu 18 .
30
30
xm
ym
xs
ys
20
20
10
10
xm,xs
ym,ys
0
0
-10
-10
-20
-20
-30
0 5 10 15 20 25 30 -30
0 5 10 15 20 25 30
time
time
Fig. III. 24 Synchronisation des variables et Fig. III. 25 Synchronisation des variables et
70
30
zm
ex
zs
ey
60 ez
20
50
10
40
ex,ey,ez
zm,zs
0
30
-10
20
10 -20
0
0 5 10 15 20 25 30 -30
0 5 10 15 20 25 30
time
time
Fig. III. 26 Synchronisation des variables et Fig. III. 27 Erreurs de synchronisation.
45 35
40
30
35
25
30
au
cu
25
20
20
15
15
10 10
0 5 10 15 20 25 30 0 5 10 15 20 25 30
time time
Fig. III. 28 Estimation du paramtre Fig. III. 29 Estimation du paramtre
79
30
20
10
bu
-10
-20
-30
0 5 10 15 20 25 30
time
Fig. III. 30 Estimation du paramtre
La diffrence entre les trajectoires avant lactivation du contrle est due la sensibilit aux
conditions initiales. Une fois le contrle dclench les trajectoires de lesclave suivent
parfaitement le matre et lerreur de synchronisation se stabilise sur la valeur zro. Les
paramtres incertains aussi se stabilisent la limite sur les mmes valeurs que celles du
matre.
III.5.2 Synchronisation des systmes chaotiques incertains par le contrle actif adaptatif
Exemple 1 : Synchronisation des systmes de Lorenz incertains [105]
Comme dfini prcdemment, la dynamique de lerreur de synchronisation est donne par:
e x a(e y e x ) ea ( y s x s ) u1

e y (r z m )e x e y x s e z er x s u 2 (III.166)

e z y m e x x s e y be z eb z s u 3
Pour liminer les termes non-linaires, on prend:
u1 v1

u 2 z m e x x s e z v2 (III.167)
u y e x e v
3 m x s y 3
Le systme obtenu est un systme linaire avec les lois de commande 1 , 2 et 3
80
e x a(e y e x ) ea ( y s x s ) v1

e y rex e y er x s v2 (III.168)

e z be z eb z s v3
On considre la fonction de Lyapunov suivante:
1 2
f (t ) (e ey2 ez2 ea2 eb2 er2 ) (III.169)
2 x
df (t )
e x e x e y e y e z e z e a e a eb eb e r e r
dt (III.170)
e x [a(e y e x ) e a ( y s x s ) v1 ] e a e a
e y [re x e y e r x s v 2 ] e r e r
e z [be z eb z s v 3 ] eb eb
Pour assurer la stabilit du systme, les lois de contrle sont choisies comme suit:
v1 ae y

v 2 re x (III.171)
v 0
3
Et les lois dadaptations des paramtres:
ea e x ( x s y s )

er e y xs (III.172)

eb e z z s
8
Pour la simulation, les valeurs des paramtres du systme matre sont = 10, = 3 , = 28
Pour lesclave, les valeurs initiales des paramtres incertains sont = 6, = 8, = 13.
Les figures suivantes montrent que la synchronisation se produit rapidement. On peut alors
dduire quavec le contrle actif la synchronisation se fait beaucoup plus rapidement quavec
lalgorithme backstepping.
20 40
xm ym
10 xs 20 ys
xm,xs
ym,ys
0 0
-10 -20
-20 -40
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
4 20
2 10
ex
ey
0 0
-2 -10
81
-4 -20
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
time (s) time (s)
50 45
zm au
40 40
zs ru
30 bu
zm,zs
35
20
30
10
25
0
au,ru,bu
0 2 4 6 8 10 12 14 16 18 20
20
10 15
5 10
ez
0 5
-5 0
-10 -5
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
time (s) time (s)
Fig. III. 31 Synchronisation des systmes de Lorenz par le contrle actif adaptatif et estimation des
paramtres incertains.
Exemple2 : Synchronisation des systmes de Chen incertains
Pour ce systme, la dynamique de lerreur de synchronisation est donne par:
ex a(ey ex ) ea ( ys xs ) u1

ey (c a zs )ex ce y xmez ec ( xs ys ) ea xs u2 (III.173)

ez ymex xsey bez eb zs u3
Pour liminer la partie non linaire on choisit:
u1 v1

u 2 z s e x x m e z v 2 (III.174)
u y e x e v
3 m x s y 3
La fonction de Lyapunov est:
1 2
f (t ) (e ey2 ez2 ea2 eb2 ec2 ) (III.175)
2 x
Do sa drive:
df (t )
e x e x e y e y e z e z e a e a eb eb ec ec
dt
e x [a(e y e x ) e a ( y s x s ) v1 ] e a e a (III.176)
e y [(c a)e x ce y ec ( x s y s ) e a x s v 2 ] e c ec
e z [be z eb z s v 3 ] eb eb
On obtient alors les lois de commandes suivantes:
82
v1 ae y

v 2 (a c)e x 2ce y ea x s (III.177)

v3 0
Et les paramtres incertains sadaptent selon les lois:
ea e x ( x s y s )

ec e y ( xs y s ) (III.178)

eb e z z s
On obtient une forme simplifie de la fonction de Lyapunov, dont la drive est toujours
ngative.
40 40
xm ym
20 xs 20 ys
xm,xs
ym,ys
0 0
-20 -20
-40 -40
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
1 6
0.5
4
0
ex
ey
2
-0.5
-1 0
-1.5 -2
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
time (s) time (s)
60 40
zm
zs
40 35
zm,zs
20 30
25
0
0 5 10 15 20 25 30 35 40
au,cu,bu
20
2
15
1
10 au
ez
0
cu
bu
-1 5
-2 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
time (s) time (s)
Fig. III. 32 Synchronisation des systmes de Chen par le contrle actif adaptatif et estimation des paramtres
incertains.
83
Pour la simulation les valeurs des paramtres du systme matre sont a 35, b 3, c 28 , et les
valeurs initiales des paramtres incertains de lesclave sont : au 30, bu 1, cu 18 .
Comme pour lexemple prcdent le contrle actif adaptatif permet la synchronisation de

deux systmes de Chen, avec une incertitude dans les paramtres de lesclave. Le temps de
synchronisation est trs court par rapport aux mthodes dj tudies.
84
Chapitre IV ______________________________________________ Chaotification des systmes non-linaires
Chapitre IV : Chaotification ou anti-contrle des systmes non

linaires
IV.1 Introduction
Depuis le dveloppement des thories de stabilisation et de synchronisation du chaos, lanti-

contrle ou chaotification des systmes non-linaires est devenu un sujet de recherche et
dapplication trs important. Contrairement au contrle par suppression du chaos, la
chaotification dsigne le processus de gnration du comportement chaotique pour un systme
stable ou le rehaussement du comportement chaotique dans un systme qui est dj chaotique.
Au dbut, la difficult a t au niveau de la dfinition du chaos lui-mme. En fait, il sagissait
de trouver comment garantir que le comportement gnr partir dun systme non-linaire
soit un comportement chaotique.
La premire dfinition du chaos a t propose par Li et York en 1975 [106], puis Marrotto a
gnralis cette dfinition pour les systmes de dimension suprieure [107]. Une autre
variante a t propose par Denavey [108], et qui est la plus utilise pour le moment surtout
aprs lamlioration introduite par Wiggins [109]. Cependant, ces dfinitions sont toutes
dveloppes pour des systmes discrets, il nexiste aucun critre ou dfinition pour prouver
lexistence du chaos dans un systme continu. Le seul moyen est de calculer lexposant de
Lyapunov ; une valeur positive de lexposant signifie la prsence du chaos [110]. Cette
mthode de calcul dpend de lalgorithme numrique utilis et de la prcision du calculateur,
ce qui rend la conception dun contrleur bas sur lexposant de Lyapunov pratiquement
impossible. Dans certains systmes, la gnration du chaos est possible en faisant varier lun
de ses paramtres. Mais il existe des systmes qui ne sont pas sensible cette variation
paramtrique, ce qui explique la limitation de la mthode.
En se basant sur le critre de dfinition du chaos, les mthodes de chaotification qui existent
sont divises en deux catgories :
Le systme contrl doit possder au moins un exposant positif et voluer dans un
espace born. En gnral, un systme chaotique volue dans une rgion borne et trs
sensible aux conditions initiales, donc dans cette catgorie, le principe de
chaotification va reposer sur le fait dassurer lexistence dun exposant positif dans le
systme contrl en gardant toujours un espace de variation born.
85
Introduire une dynamique chaotique sur le systme: Parmi les approches proposes
pour introduire la dynamique chaotique on peut citer
- Le contrle retour dtat [111] ; le principe de cette mthode se base sur la
transformation dun systme chaotique connu en une forme normale RNF
(Rational Normal Form) [112], puis extraire les termes non linaires obtenu par
cette transformation et les utiliser comme une partie du contrleur. Lautre partie
du contrleur est calcule pour stabiliser le systme contrl. Le rle du contrleur
est de stabiliser la dynamique du systme tudi et dintroduire une dynamique
chaotique extraite partir dun systme chaotique.
- Le contrle impulsif [113]: dans ce cas, la loi de commande est compose de deux
parties : une partie pour liminer la dynamique du systme original, et une autre
pour gnrer le chaos.
- Le contrle retard [114]: Quelques travaux ont propos dintroduire un lment
de retard dans une boucle de retour. Si un lment de retard est appliqu sur un
systme de dimension finie, alors le systme contrl devient de dimension infinie,
ce qui permet dobtenir une dynamique plus complexe.
La premire approche dans le domaine de chaotification a t propose par Chen et Lai [115].
Ces auteurs ont dvelopp une mthode base sur les exposants de Lyapunov. Lide est
dinjecter un exposant positif dans une loi de commande compose dune matrice de gain
borne et dune action modulo pour garantir la convergence de lalgorithme. Cette action
modulo est remplace dans certains travaux par un contrleur de faible amplitude.
A la suite de ces travaux, beaucoup de mthodes ont t dveloppes parmi lesquelles: le

contrle retour dtat, le contrle retard, le contrle adaptatif, le contrle non linaire
[116-119]. Les mthodes prsentes prcdemment sont valables pour les systmes dcrits par
un modle mathmatique. Pour les systmes incertains ou modle inconnu, des mthodes
bases sur la logique floue sont prsentes dans [120].
Le prsent chapitre est consacr la prsentation de quelques mthodes de chaotification ou

danti-contrle de systme continus et discrets.
IV.2 Les mthodes de chaotification
IV.2.1 La mthode de Chen-Lai
On considre le systme dynamique discret suivant :
86
+1 = , () , 0 = 0 (IV.1)
Avec une fonction drivable.
On applique sur le systme une loi de commande retour dtat de la forme :
= () (IV.2)
est une matrice de gain de dimension ( )
Le systme contrl est donc le suivant:
+1 = + , , 0 = 0 (IV.3)
+1 = + (), , 0 = 0 (IV.4)
Si on dfinit par ( ) la matrice Jacobienne du systme non contrl autour du point fixe
(+1)
= (IV.5)
() =
Et par la matrice Jacobienne du systme contrl
= + () (IV.6)
Alors, les exposants de Lyapunov sont donns par :

1
= lim ln , = 1,2, , (IV.7)
Les exposants de Lyapunov sont choisis tels que :
0 < < < (IV.8)
tant une constante strictement positive.

Lalgorithme de chaotification consiste appliquer dune part, la squence () =0 en
imposant quau moins un exposant soit positif et assurer la convergence de lalgorithme

dautre part. La squence () =0 doit tre borne.
0< () < (IV.9)
: constante
A chaque itration et avec une valeur dsire de lexposant de Lyapunov, la matrice du gain
est calcul par :
87
1 0
= + , = 0, , (IV.10)
0
Pour borner la loi de commande sur un intervalle rtrci, et viter la divergence du systme,
laction modulo ()est applique sous cette forme :
+1 = + () (IV.11)
: constante positive trs petite 0 < < 1.
IV.2.2 La mthode Delay Feedback
On considre le systme dynamique dcrit par :
= , , : (IV.12)
: un vecteur dtat
: fonction continue
Le principe de la mthode est dappliquer sur le systme, une loi de commande () telle
que :
= + () (IV.13)
= [ ] (IV.14)
: gain de retour
: temps de retard.
Le systme contrl est donn sous la forme
= + [ ] (IV.15)
Cette mthode peut tre utilise pour la suppression du chaos ou pour la chaotification. Les
gains de retour et les temps de retard doivent tre convenablement choisis. Leurs choix se fait
gnralement en saidant du diagramme de bifurcation
88
()
Systme Chaotique
Retard ()
[ ] +
( )

-
Fig. IV. 1 Schma bloc de la mthode Delay Feedback
IV.2.3 La mthode de lanti-contrle impulsif
Soit un systme continu autonome de dimension n 3 dcrit par :
x(t ) f ( x(t )), (IV.16)
x R n et f R n R n fonction continue.
Lanti-contrle impulsif consiste injecter dans le systme stable des impulsions dune
manire priodique, ce qui va forcer la carte de Poincar du systme stable ressembler une
carte chaotique dsire. Il faut donc choisir une carte chaotique de dimension (n 1) comme
suit :
q(i 1) Bq(i) u(i), q(i), u(i) R n1 (IV.17)
B : Matrice constante
Avec
u(i) ( N e c )q(i) mod(r ) (IV.18)
r, c reprsentent des nombres positifs choisis.
Chen et Lai ont montr que tous les exposants de la carte contrle sont strictement positifs et
que lorbite contrl est toujours borne [115].
Alors, linjection du contrleur impulsif dans le systme original donne :

x(t ) f ( x(t )) g i (t iT ) , gi R n (IV.19)
i 1
89
(t ) : Impulsion de Dirac.
Les perturbations sont appliques au systme aux instants T ,, iT ,
Pour rendre la carte du systme contrl similaire la carte pr dsigne, les perturbations g i
doivent avoir la forme suivante :
g i I1 ,, I n1 q(i 1) q(i) k ( x(i 1) x )k
g i I1 ,, I n1 B 1U B, J q(i) k ( x(i 1) x )k (IV.20)
g i I1 ,, I n1 B 1U B, J I1 ,, I n1 ( x(i) x ) k ( x(i) x )k
T
I : Matrice identit
x : Point appartenant au cycle limite stable
A titre dexemple, on considre le systme dynamique non linaire suivant :
x x 10 y x( x 2 y 2 )
(IV.21)
y 10 x y y ( x y )
2 2
z z

Ce systme est toujours stable sur un cycle limite : p(t ) (cos(10t ), sin 10t ,0)T de priode
T 0.2 .
On prend comme condition initiale ( x0 , y0 , z 0 ) (1,0,0) et on trace les rponses temporelles et

le diagramme de phase du systme.
Fig. IV. 2 Diagramme de phase du systme sans anti-contrle
90
Fig. IV. 3 Rponses temporelles du systme sans anti-contrle
Les figures montrent que le systme nadmet aucun comportement chaotique et aucune
variation sur laxe z. Pour rendre ce systme chaotique, on utilise la loi de contrle suivante
[121] :
X (t ) f ( X (t )) u(i), (IV.22)
O

u (i) g i (t iT ), (IV.23)
i 1
On choisit le point x (1,0,0) qui appartient au cycle stable.
On fixe
r 0.2 , c 1 , N e 0.2 et x0 , y0 , z 0 1.05,0,0.03
Alors
e 0.4 0 1 0 1 0
1 0 0

g i 0 e 0.2 e 0.2 e1
x(iT ) 0 mod(0.2) 0 x(iT ) 0 0
0 0 0 1 0 0 1 0 1

91
Fig. IV. 4 Diagramme de phase du systme sous anti-contrle
0
x
-2
0 5 10 15 20 25 30
2
0
y
-2
0 5 10 15 20 25 30
0.5
0
z
-0.5
0 5 10 15 20 25 30
temps(s)
Fig. IV. 5 Rponses temporelles du systme sous anti-contrle
Fig. IV. 6 Section de Poincar du systme sous anti-contrle.
92
A chaque priode du systme, on applique une impulsion qui sert dstabiliser le systme de
son orbite priodique, cest pour cela quon observe des pics sur les sommets de la
reprsentation temporelle du systme contrl.
La reprsentation du systme dans le plan de phase nous montre lapparition du phnomne

chaotique, dans ce cas lanti-contrle impulsif oblige le systme suivre plusieurs orbites
priodiques instables. La section de Poincar montre que les orbites instables varient selon les
trois axes au lieu de deux, mais elles sont toujours bornes grce la fonction modulo.
IV.3 Chaotification des systmes discrets
IV.3.1 Exemple 1
Le systme considr pour cet exemple est le systme de Hnon, dfini par :

x n 1 a x n by n
2
(IV.24)

y n 1 x n
Ce systme possde aussi trois zones de stabilit en fonction du paramtre a , un point fixe,
une orbite stable et une trajectoire chaotique. La variation de lexposant de Lyapunov en
fonction de met bien en vidence ces trois tats.
Fig. IV. 7 Exposant de Lyapunov
Les tapes de calcul sont les mmes que celles effectues dans lexemple prcdent, c'est--
dire :
B(k ) f (k ) J (IV.25)
93
Avec
2 x( k ) b
f (k )
0
,
1
e 1 0
J ,
0 e 2
Pour garantir lapparition du phnomne chaotique on donne 1 une valeur strictement
positive, par exemple 1 0.25 . La valeur de 2 garde la valeur originale c'est--dire
2 2.31 . La loi de contrle applique au systme est donc la suivante :
x( k )
u (k ) B(k ) mod , (IV.26)
y (k )
Les rsultats de simulation pour les diffrents cas sont reprsents dans les figures (IV.8)
(IV.10). Pour un fonctionnement sans anti-contrle on a :
- pour a 0.2 et b 0.3 , le systme converge vers un point fixe.
- pour a 0.6 et b 0.3 , le systme stabilise sur une orbite priodique.
- pour a 1.4 et b 0.3 , le systme suit une trajectoire chaotique.
Avant lactivation du contrle, les deux systmes suivent une trajectoire identique. Au
moment du dclenchement du contrle le systme sous anti-contrle obtient un exposant
positif qui loblige suivre une trajectoire diffrente et plus prcisment chaotique, donc il va
perdre sa stabilit soit sur le point fixe ou sur lorbite priodique. Mais ds que le contrle est
relch le systme rcupre ses caractristiques originales de stabilit, donc il revient son
tat avant contrle.
94
Fig. IV. 8 Rponse temporelle du systme sous anti-contrle pour = 0.2
Fig. IV. 9 Rponse temporelle du systme sous anti-contrle pour = 0.6
95
Fig. IV. 10 Rponse temporelle du systme sous anti-contrle pour = .
IV.3.2 Exemple 2
On considre le systme du deuxime ordre suivant :
1
xk 2 1b
(IV.27)
x (1 x k ) b
2
ab
A
1 k
1 Ax a
k (1 x k ) b a b
A, a et b sont les paramtres du systme.
Si A 3 , a 1.6 et b 0.4 le systme est stable sur une orbite de deux cycles, et il
naccepte aucun comportement chaotique quelque soit la condition initiale x 0 . Pour cela on
essaye de tracer la population xk k 0 pour diffrentes conditions initiales.

On fait varier x 0 entre 0.1 et 1 puis on observe les diffrentes rponses du systme.
On remarque que, quelque soit la condition initiale le systme est toujours stable sur un point
fixe x f 0.2 ou sur une orbite priodique. Donc pour ces conditions le systme ne peut
jamais tre chaotique.
96
x0 0.1 x0 0.2
x0 0.3 x0 0.6
x0 1
x0 0.8
Fig. IV. 11 Rponses du systme pour diffrentes valeurs de x 0
Pour appliquer lalgorithme danti-contrle on prend le cas o x0 0.6 .
La matrice jacobienne du systme est alors :
97
0 S (k 2, k )
f , (IV.28)
1 0
1 x(k 2) x(k 2)
Et S (k 2, k ) (a b) x(k 1) aa bx(k ) a,
1 x( k ) x( k )
Pour ces paramtres et cette condition initiale, les exposants de Lyapunov du systme sont les
suivants :
1 0.6418, 2 0.6931 ,
Les deux exposants sont ngatifs, ce qui signifie que le systme est stable. Pour chaotifier le
systme il faut quau moins un exposant soit positif. Alors, on inverse le signe de lun des
deux exposants, ce qui donne la matrice J suivante :
e 0.6418 0
J 0.6931
, 1 0.6418 (IV.29)
0 e
La loi danti-contrle applique est :
u(k ) B(k ) x(k ) mod , 0.1 (IV.30)
La fonction modulo est ajoute pour borner la matrice de gain B
La matrice B est calcule chaque itration par
B(k ) f J
1 x(k 2) x(k 2)
B(k )
0 a bx(k 1) a(a b) x(k ) a e 1 0
1 x(k ) x(k ) ,
0 e 2
1 0
Les figures suivantes reprsentent les rsultats de simulation du systme sans et sous anti-contrle. On
remarque que le systme original se stabilise sur une orbite priodique damplitude maximale gale
0.799.
Ds le dpart, Le systme sous anti-contrle suit une trajectoire chaotique avec une amplitude
suprieure celle du systme original (varie entre 0 et 1). Ensuite, la rponse du systme contient
plusieurs sommets diffrents, ce qui signifie le comportement chaotique de la squence x k k 0 .

98
Fig. IV. 12 Rponse du systme sans anti-contrle.
Fig. IV. 13 Les sommets du systme sans anti-contrle.
Fig. IV. 14 Rponse du systme sous anti-contrle
99
.
Fig. IV. 15 Les sommets du systme sous anti-contrle
IV.3.3 Exemple 3
Le systme de Kokame est dcrit par :
x(k 1) f ( x(k ), a) 0.4 y (k ) 0.5 z (k )

y (k 1) 0.3x(k ) f ( y (k ), a) (IV.31)
z (k 1) 0.1x(k ) 0.2 z (k )

Avec
v( 1), si 0.5

f ( , v) v , si 0.5 (IV.32)
v( 1), si 0.5

Et a paramtre du systme
Donc pour x(k ) 0.5 et y(k ) 0.5 le systme de Kokame admet un point fixe p f (0,0,0) .
Pour voir le comportement dynamique du systme, on trace le diagramme de bifurcation de la

variable x en fonction du paramtre a .
100
1.5
0.5
-0.5
-1
-1.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

Fig. IV. 16 Diagramme de bifurcation du systme de Kokame
On remarque deux zones de stabilit

a 0,0.66 , le systme se stabilise sur son point fixe p f (0,0,0)
a 0.66,2 , le systme prsente un phnomne chaotique.
0.2
0
x
-0.2
-0.4
0 500 1000 1500 2000 2500 3000
0.1
0
y
-0.1
0 500 1000 1500 2000 2500 3000
0.5
0
z
-0.5
0 500 1000 1500 2000 2500 3000
itration
Fig. IV. 17 Le systme de Kokame pour = .
101
0.2
0.1
z
-0.1
-0.2
2
1 2
0 1
0
-1 -1
y -2 -2
x
0
x
-2
0 500 1000 1500 2000 2500 3000
2
0
y
-2
0 500 1000 1500 2000 2500 3000
0.2
0
z
-0.2
0 500 1000 1500 2000 2500 3000
itration
Fig. IV. 18 Le systme de Kokame pour =
Les figures (IV.17) et (IV.18) reprsentent les rponses du systme pour diffrentes valeurs de
a . Pour a 0.3 le systme est stable et ne prsente aucun comportement chaotique. Le but de
la chaotification est de faire basculer le systme vers un tat chaotique dans cette partie stable.
Lalgorithme de chaotification utilis est le mme que celui des exemples prcdents ; la loi
de contrle est la suivante :
u(k ) B(k ) x(k ) mod (IV.33)
Avec
B(k ) f J (IV.34)
a 0.4 0.5
f 0.3 a 0 (IV.35)
0.1 0 0.2
102
Soient 1 , 2 et 3 , les trois exposants de Lyapunov du systme. On dit que le systme est
chaotique si est seulement si [122] :
1 0, 2 0, 3 0 et 1 2 3 0 (IV.36)
Le systme possde les exposants suivants :
1 1.2, 2 1.2 , 3 1.6,
Alors, pour rendre le systme chaotique on peut faire le choix suivant :
1 1.2, 2 1.2 , 3 1.6,
Do
e1.2 0 0
1.2 (IV.37)
J 0 e 0 ,
0 0 e 1.6

Le systme sous anti-contrle scrit alors, comme suit [123]:
x(k 1) x(k ) a 0.4 0.5 e 0 x(k )

1.2
0
y (k 1) y (k ) 0.3 a
0 0 e 1.2
0 y (k ) mod( ) , (IV.38)

z (k 1) z (k ) 0.1 0 0.2 0 0 e 1.6 z (k )

Avec : =1
La figure (IV.19) montre que le systme sous anti-contrle avec a 0.3 est en plein chaos.
Ce phnomne est d lexposant positif inject par la procdure danti-contrle. Dans ce
cas, le systme obtient une valeur propre lextrieur du cercle unitaire qui force le systme
perdre sa stabilit pour suivre une trajectoire chaotique.
1
x
0.5
1.5 0
0 500 1000 1500 2000 2500 3000
1 1.5
1
0.5
y
z
0.5
0
0
0 500 1000 1500 2000 2500 3000
-0.5 1
1.5
1.5
1 1 0.5
z
0.5 0.5
0 0 0
-0.5 -0.5 x 0 500 1000 1500 2000 2500 3000
y
itration
Fig. IV. 19 Le systme de Kokame sous anti-contrle pour = .
103
IV.4 Chaotification des systmes continus
IV.4.1 Chaotification des systmes continus par la mthode DCF (Delayed Control
Feedback)
Soit un systme dynamique continu de dimension n (n3)
X t f X t (IV.39)
X : Vecteur dtat X R n
f : Fonction continue f : Rn Rn
Le principe de la mthode (DCF) cest dappliquer sur le systme continu une loi de
commande U t , tel que [124]:

X t f X t U t (IV.40)
Avec
U t K X t X t
K : Le gain de retour
: Temps de retard
Donc, le systme contrl devient
X t f X t K X t X t (IV.41)
De cette quation on peut conclure que le rsultat du contrle (ou de la chaotification) des
systmes continus repose sur le bon choix des deux paramtres K et .
IV.4.2 Exemple de chaotification
Lexemple considr est le systme de L dfini par:
x a ( y x )

y xz cy (IV.42)
z xy bz

, , : paramtres du systme
Pour = 36, = 3, = 20 le systme de L est en plein chaos.
104
35
30
25
20
15
x
10
-5
-10
10 15 20 25 30 35
Fig. IV. 20 Diagramme de bifurcation du systme de L
Le systme de L contrl a la forme suivante :
x a( y x) k1 xt xt 1

y xz cy k 2 y t y t 2 (IV.43)
z xy bz k z t z t
3 3
Avec k1 , k 2 , k 3 : gains de retour
1 , 2 , 3 : temps de retard
Dans ce qui suit nous allons montrer leffet du choix des gains k i , et des retards i sur le
comportement du systme.
a- Leffet du retard
1cas) On fixe k1 1, k 2 0, k 3 0, 2 0, 3 0 et on fait 1 varie dans lintervalle [0,1].
Fig. IV. 21 Diagramme de bifurcation en fonction de
105
Le comportement dynamique du systme en fonction du temps de retard 1 est reprsent

dans la figure(IV.21). Au dpart le systme est dans un tat chaotique, puis il se stabilise sur
une orbite priodique pour 1 = 0.0025 . En augmentant le temps de retard 1 , le systme
rentre nouveau dans une zone chaotique (par exemple pour 1 = 0.1) afin de se stabiliser
une autre fois sur une orbite priodique (1 = 0.17) . Lincrmentation de 1 par contre, fait
changer le comportement dynamique du systme et il va suivre cette fois la route vers le
chaos (1 = 0.5) . Les trajectoires du systme pour les diffrents temps de retard sont
reprsentes dans la figure (IV.22).
a b
) )
c d
) )
Fig. IV. 22 Diagramme de phase pour ) 1 = 0.0025, ) 1 = 0.1, ) 1 = 0.17, ) 1 = 0.5.
2cas) On fixe k1 0, k 2 1, k 3 0, 1 0, 3 0 et on laisse 2 varie dans lintervalle [0, 1].
Dans cette partie la boucle de retour est applique seulement sur la deuxime quation. La
figure(IV.23) reprsente les points de Poincar en fonction du temps de retard 2 . On
remarque dans cette figure lapparition de plusieurs zones stables et chaotiques, par exemple
pour 2 = 0.2, 2 = 0.48, 2 = 0.8 le systme se stabilise toujours sur des orbites
priodiques, par contre pour 2 = 0.3, 2 = 0.6, 2 = 1 le systme est en plein chaos. Les
diagrammes de phase pour les diffrents temps de retard sont reprsents dans la
figure(IV.24).
106
a b
) )
c d
) )
e f
) )
Fig. IV. 24 Diagramme de phase pour ) 2 = 0.2, ) 2 = 0.3, ) 2 = 0.48, ) 2 = 0.6, )2 = 0.8,
) 2 = 1.
107
3cas) On fixe k1 0, k 2 0, k 3 1, 1 0, 2 0 et on laisse 3 varie dans lintervalle [0, 1].
a b
) )
c d
) )
e
f
)
)
Fig. IV. 26 Diagramme de phase pour a) 3 = 0.075s, b) 3 = 0.1s, c) 3 = 0.255s, d) 3 = 0.55s, e)3 =
0.75s, f) 3 = 1s.
108
La boucle de retour est applique cette fois sur la troisime quation. Le comportement
dynamique du systme est reprsent dans la figure (IV.25). On remarque quil existe
plusieurs valeurs de 3 pour lesquelles le systme se stabilise sur des diffrentes orbites
priodiques, par exemple pour 3 = 0.255 le systme se stabilise sur une orbite priodique
de deux cycles, par contre pour 3 = 0.75 il se stabilise sur deux orbites priodiques de
deux cycles. Le diagramme de bifurcation montre aussi plusieurs zones chaotiques (3 =
0.1, 3 = 0.55, 3 = 1). Les trajectoires suivis pour les diffrents temps de retard sont
reprsentes dans la figure (IV.26).
4cas) On fixe k1 1, k 2 1, k 3 1, 1 , 2 2 , 3 3 et on laisse varie dans lintervalle [0,

1].
Dans ce cas, le contrle est appliqu sur les trois variables au mme temps, donc il sagit cette
fois du multiple time delay. La dynamique du systme est reprsente dans la figure (IV.27).
On remarque que le systme est toujours chaotique sauf pour quelques petits intervalles o il
se stabilise sur des orbites priodiques comme pour = 0.03, = 0.13, = 0.22. Pour la
partie chaotique on remarque cette fois que le comportement chaotique est un plus rehauss,
puisque les attracteurs plus larges dans lespace de phase et possdent une amplitude un peu
grande par rapport celle de lattracteur reprsent original. Les attracteurs obtenus pour les
diffrents valeurs de sont reprsents dans la figure (IV.28).
109
a b
) )
c d
) )
e f
) )
Fig. IV. 28 Diagramme de phase pour a) = 0.03s, b) = 0.1s, c) = 0.13s, d) = 0.16s, e) = 0.22s,
f) = 1s
110
b- Leffet du Gain
On fixe k 2 0, k 3 0, 1 0.1s, 2 0, 3 0 et on laisse k 1 varie dans lintervalle [0, 1].
a b
) )
c
)
Fig. IV. 30 Diagramme de phase pour a) 1 = 0.05 b)1 = 0.2 c)1 = 0.6
Contrairement aux parties prcdentes o ltude est base seulement sur les temps de retard,
cette partie est consacre ltude de la dynamique du systme en fonction des gains de
retour. Pour cela, la boucle de retour est applique seulement sur la premire quation o le
111
temps de retard est fix 1 = 0.1. A partir du diagramme de bifurcation de la figure

(IV.29) on remarque que le systme au dpart est dans un tat chaotique (1 = 0.05), mais
lorsque le gain de retour augmente le comportement chaotique commence disparatre
jusqu ce que le systme se stabilise sur une orbite priodique (1 = 0.2). Avec
laugmentation du gain de retour le systme va perdre sa stabilit et rentre nouveau dans une
zone chaotique (1 = 0.6). Les trajectoires obtenus dans ce cas sont reprsentes dans la
figure(IV.30).
c- Chaotification du systme
Dans cette partie on applique le retour dtat dans la zone o le systme nadmet aucun
comportement chaotique. Daprs le diagramme de bifurcation de la figure (IV.20) on
remarque que pour = 34 le systme se stabilise sur une orbite priodique.
Pour mieux voir la dynamique du systme contrl dans cette zone, on fait appel au
diagramme de bifurcation pour les valeurs des paramtres:
1 = 0.1, 2 = 0.1, 3 = 0.1, 1 = , 2 = 2 , 3 = 3 et 0,1
Bien que le systme soit dans sa partie stable, on observe sur le diagramme de bifurcation de
la figure (IV.31) lapparition de plusieurs zones chaotiques gnres par la variation du temps
de retard . Les attracteurs chaotiques obtenus reprsents dans la figure (IV.31) nont pas la
mme forme que lattracteur de L original mais montrent que le systme est en plein chaos.
Pour les parties stables on remarque que le systme se stabilise pratiquement sur des orbites
priodiques de la mme forme.
Fig. IV. 31 Diagramme de bifurcation en fonction de pour = 34
112
a b
) )
c d
) )
e f
) )
Fig. IV. 32 Diagrammes de phase pour ) = 0.5, ) = 0.6, ) = 0.7, ) = 0.8,
) = 0.93, ) = 1.
On constate que le bon choix des gains de retour et des temps de retard permet le
contrle (suppression du chaos) ou la chaotification (gnration ou rehaussement du chaos) du
systme de L mme sil est choisi dans une zone stable.
IV.4.2 Suppression et gnration du chaos par perturbation paramtrique
Le contrle ou la chaotification des systmes dynamiques est gnralement obtenue au moyen

de mthodes de contrle retour dtat. Nous prsentons dans cette partie, une mthode de
113
contrle par application des petites perturbations sur le paramtre le plus sensible du systme.
La perturbation applique doit tre borne et trs petite par rapport au paramtre perturb. Les
perturbations de type sinusodales reprsentent un bon exemple et peuvent tre utilises car
elles sont toujours bornes.
Soit le systme de Lorenz:
x a( x y ),

y xz rx y, (IV.44)
z xy bz,

a, b, r : Paramtres du systme.
Le paramtre r est le paramtre le plus sensible dans le systme de Lorenz. Ltude sera donc
base sur la variation de ce paramtre.
Pour a 10, b 8 / 3 , le diagramme de bifurcation est reprsent dans la figure (IV.33). Il

reprsente deux types de comportement, stable et chaotique. Ainsi pour r 15 , le systme
converge dans ce cas vers un point fixe alors que pour r 28 , le systme est en plein chaos.
20
15
10
5
x
-5
-10
5 10 15 20 25 30
r
Fig. IV. 33 Diagramme de bifurcation du systme de Lorenz
Le but de la mthode de contrle est de supprimer le chaos dans les zones chaotiques et
gnrer le chaos dans les parties stables, par exemple rendre le systme chaotique pour r 15
et le stabiliser pour r 28 .
On applique une perturbation sinusodale sur le paramtre r de la faon suivante :
114
x a( x y ),

y xz r 1 sin(t )x y, (IV.45)
z xy bz,

, : Paramtres de perturbation.
Lintroduction de la perturbation sin(t ) transforme le systme de Lorenz autonome en un

systme non autonome, qui est quivalent un systme autonome de dimension 4. Dans ce
cas le systme a quatre exposants 1 2 3 et 4 0.
On fixe 0.1, 10 et on fait varier r dans lintervalle [2,30]
Le diagramme de bifurcation et les diagrammes de phase du systme perturb sont reprsents

dans les figures suivantes.
20
15
10
5
x
-5
-10
5 10 15 20 25 30
r
Fig. IV. 34 Diagramme de bifurcation du systme perturb pour = . , =
30 50
a) b)
25 45
20 40
15 35
z
10 30
5 25
0 20
-15 -10 -5 0 5 10 15 -20 -15 -10 -5 0 5 10 15 20
x x
Fig. IV. 35 Diagramme de phase : a) = , b) =
115
Dans le diagramme de bifurcation de la figure (IV.34) on remarque que :
Pour r 2,8.5 10.15,10.3 20.4,30 le systme perturb est stable sur une orbite
priodique.
Pour r 8.5,10.15 10.3,20.4 le systme perturb prsente un phnomne chaotique.
Par cette perturbation, on a donc russi stabiliser le systme dans la zone o il tait en plein
chaos, et le chaotifier dans la zone o il tait stable.
Pour voir lefficacit de la mthode on fixe r 26 et on cherche les valeurs des paramtres de
perturbation ncessaires pour dstabiliser le systme une nouvelle fois et gnrer un attracteur
chaotique similaire celui du systme original de Lorenz.
b) on fixe r 26, 10 et on varie dans lintervalle [0,1]
30
25
20
15
10
x
-5
-10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. IV. 36 Diagramme de bifurcation du systme perturb pour = et =
45 70
60
40 a) b)
50
35
40
30
z
30
25
20
20
10
15 0
-20 -15 -10 -5 0 5 10 15 20 -25 -20 -15 -10 -5 0 5 10 15 20 25
x x
Fig. IV. 37 Diagramme de phase: a) = . , b) = .
116
Dans le diagramme de bifurcation de la figure (IV.36) on remarque que :
Pour 0,0.165 0.495,0.78 le systme perturb est dstabilis de son orbite priodique
et prsente un phnomne chaotique.
Pour 0.165,0.495 0.78,1 le systme perturb reste toujours stable sur son orbite
priodique.
Pour amliorer la forme de lattracteur on fixe 0.6 et on cherche la valeur de qui

gnre un attracteur chaotique presque identique lattracteur de Lorenz.
On fixe r 26, 0.6 et on varie dans lintervalle [0,100]
Le diagramme de bifurcation, les exposants de Lyapunov et les diagrammes de phase sont

reprsents dans les figures suivantes.
25
20
15
10
5
x
-5
-10
-15
-20

0 10 20 30 40 50 60 70 80 90 100
Fig. IV. 38 Diagramme de bifurcation du systme perturb pour = et = .
44 45
42 a) 40
b)
40 35
38 30
36 25
z
34 20
32 15
30 10
28 5
26 0
-15 -10 -5 0 5 10 15 -20 -15 -10 -5 0 5 10 15 20
x x
Fig. IV. 39 Diagramme de phase: a) = , b) =
117
De la figure (IV.38) on constate que :
- Pour 0,3.4 8.8,12.2 18.2,100 le systme est chaotique.
- Pour 3.4,8.8 12.2,18.2 le systme se stabilise sur une orbite priodique.
Ce qui nous intresse dans notre tude cest la partie chaotique, pour cela on va prendre la
valeur maximale de o le systme est en plein chaos. On remarque que lattracteur
chaotique obtenu pour 100 est presque identique au fameux attracteur de Lorenz
reprsent dans la figure (IV.39.b).
On peut donc conclure que lapplication dune perturbation sinusodale sur le paramtre dun
systme chaotique autonome est trs efficace aussi bien pour la stabilisation (suppression du
chaos) que pour la chaotification (gnration ou rehaussement du chaos) du systme.
IV.4.4 Chaotification des oscillations harmoniques :
On considre le systme dynamique suivant :
= + arctan
()
(IV.46)
= +
Avec , des coefficients constants.
Le systme dquation prcdent reprsente un systme deux tats stables, dtermins par
les conditions initiales des variables dtat et les paramtres du systme. Donc, lapparition du
chaos dans la dynamique de ce systme est impossible.
2 2
1.5 1.5
(xo,yo)=(0.1, -0.1) (xo,yo)=(0.1, -0.1)
(xo,yo)=(-0.1, 0.1) (xo,yo)=(-0.1, 0.1)
1 1
0.5 0.5
0 0
x
-0.5 -0.5
-1 -1
-1.5 -1.5
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
time (s) time (s)
Fig. IV. 40 . Les deux tats stables des harmoniques = = 1.6
Afin dobtenir des oscillations chaotiques, on introduit une variation priodique sur lune des
variables du systme comme suit :
118
= + arctan
(IV.47)
= [ (0 ) + ]
O 0 est la frquence de la perturbation priodique.
Pour trouver la valeur de la frquence 0 pour laquelle le systme est en plein chaos, il faut
tudier la dynamique du systme en fonction de la variation de la frquence 0 , pour cela, on
trace le diagramme de bifurcation, en faisant varier 0 dans lintervalle[0.75 , 0.9].
10
-10
-20
y
-30
-40
-50
0.75 0.8 0.85 0.9
wo
Fig. IV. 41 Diagramme de bifurcation du systme contrl
Le diagramme de bifurcation montre que le systme est dans un tat chaotique si 0

0.7735 , 0.812 . A lextrieur de cet intervalle, il garde toujours son tat priodique.
La reprsentation temporelle et la structure des oscillations pour les diffrentes valeurs de la

frquence 0 sont reprsentes par les figures (IV.42) et (IV.43). Pour 0 = 0.76 le systme
oscille sur une orbite double priode, par contre pour 0 = 0.9 le systme suit des oscillations
rgulires. La transition des oscillations priodiques vers le rgime chaotique est faite par le
doublement de priodes qui se multiplient en fonction de la variation de la frquence
doscillation.
50 100
40 80
30 60
20 40
10 20
0 0
x
y
-10 -20
-20 -40
-30 -60
-40 -80
-50 -100
-80 -60 -40 -20 0 20 40 60 80 500 520 540 560 580 600 620 640 660 680 700
x time (s)
Fig. IV. 42 Diagramme de phase et reprsentation temporelle dans le cas de double priode = 0.76
119
25 25
20 20
15 15
10 10
5 5
0 0
y
y
-5 -5
-10 -10
-15 -15
-20 -20
-25 -25
-40 -30 -20 -10 0 10 20 30 40 200 300 400 500 600 700 800 900 1000
x time (s)
Fig. IV. 43 Diagramme de phase et srie temporelle dans le cas chaotique = 0.8
10 30
25
5
20
0
15
y
10
-5
-10
0
-15 -5
0 5 10 15 20 25 500 510 520 530 540 550 560 570 580 590 600
x time (s)
Fig. IV. 44 Diagramme de phase et srie temporelle dans le cas doscillation rgulire = 0.9
IV.4.5 Gnration du chaos partir de systmes stables :
Soit le systme continu suivant :
= 10 ( 2 + 2 )
= + 10 ( 2 + 2 ) (IV.48)
=
Ce systme dquations reprsente un cylindre dans lespace et la projection des trajectoires

du systme sur le plan (, ) nous donne un cercle unitaire. Daprs la figure (IV.45), le
systme est toujours stable. Donc lapparition dune dynamique quasi-priodique ou
chaotique parait impossible.
Pour la gnration du caractre chaotique dans un systme qui ne lest pas, on introduit des
perturbations priodiques avec des frquences doscillations diffrentes pour donner plus de
complexit la dynamique du systme.
120
1.5 1.5
1
0.5
1
0
x
-0.5
-1 0.5
-1.5
0 5 10 15 20 25 30 35 40 45 50
0
y
1.5
1
-0.5
0.5
0
y
-1
-0.5
-1
-1.5 -1.5
0 5 10 15 20 25 30 35 40 45 50 -1.5 -1 -0.5 0 0.5 1 1.5
temps(s) x
Fig. IV. 45 Reprsentation temporelle et diagramme de phase du systme stable
Le systme contrl est donn par :
= 1 10 1 (( 1 ) 2 + 2 )
= 2 + 10 2 ( 2 + ( 2 )2 ) (IV.49)
= 3
Avec :
1 = cos(1 )
2 = cos(2 ) (IV.50)
3 = cos(3 )
Lide de la mthode est dappliquer la variation priodique seulement sur la variable qui
se trouve dans lquation de ( : variable dtat). Pour notre application, les frquences
doscillation sont choisies comme suit :
1 = 0.01, 2 = 0.3, 3 = 0.9 (IV.51)
Les ont t choisis, aprs une tude de la dynamique du systme en fonction de la variation
des laide du diagramme de bifurcation.
121
1
0
x
0.8
-2
0 5 10 15 20 25 30 35 40 45 50 0.6
2
z
0.4
0
y
0.2
-2 0
0 5 10 15 20 25 30 35 40 45 50 2
1
1
0
0.5
z
1.5
-1 1
0.5
0
-0.5
y -2 -1
0 -1.5
0 5 10 15 20 25 30 35 40 45 50 x
temps(s)
0.8
0.6
z
0.4
0.2
0
2
1 1.5
1
0 0.5
0
-1 -0.5
-1
y -2 -1.5 x
Fig. IV. 46 Reprsentation temporelle et diagrammes de phase du systme chaotifi
122
Chapitre V ____________________________________________ Hyperchaotification des systmes chaotiques
Chapitre V : Hyperchaotification des systmes chaotiques
V.1 Introduction
Le comportement hyperchaotique a t tudi dans diffrentes applications telles que:
loscillateur de Colpitts [125], les circuits non-linaires [126]-[127], les systmes de
communications et la synchronisation [128]-[129]. Pour cela, la gnration de ce
comportement dynamique complexe devient un sujet de recherche trs important.
Le comportement hyperchaotique a t dcouvert pour la premire fois par Rssler en 1979

[130] par une boucle de retour applique sur son systme original. Cette dcouverte a ouvert
un autre horizon de recherche dans la thorie du chaos.
Ces dernires annes, les systmes chaotiques ont t beaucoup plus utiliss pour le cryptage
des donnes dans les communications scurises. Dans la communication chaotique
scurise, le signal chaotique est utilis pour masquer les messages transmettre. Perez et
Cerderia [14] ont prouv que le masquage des messages par un systme chaotique normal
(possdant un seul exposant de Lyapunov positif) ntait pas toujours efficace. Puis Pecora a
montr que ce problme pouvait tre rsolu en utilisant un systme chaotique de dimension
leve c'est--dire avec plusieurs exposants de Lyapunov positifs.
Un systme hyperchaotique est un systme dynamique qui possde au moins deux exposants
de Lyapunov positifs. Le comportement dynamique des ces systmes est donc plus compliqu
que celui dun simple systme chaotique. Cest pour cette raison que ces systmes offrent plus
de scurit dans le domaine de la communication.
Pour gnrer un comportement hyperchaotique partir dun systme chaotique, il faut que les
deux conditions suivantes soit satisfaites [131]:
La dimension du systme doit tre suprieure ou gale 4 et lordre de chaque
quation doit tre suprieur ou gale 2.
Le systme doit avoir au moins deux exposants positifs et la somme de tous les
exposants doit tre ngative.
Ce chapitre est consacr au dveloppement de mthodes qui permettent dobtenir ce

comportement partir de systmes chaotiques classiques.
123
V.2 Hyper-chaotification des systmes chaotiques par le contrle par retour dtat
Dans cette partie nous prsentons une mthode de contrle par retour dtat o le systme de
Lorenz est considr comme exemple. Le systme de Lorenz est un systme de dimension 3,
donc pour gnrer le comportement hyper-chaotique il faut quon augmente sa dimension. Il
existe plusieurs possibilits de lapplication de la loi de commande. Dans ce qui suit, on
applique sur le systme deux lois de commandes diffrentes de deux manires diffrentes afin
dobtenir des dynamiques hyper-chaotiques diffrentes partir du mme systme. Dans le
premier cas, on utilise une loi de commande quadratique simple de la forme =
applique sur la deuxime quation du systme original. Dans le deuxime cas on applique
sur la premire quation du systme une loi de commande de la forme
() = ( 1)( 1) + ( 1).
V.2.1 Hyper-chaotification par la commande () = ( )( )

Le systme de Lorenz est donn par :
=
= + (V.1)
=
, , les paramtres du systme
Le contrleur retour dtat est introduit de la manire suivante :
=
= +
(V.2)
=
=
est le paramtre de contrle.
On remarque que le systme contrl possde un point fixe lorigine, en rsolvant :
=0
+ = 0
(V.3)
= 0
= 0
On remarque tout de suite que le point 1 0,0,0,0 est un point fixe.
Du systme (V.3) un autre point fixe est donn par:
2 = (, , , + 1 )
124
La matrice Jacobienne du systme contrl est :
0 0
1 1
= (V.4)
0
0 0
Autour du point fixe 1 on a:
0 0
1 0 1
1 = (V.5)
0 0 0
0 0 0 0
En rsolvant :
det = + + 1 + + = 0 (V.6)
On obtient les valeurs propres suivantes:
1 = 13,1139, 2 = 0, 3 = 2.6667, 4 = 22.1139
Pour faire une analyse complte de la dynamique du systme contrl en sappuyant sur les
diagrammes de bifurcation, les exposants de Lyapunov et les diagrammes de phase.
Le diagramme de bifurcation du systme contrl en fonction du paramtre de contrle est

reprsent par la figure suivante.
25
20
15
10
X(Tn)
-5
-10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
d
Fig. V. 1 Diagramme de bifurcation du systme contrl
Au dpart, le systme contrl volue dun tat chaotique et passe rapidement vers un tat
hyper-chaotique. Puis il reprend une nouvelle fois son comportement chaotique pour ensuite
125
se stabilise sur des orbites priodiques par le phnomne de doublement de priode inverse.
Lincrmentation du paramtre du contrle influe sur la stabilit du systme qui sort de son
tat stable vers un tat chaotique, et la limite il se stabilise sur une orbite priodique de
priode 1.
Lobjectif de lapplication de cette mthode de contrle tait la gnration du comportement

hyper-chaotique, mais on remarque galement que la mthode permet aussi de supprimer le
chaos et stabiliser le systme sur des orbites priodiques de formes diffrentes.
Dans un diagramme de bifurcation il est trs difficile de diffrentie le comportement

chaotique du comportement hyper-chaotique. Donc, pour tudier le comportement du
systme dans les diffrentes zones de stabilit et plus prcisment pour justifier lapparition
de ltat hyper-chaotique, on doit calculer les exposants de Lyapunov du systme contrl.
comportement
0.1 0.7124 0.0760 0.0049 -12.4500 Hyper-chaotique
0.22 0.0352 -0.4592 -0.7236 -10.5670 priodique
0.25 0.0132 -0.0916 -0.3581 -11.2279 priodique
0.45 0.5017 -0.0009 -0.3696 -11.7951 chaotique
0.7 0.0099 -0.9740 -0.9788 -9.7224 priodique

Tableau. V. 1
Du tableau (V.1) on remarque que pour = 0.1 le systme possde deux exposants positifs
1 = 0.7124 et 2 = 0.0760. Un systme de dimension 4 avec deux exposants positifs est

une condition suffisante pour affirmer que le comportement obtenu dans ce cas est un
comportement hyper-chaotique. Les figures suivantes reprsentent lvolution du systmes
dans le plan de phase ainsi que lexposant de Lyapunov pour les diffrentes valeurs de .
126
60 4
2
50
0
40 -2
-4
30
z
-6
20 -8
-10
10
-12
0 -14 3=
-20 -15 -10 -5 0 5 10 15 20 25 0 50 100 150 200 250 300
x Temps
Fig. V. 2 Attracteur hyper-chaotique pour = 0.1
55 4
50 2
45 0
40 -2
35 -4
z
30 -6
25 -8
20 -10
15 -12
10 -14
-20 -15 -10 -5 0 5 10 15 0 50 100 150 200 250 300
x Temps
Fig. V. 3 orbite priodique pour = 0.22
55 6
50 4
2
45
0
40
-2
35
-4
z
30
-6
25
-8
20
-10
15 -12
10 -14
-20 -15 -10 -5 0 5 10 15 0 50 100 150 200 250 300
x Temps
Fig. V. 4 Orbite priodique pour = 0.25
127
60 6
4
50
2
40 0
-2
30
z
-4
20 -6
-8
10
-10
0 -12
-25 -20 -15 -10 -5 0 5 10 15 0 50 100 150 200 250 300
x Temps
Fig. V. 5 Attracteur chaotique pour = 0.45
50 8
6
45
4
40
2
35
0
30 -2
z
-4
25
-6
20
-8
15
-10
10 -12
-10 -5 0 5 10 15 20 0 50 100 150 200 250 300
x Temps
40 60
30
50
20
40
10
30
y
20
-10
10
-20
-30 0
-20 -15 -10 -5 0 5 10 15 20 25 -20 -15 -10 -5 0 5 10 15 20 25
x x
128
60 60
40 50
20 40
0 30
u
z
-20 20
-40 10
-60 0
-20 -15 -10 -5 0 5 10 15 20 25 -30 -20 -10 0 10 20 30 40
x y
Fig. V. 7 Attracteur hyper-chaotique dans les diffrents plans de phase
V.2.2 Hyper-chaotification par la commande () = ( )( ) + ( ).

Dans cet exemple la loi de contrle est applique sur le systme comme suit :
= +
= +
(V.7)
=
= +
Les points fixes du systme sont les solutions du systme :
+ = 0
+ = 0
(V.8)
= 0
+ = 0
Il est vident que le point 1 (0,0,0,0) est un point fixe.
La matrice jacobienne du systme contrl est dcrite par :
0 1
1 0
= (V.9)
0
0
Autour du point 1 la Jacobienne du systme devient:
0 1
1 0 0
1 = (V.10)
0 0 0
0 0 0
Les valeurs propres sont calcules par :
129
det = + + + + 1 + = 0 (V.11)
Les valeurs propres sont donc fonction des paramtres du systme et du paramtre de contrle
d , donc les valeurs propres du systme varie avec la variation du paramtre de contrle.
Alors, avec ce paramtre on peut choisir des valeurs propres partie relle positive ou
ngative (ce qui signifie la stabilit et linstabilit du systme)
Pour analyser la dynamique du systme en fonction du paramtre de contrle on fait varier

dans lintervalle [0.2, 1.3] puis on trace le diagramme de bifurcation reprsent dans la
figure suivante.
50
45
40
35
z
30
25
20
15
0.2 0.4 0.6 0.8 1 1.2
d
Fig. V. 8 Diagramme de bifurcation du systme sous contrle.
On constate que pour < 0.49 le systme est dfini dans une zone chaotique. Si on choisit
dans lintervalle [0.49, 0.75] le systme chaotique peut tre stabilis sur une orbite priodique
de deux cycles, mais en augmentant jusqu > 0.75 , le systme va perdre sa stabilit et
rentre de nouveau dans une zone chaotique, pour devenir la limite hyper chaotique.
comportement
0.4 0.3034 0.0009 -0.4456 -13.1269 Chaotique
0.6 0.0047 -0.1553 -0.1669 -12.7468 priodique
1.3 0.3570 0.2144 0.0016 -12.9377 Hyper chaotique

Tableau. V. 2
130
4
60 d=0.4
2
50
0
40
exposants de lyapunov
-2
30 -4
z
20 -6
-8
10
-10
0
-50
-12
0
-20 -30
0 -10 -14
50 20 10 0 50 100 150 200 250 300 350 400 450 500
x Temps
y
Fig. V. 9 Attracteur chaotique pour = 0.4
4
d=0.6
45
2
40
0
35
-2
30
z
25 -4
20 -6
15 -8
10
20 -10
10
-12
0
-10 10 20
-10 0 -14
-20 -30 -20 0 50 100 150 200 250 300 350 400 450 500
y
x Temps
4
50 d=1.3
2
40
0
exposants de lyapunov
30 -2
z
-4
20
-6
10
-8
0 -10
20
0 -12
-20 20
0 10
-40 -10 -14
-30 -20 0 50 100 150 200 250 300 350 400 450 500
y
x Temps
Daprs les rsultats reprsents dans le tableau (V.2) et par les figures (V.9) (V.11), on
remarque que pour = 0.4 le systme contrl possde un seul exposant positif, le systme
se trouve donc dans un tat chaotique. Pour = 0.6 le plus grand exposant du systme est
131
pratiquement nul, alors le systme cette fois est stable sur une orbite de deux cycles. Pour
= 1.3 le systme possde deux exposants positifs qui sont suffisants pour conduire le
systme vers un tat hyper chaotique
Pour lattracteur hyper chaotique on observe lapparition de plusieurs branches

supplmentaires qui nexiste pas dans lattracteur chaotique. Lapparition de ces branches
prouve que les systmes hyper chaotiques ont un comportement plus compliqu par rapport
aux systmes chaotiques normaux. Pour mieux voir la diffrence, on fait appel la section de
Poincar, la figure (V.13) reprsente les sections de Poincar du systme dans son tat
chaotique et hyper chaotique.
250 300
d=0.4 d=1.3
200
200
150
100
100
50
0 0
u
u
-50
-100
-100
-150
-200
-200
-250 -300
-30 -20 -10 0 10 20 30 -30 -20 -10 0 10 20 30
x x
Fig. V. 12 Section de Poincar pour = 0.4 et = 1.3
25 45
20
40
15
35
10
5 30
0 25
y
-5
20
-10
15
-15
-20 10
-25 5
-20 -15 -10 -5 0 5 10 15 20 25 -20 -15 -10 -5 0 5 10 15 20 25
x x
132
V.3 Hyperchaotification par perturbation paramtrique
Dans cette partie on sintresse la gnration du comportement hyperchaotique en utilisant

une perturbation sinusodale applique sur lun des paramtres du systme. Lefficacit de
cette technique est illustre par un exemple de simulation du systme de Chen-Lee.
On considre le systme de Chen-Lee donn par :
= +
= (V.11)
1
=
3
: les paramtres du systme.
Dans le systme de Chen-Lee le paramtre est considr comme le paramtre le plus

sensible, donc notre tude va tre base sur la perturbation de ce paramtre. Afin de
dterminer les diffrentes zones de stabilit du systme, on trace le diagramme de bifurcation
en fonction du paramtre .
100
80
60
X(nT)
40
20
-20
0 1 2 3 4 5 6
c
Fig. V. 14 Diagramme de bifurcation du systme de Chen-Lee
La perturbation sinusodale est applique sur le systme comme suit :
= +
= (V.12)
1
= (1 + sin )
3
133
, : paramtres de perturbation.
Aprs lintroduction de la perturbation sin

() le systme autonome devient non
autonome. Il devient donc quivalent un systme autonome de dimension 4. Le systme
perturb dans ce cas possde quatre exposants de Lyapunov o La
gnration dun comportement hyperchaotique est alors possible, ceci dpend bien sr du
choix des paramtres de bifurcation de manire ce que le systme ait deux exposants
positifs la fois.
a) Effet du paramtre On fixe = 0.5 et = 23 on fait varier dans lintervalle [0, 6]
100
80
60
40
20
X(nT)
-20
-40
-60
-80
-100
0 1 2 3 4 5 6
c
Fig. V. 15 Diagramme de bifurcation du systme contrl pour = 0.5 et = 23

Dans la figure (V.16) on remarque que la dynamique du systme a t compltement change.
En particulier, des parties stables sont devenues chaotiques et des parties chaotiques se sont
stabilises.
Comportement
2 1.3435 0.03870 0 -8.3803 Hyperchaotique
3.75 0.3003 0 -0.2389 -6.8078 Chaotique
3.8 0 -0.9944 -2.2031 -5.5990 Priodique
Tableau. V. 3
134
35 6
4
30
2
25
0
Exposant de Lyapunov
-2
20
-4
z
15
-6
10 -8
-10
5
-12
0 -14
-50 -40 -30 -20 -10 0 10 20 30 40 50 0 50 100 150 200 250 300
x Temps (s)
Fig. V. 16 Attracteur hyperchaotique et exposant de Lyapunov pour = 2
25 10
20 5
15 0
z
10 -5
5 -10
0 -15
-40 -30 -20 -10 0 10 20 30 40 0 50 100 150 200 250 300
x Temps (s)
Fig. V. 17 Attracteur chaotique et exposant de Lyapunov pour = 3.75
15 10
14
13 5
12
11 0
10
z
9 -5
7 -10
5 -15
-20 -15 -10 -5 0 5 10 15 20 0 50 100 150 200 250 300
x Temps (s)
Fig. V. 19 Orbite priodique et exposant de Lyapunov pour = 3.8
b) Effet du paramtre On fixe = 3.8 et = 23 on fait varier dans lintervalle

[0,1]
Dans ce qui suit, on va chercher dterminer les valeurs de pour laquelle le systme
contrl devient chaotique ou hyper chaotique, alors quil est sur une orbite stable.
135
80
60
40
20
X(nT)
-20
-40
-60
-80
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. V. 20 Diagramme de bifurcation pour = . , =
15 10
14
13 5
12
exposant de Lyapunov
11 0
10
z
9 -5
7 -10
5 -15
-20 -15 -10 -5 0 5 10 15 20 0 50 100 150 200 250 300
x Temps (s)
Fig. V. 21 Orbite priodique et exposant de Lyapunov pour = .
35 6
4
30
2
25 0
-2
20
-4
z
15
-6
10 -8
-10
5
-12
0 -14
-50 -40 -30 -20 -10 0 10 20 30 40 50 0 50 100 150 200 250 300
x Temps (s)
Fig. V. 22 Attracteur chaotique et exposant de Lyapunov pour = 1
136
Comportement
0.6 0 -1.0042 -1.0322 -6.7602 Priodique
1 1.3488 0 -0.1995 -9.9421 Chaotique
Tableau. V. 4
On remarque que lorsque le systme est dfini dans une zone stable, la variation du paramtre
pour obtenir un comportement hyperchaotique nest pas efficace. La dynamique du systme
bascule entre tat stable et tat chaotique comme nous montre les figures prcdentes. Pour
cela on va choisir pour le cas suivant le systme dfini dans une zone chaotique (par exemple
pour = 2.5) et on cherche la valeur de la frquence qui permet davoir lhyperchaos.
c) Effet du paramtre On fixe = 2.5 et = 0.5 on fait varier dans lintervalle

[0,100]
80
60
40
20
0
X(nT)
-20
-40
-60
-80
-100
0 10 20 30 40 50 60 70 80 90 100

Fig. V. 23 Diagramme de bifurcation pour = 2.5, = 0.5
La figure (V.23) montre la disparition du rgime priodique sauf autour de = 9.7. Pour le
reste, le comportement du systme varie entre ltat chaotique et hyperchaotique.
Comportement
5 1.0831 0 -0.2071 -8.3700 Chaotique
9.7 0 -1.0484 -1.0708 -5.3801 Priodique
12 1.2873 0.1292 0 -8.9132 Hyperchaotique
20 1.3475 0.1415 0 -8.9849 Hyperchaotique
Tableau. V. 5
137
35 10
30
5
25
0
20
z
15
-5
10
-10
5
0 -15
-40 -30 -20 -10 0 10 20 30 40 50 0 50 100 150 200 250 300
x Temps (s)
Fig. V. 24 Attracteur chaotique et exposant de Lyapunov pour = 5
13 6
4
12
2
11
0
10
-2
9 -4
z
-6
8
-8
7
-10
6
-12
5 -14
-20 -15 -10 -5 0 5 10 15 20 0 50 100 150 200 250 300
x Temps (s)
Fig. V. 25 Orbite priodique et exposant de Lyapunov pour = 9.7
45 6
40 4
2
35
0
30
-2
25
-4
z
20
-6
15
-8
10
-10
5 -12
0 -14
-60 -40 -20 0 20 40 60 80 0 50 100 150 200 250 300
x Temps (s)
138
35 6
4
30
2
25 0
-2
20
-4
z
15
-6
10 -8
-10
5
-12
0 -14
-50 -40 -30 -20 -10 0 10 20 30 40 50 0 50 100 150 200 250 300
x Temps (s)
Aprs cette tude dtaille de la gnration des comportements hyperchaotiques on remarque

que lapplication dun contrleur retour dtat ou dune perturbation paramtrique avec
augmentation de la dimension du systme pour les systmes chaotiques de dimension 3,
permet non seulement lhyperchaotification mais aussi la stabilisation des systmes
(suppression du chaos) par un bon choix du paramtre de contrle. Ce dernier peut tre bien
dfini partir du diagramme de bifurcation et des exposants de Lyapunov.
139
_________________________________________________________________________ Conclusion gnrale
Conclusion gnrale
Le travail dvelopp dans cette thse concerne la proposition et le dveloppement de
diffrentes approches pour la synchronisation de systmes non linaires sur des trajectoires
stables ou instables ainsi que pour la chaotification et lhyperchaotification des systmes non
linaires. Plusieurs approches sont proposes.
Lalgorithme backstepping est utilis pour le contrle des systmes chaotiques continus.
Lefficacit de cette mthode rcursive que se soit pour la stabilisation du systme sur son
point fixe ou pour la poursuite dune rfrence prdtermine est montre avec un exemple
dapplication. La mthode offre une stabilit asymptotique garantie car les lois de contrle
sont tires directement de la fonction de Lyapunov en satisfont les conditions de stabilit.
Lefficacit des mthodes de contrle non linaire est illustre par une combinaison
intressante de la logique floue et le contrle prdictif bas sur un rgulateur classique PID ;
notre objectif tait de mettre en vidence les performances de la mthode pour le contrle des
systmes chaotique discrets. La mthode est trs efficace surtout lorsque la prdiction est faite
par un modle non linaire.
La grande partie de ce travail tait la synchronisation des systmes chaotiques. Des approches
bases sur les mthodes de contrle actif, hybride rtroaction, backstepping et mode glissant
ont t ainsi dveloppes et testes sur des systmes discrets et continus. Le cas des systmes
avec des paramtres incertains a t particulirement abord et reprsente une part importante
de notre contribution. Ces mthodes sont appliques pour la synchronisation des systmes
identiques, systmes diffrents, systmes hyperchaotiques et les systmes incertains.
Lanti-contrle ou la chaotification des systmes consiste gnrer le chaos dans des

systmes n'ayant aucun comportement chaotique dans leur dynamique. Les approches
dveloppes se basent une amlioration de la mthode danti contrle impulsif et la mthode
par retour dtat dune part, et la proposition de techniques telles que lintroduction dune
perturbation priodique avec une frquence doscillation diffrente sur lune des variables,
dautre part.
Dans la dernire partie consacre lhyperchaotification des systmes chaotiques. Deux
mthodes ont t dveloppes : le contrle par retour dtat et le contrle par perturbation
paramtrique du systme. Les deux mthodes sont appliques sur les systmes exemples de
systmes chaotiques et les rsultats obtenus sont trs satisfaisants.
140
Bibliographie
[1] E. N. Lorenz, Deterministic nonperiodic f1ow, Journal of the Atmospheric

Sciences, Vol. 20, 1963.
[2] D. Ruelle and F. Takens, On the nature of turbulence, Commun. Math. Phys. Vol.
20, pp. 167-192, 1971.
[3] T. Y. Li and J. A. Yorke, Period three implies chaos, Am. Math. Mon. Vol. 82,
pp. 985-992, 1975.
[4] R. M. May, Simple mathematical models with very complicated dynamics,
Nature, 1976.
[5] M. Feigenbaum, Universal behaviour in nonlinear systems, Los Alamos Science,
1980.
[6] B. B. Mandelbrot, The Fractal Geometre of Nature, Freeman, San Francisco.
1982.
[7] T. Winfree, The geometry of biological time, SpringcrVerlag, New York, 1980.
[8] B. Van Der Pol and J. Van Der Mark, Frequency demultiplication, Nature,
Vol. 120, pp. 363-364, 1927.
[9] L. O. Chua, Chua's circuit 10 years later, International Journal of Circuit Theory
and Applications, Vol. 22, pp. 279-305, 1994.
[10] A. Hbler, Adaptive control of chaotic systems, Helv. Phys. Acta, Vol. 62, pp.
343-347, 1989.
[11] E. Ott, C. Grebogi and J. A. Yorke, Controlling chaos, Phys. Rev. Lett, Vol. 64,
pp. 1196-1199, 1990.
[12] L. M. Pecora and T. L. Carroll, Synchronization in chaotic systems, Phys. Rev.
Lett. Vol. 64, pp. 821-824, 1990.
[13] G. Chen and D. Lai, Feedback control of Lyapunov exponents for discrete-time
dynamical systems, Int. J. Bifurc. Chaos. Vol. 6, pp. 1341-1349, 1996.
[14] G. Perez and H. Cerderia, Extracting message masked by chaos, Phys. Rev. Lett.
74, pp. 1970-1973, 1995.
[15] M. P. Kennedy, Basic concepts of nonlinear dynamics and chaos, Tutorials IEEE,
pp. 289-313, 1994.
[16] A. Serbanescu, Dynamical systems, Applications in communications, ATM, 2004.
141
[17] P. Maneville, Systmes dynamiques et chaos, Ecole polytechnique, Palaiseau,
1999.
[18] F. Alain, Contribution la prdiction et au contrle des comportements

apriodiques dans les convertisseurs lectromcanique. Application de la thorie du
chaos, Thse de doctorat, Universit de Reims France, 2005.
[19] T. Sauer, C. Grebogi and J. York, How long do numerical chaotic solutions
remain valid?, Phys. Rev. Lett, Vol. 79, pp. 59-62, 1997.
[20] T. S. Parker and L. O. Chua, Practical numerical algorithm for chaotic systems,
Springer-Valerg, 1989.
[21] G. Qi, S. Du, G. Chen, Z. Chen and Z. Yuan, On a four-dimensional chaotic

system, Chaos, Solution and Fractals, Vol. 23, pp. 1671-1682, 2005.
[22] K. Alligood, T. Sauer and J. York, An introduction to dynamical systems, Chaos,

Springer, New York, 1997.
[23] A. Wolf, J.B. Swift, H.L. Swinney and J.A. Vastano, Determining Lyapunov
exponents from a time series, Physica, D. 16, pp. 285-317, 1985.
[24] H. Dang-Vu et C. Delcarte, Bifurcation et Chaos, Ellipses, Paris, 2000.
[25] R. Kraft, Chaos, cantor set and Hyperbolicity for the logistic maps,Am. Math.
Mon, Vol. 106, pp. 400-408, 1999.
[26] A. Ikhlef et N. Mansouri, Contrle et synchronisation des systmes chaotique par

un algorithme backstepping, Proc. International Conference on Systems and
Information Processing, Guelma, Algrie, 2009.
[27] M. Ding, E. Ott and C. Grebogi, Controlling chaos in a temporally irregular
environment, Phys. D, Vol. 74, pp. 386-394.
[28] B.I. Epureanu and E. Dowell, Optimal multi-dimensional OGY controller, Phys.
D, Vol. 139, pp. 87-96, 2000.
[29] C. Grebogi and Y. Lai, Controlling chaos in high dimensions, IEEE Trans
Circuits Syst I, Vol. 44, pp. 971-975, 1997.
[30] S. Iplikci and Y. Denizhan, Control of chaotic systems using targeting by extended
control regions method, Phys. D, Vol. 150, pp. 163-176, 2001.
[31] K. Yagasaki and T. Uozumi, New approach for controlling chaotic dynamical
systems, Phys. Lett. A, Vol. 238, pp. 349-357, 1998.
142
[32] T. Shinbort, C. Grebogi, J. Yorke and E. Ott, Using small perturbations to
control chaos, Nature, Vol. 363, pp. 411-417, 1993.
[33] T. Shinbort, E. Ott, C. Grebogi and J. Yorke, Using chaos to direct orbits to
targets, Phys. Rev. Lett, Vol. 65, pp. 3215-3218, 1990.
[34] C. Reyl, L. Fleep, R. Baddi and E. Brun , Control of NMR-laser chaos in high
dimensional embedding space, Phys. Rev. E, Vol. 47, pp. 267-272, 1993.
[35] B. Hao, Elementary Symbolic Dynamics and Chaos in Dissipative Systems, World
Scientific, Singapore, 1989.
[36] G. Osipanko, Dynamical Systems, Graphs, and Algorithms, Springer, Berlin,
2007.
[37] R. Davidchack and Y. Lai, Efficient algorithm for detecting unstable periodic
orbits in chaotic systems, Phys. Rev. E, Vol. 60, pp. 6172-6175, 1999.
[38] M. Brandt and G. Chen, Time-delay feedback control of complex pathological
rhythms in an atrioventricular conduction model, In.t J. Bifurc. Chaos. Vol. 10, pp.
2781-2784, 2000.
[39] M. Bleich and J. Socolar, Delayed feedback control of a paced excitable
oscillator, Int. J. Bifurc. Chaos, Vol. 10, pp. 603-609, 2000.
[40] M. Bleich, D. Hochheiser, J. Moloney and J. Socolar, Controlling extended
systems with spatially filtered, time-delayed feedback, Phys. Rev. E, Vol. 55, pp.
2119-2126, 1997.
[41] S. Bielawski, D. Derozier and P. Glorieux, Experimental characterization of
unstable periodic orbits by controlling chaos, Phys. Rev. A, Vol. 47, pp. 2492-2495,
1993.
[42] T. Hikihara and T. Kawagoshi, An experimental study on stabilization of unstable
periodic motion in magneto-elastic chaos, Phys. Lett. A. Vol. 211, pp. 29-36, 1996.
[43] K. Konishi, M. Hirai and H. Kokame, Decentralized delayed-feedback control of
a coupled map model for open flow, Phys. Rev. E, Vol. 58, pp. 3055-3059, 1998.
[44] K. Konishi, H. Kokame and K. Hirata, Coupled map car-following model and its
delayed feedback control, Phys. Rev. E, Vol. 60, pp. 4000-4007, 1999.
[45] J. Socolar, D. Sukow and D. Gauthier, Stabilizing unstable periodic orbits in fast
dynamical systems, Phys. Rev. E, Vol. 50, pp. 3245-3248, 1994.
[46] K. Pyragas, Continuous control of chaos by self-controlling feedback, Phys. Lett.
A. Vol. 170, pp. 421-428, 1992.
143
[47] T. Ushio and S. Yamamoto, Prediction-based control of chaos, Phys. Lett. A. Vol.
264, pp. 30-35, 1999.
[48] E. R. Hunt, Stabilizing high-period orbits in a chaotic systems, Phys. Rev. Lett,
Vol. 67, pp. 1953-1955, 1991.
[49] U. Dressler and G. Nitsche, Controlling chaos using time delay coordinates,
Phys. Rev. Lett, Vol. 68, pp. 1-4, 1992.
[50] K. Mirus and J. Sprott, Controlling chaos in a high dimensional system with
periodic parametric perturbations, Phys. Lett. A, Vol. 254, pp. 275-278, 1999.
[51] M. Ramesh and S. Narayanan, Chaos control by non feedback methods in the
presence of noise, Chaos Solitons Fractals, Vol. 10, pp. 1473-1489, 1999.
[52] E. Jackson, On the control of complex dynamic systems, Phys. D, Vol. 50, pp.
341-366, 1991.
[53] E. Jackson and I. Grosu, An open-plus-closed-loop (OPCL) control of complex
dynamic systems, Physi. D. Vol. 85, pp. 1-9, 1995.
[54] E. Jackson and A. Hubler, Periodic entrainment of chaotic logistic map
dynamics, Phys. D, Vol. 44, pp. 407-420, 1990.
[55] L. Chen and G. Chen,Fuzzy predictive control of uncertain chaotic systems using
time series, International Journal of Bifurcation and Chaos, Vol. 9, pp. 757-767,
1999.
[56] L.Udawatta, K. Watanabe, K. Kiguchi and K. Izumi, Fuzzy-chaos hybrid
controller for controlling of nonlinear systems, IEEE Transaction on Fuzzy systems,
Vol. 10, pp. 401-411, 2002.
[57] C. Park, C. Lee, J. Kim, S. Kim and M. Park, Design of an adaptive fuzzy
controller and its applications to controlling uncertain chaotic systems, Transaction
on Control, Automation and Systems Engineering, Vol. 3, pp. 95-105, 2001.
[58] M. Ramesh and S. Narayanan,Chaos control of Bonhoeffer-van der Pol oscillator
using neural networks, Chaos Solutions and Fractals, Vol. 12, pp. 2395-2405,
2001.
[59] X. M. Ren, A.B. Rad, P.T. Chan and W.L. Lo, Identification and control of
continuous-time nonlinear systems via dynamic neural networks, IEEE Transaction
on Industrial Electronics, Vol. 50, pp. 478-486, 2003.
144
[60] U.E. Vincent, A. Ucar, J.A. Laoye and S.O. Kareem, Control and
synchronization of chaos in RCL-shunted Josephson junction using backstepping
design, Phys. C. Superconductivity, Vol. 468, Issue 5, pp. 374-382, 2008.
[61] A.N. Njah, K.S. Ojo, G.A. Adebayo and A.O. Obawole, Generalized control and
synchronization of chaos in RCL-shunted Josephson junction using backstepping,
Phys. C. Superconductivity, Vol. 470, Issues. 13-14, pp. 558-564, 2010.
[62] C. Wang, N. Pai and H. Yau, Chaos control in AFM system using sliding mode
control by backstepping design, Communications in Nonlinear Science and
Numerical Simulation, Vol. 15, Issue 3, pp. 741-751, 2010.
[63] D. Lin, X. Wang, F. Nian and Y. Zhang, Dynamic fuzzy neural networks
modeling and adaptive backstepping tracking control of uncertain chaotic systems,
Neurocomputing,Vol.73, Issues16-18, pp. 2873-2881, 2010.
[64] H. Salarieh and A. Alasty, Control of stochastic chaos using sliding mode
method, Applied Mathematics and Computation, Vol. 225, Issue. 1, pp. 135-145,
2009.
[65] H. Wang, Z. Han, Q. Xie and W. Zhang, Sliding mode control for chaotic
systems based on LMI, Communications in Nonlinear Science and Numerical
Simulation, Vol. 14, Issue. 4, pp. 1410-1417, 2009.
[66] G. Ablay, Sliding mode control of uncertain unified chaotic systems, Nonlinear
Analysis. Hybrid Systems, Vol. 3, Issue. 4, pp. 531-535, 2009.
[67] G. Chen, A simple adaptive feedback control method for chaos and hyper-chaos
control, Applied Mathematics and Computation, Vol 217, Issue 17, pp. 7258-7264,
2011.
[68] J. Zheng, A simple universal adaptive feedback controller for chaos and
hyperchaos control, Computers and Mathematics with Applications, Vol. 61, Issue
8, pp. 2000-2004,2011.
[69 ] Y. Hung, T. Liao and J. Yan, Adaptive variable structure control for chaos
suppression of unified chaotic systems, Applied Mathematics and Computation,
Vol. 209,Issue.2,pp.391-398, 2009.
145
[70] Z. Ge, S. Li, S. Li and C. Chang, Pragmatical adaptive chaos control from a new
double van der Pol system to a new double Duffing system, Applied Mathematics
and Computation, Vol. 203, Issue. 2, pp. 513-522, 2008.
[71] C. Georgescu, A. Afshari and G. Bonnard, Fuzzy predictive PID controllers: A

heating control applications, Proceed. Fuzz. IEEE, pp. 1091-1098, 1993.
[72] M. Norgard, P. Sorensen, N. Poulsen, O. Raven and L. Hansen, Intelligent

predictive control of non linear processes using neural networks, proceed. IEEE.
Intern. Sympo. On intelligent control, pp. 15-18, 1996.
[73] A. Cipriano and D. Saez, design of fuzzy model based predictive controllers and
its application to an inverted pendulum, Proceed. Fuzz. IEEE, pp. 915-919, 1997.
[74] C. C. Lee, Fuzzy logic in control system, IEEE. Trans. Syst. Man and Cybernetics,
SMC, pp. 404-418, 2000.
[75] J. Lu, G. Chen and H. Ying, Predictive fuzzy PID control: theory, design and
simulation, Information sciences, Vol. 137, pp. 157-187. 2001.
[76] A. Ikhlef et T. Chahboub, La commande prdictive floue applique des systmes

non linaires, Projet de fin dtude, universit Mentouri Constantine, 2003.
[77] T. Yamada and H. Fujisaca, Stability theory of synchronized motion in coupled-
oscillator, Systems. II. Prog. Theor. Phys, Vol. 70, pp. 1240, 1983
[78] T. Yamada and H. Fujisaca, Stability theory of synchronized motion in coupled-
oscillator, Systems. III. Prog. Theor. Phys, Vol. 72, pp. 885, 1984
[79] V. S. Afraimovich, N. N. Verochev and M. I. Robinovich, Stochastic
synchronization of oscillations in dissipative systems, Radio. Phys. and Quantum
Electron, Vol. 29, pp. 795-803, 1983.
[80] L. Pecora and T. Carroll, Synchronization in chaotic systems, Phys. Rev. Lett,
Vol. 64, pp. 821-823, 1990.
[81] Y. Yu and S. Zhang, The synchronization of linearly bidirectional coupled chaotic
systems, Chaos. Solitons and Fractals, Vol. 22, pp. 189-197, 2004.
[82] J. H. Park, On synchronization of unified chaotic systems via non linear control,
Chaos. Solitons and Fractals, Vol. 25, pp. 699-704, 2005.
146
[83] H. Chen, G. Sheu, Y. Lin and C. Chen, Chaos synchronization between two
different chaotic systems via nonlinear feedback control, Nonlinear Analysis.
Theory. Methods and Applications, Vol. 70, Issue 12, pp. 4393-4401, 2009.
[84] Q. Zhang and J. Lu, Chaos synchronization of new chaotic system via nonlinear
control, Chaos. Solitons and fractals, Vol. 37, Issue 1, pp. 175-179, 2008.
[85] H. Salarieh and A. Alasty, Adaptive chaos synchronization in Chuas systems with
noisy parameters, Mathematics and Computers in Simulation, Vol. 79, Issue 3, pp.
233-241, 2008.
[86] U. E. Vincent and R. Guo, A simple adaptive control for full and reduced-order
synchronization of uncertain time-varying chaotic systems, Communications in
Nonlinear Science and Numerical Simulation, Vol. 14, Issue 11, pp. 3925-3932,
2009.
[87] M. Heydari, H. Salarieh and M. Behzad, Stochastic chaos synchronization using
Unscented KalmanBucy Filter and sliding mode control, Mathematics and
Computers in Simulation, Vol. 81, Issue 9, pp. 1770-1784, 2011.
[88] C. Kuo, Design of a fuzzy sliding-mode synchronization controller for two different
chaos systems, Computers and Mathematics with Applications, Vol. 61, Issue 8, pp.
2090-2095, 2011.
[89] A.N. Njah and U.E. Vincent, Synchronization and anti-synchronization of chaos
in an extended Bonhffervan der Pol oscillator using active control, Journal of
Sound and Vibration, Vol. 319, Issues 1-2, pp. 41-49, 2009.
[90] A. Ikhlef and N. Mansouri, Synchronization of chaotic and hyperchaotic systems

using an active control based algorithm, Proc. Intrnational Conference on
Electrical Engineering design and Technologies (ICEEDT), Sousse, Tunisia, 2009.
[91] G. Cai and W. Tu, Adaptive Backstepping of the uncertain unified chaotic
system, International Journal of Nonlinear Science,Vol. 4, pp. 17-24., 2007.
[92] C. M. Liu, Y. F. Peng and M. H. Lin, CMAC- based adaptive backstepping
synchronization of uncertain chaotic systems, Chaos, Solitons and Fractals, Vol.
21, pp. 981-988., 2009.
147
[93] C. Wu, T. Fang and H. Rong, Chaos synchronization of two stochastic Duffing
oscillators by feedback control, Chaos Solitons and Fractals, Vol. 32, Issue 3, pp.
1201-1207, 2007.
[94] E. Bai and K. E. Lonngrn, Sequential synchronization of two Lorenz systems
using active control, Chaos. Solitons and Fractals, Vol. 11, pp. 1041-1044, 2000.
[95] J. Hung and W. Gao, Variable structure control, IEEE. Trans. Indust. Elect, Vol.
40, pp. 2-22, 1993.
[96] K. D. Young, V. Utkin and U. Ozgunr, A control engineers guide to sliding mode
control, IEEE. Trans. Contr. Syst, Vol. 7, pp. 328-342, 1999.
[97] S. Guan and C.H. Lai, Phase synchronization between two essentially different
chaotic systems, Phys. Rev. Vol. 72, Iss. 1, pp. 6205 6212, 2005.
[98] M. Rosemblum, A. Pikovski and A. Kurths, From phase to lag synchronization in

coupled chaotic oscillators, Phys. Rev. Lett, Vol. 78, pp. 4193 4198, 1997.
[99] G. Shuguang, L. Kun and C. Lai, Chaotic synchronization through coupling
strategies, Chaos, Vol. 16, Iss. 2, pp. 023107-023109, 2006.
[100] W. L. Ditto and L. M. Pecora, Mastering chaos, Scientific American, pp. 77-84.
1993.
[101] A. Ikhlef et N. Mansouri, Synchronisation et anti-synchronisation des systmes
chaotiques par le contrle actif et lalgorithme backstepping, Proc. Confrence
Internationale en Gni Electrique (CIGET), Tebessa, Algrie, 2009.
[102] T. Ushio and S. Yamamato, Prediction based control of chaos, Phys. Lett. A. Vol.
246, pp. 30-35, 1999.
[103] U. E. Vincent, Synchronization of identical and non identical 4-D chaotic systems
using active control, Chaos. Solitons and Fractals, Vol. 37, pp. 1065-1075, 2008.
[104] A. Ikhlef and N. Mansouri, Synchronization of chaotic systems with uncertain

parameters using backstepping algorithm, International Review of Automatic
Control (I.RE.A.CO), Vol. 4, Iss. 1, pp. 6-12, 2011.
[105] A. Ikhlef and N. Mansouri, Synchronization of chaotic systems with uncertain

parameters using backstepping and adaptive active control algorithm: A comparative
study, IEEE GCC Conference and Exhibition, pp. 565-568, Dubai, 2011.
[106] T. Li and J. Yorke, Period three implies chaos, Am. Math. Mon. Vol. 82, pp.
985-992, 1975.
148
[107] F. Marotto, Snap-back repellers imply chaos in , J. Math. Anal. Appl, Vol. 63,
pp. 199-223, 1978.
[108] R. Devaney, An Introduction to Chaotic Dynamical Systems, 2nd. edn. Addison-
Wesley, New York, 1989.
[109] S. Wiggins Introduction to Applied Nonlinear Dynamical Systems and Chaos, 2nd.
edn. Springer, New York, 2003.
[110] K. Alligood, T. Sauer and J. Yorke, Chaos An Introduction to Dynamical
Aystems, Springer, New York, 1997.
[111] X. Wang and G. Chen, Generating topologically conjugate chaotic systems via
feedback control, IEEE. Trans. Circuits. Syst. I, vol. 50, pp. 812-817, 2003.
[112] C. Starkov and G. Chen, Chaotification of polynomial continuous time systems

and rational normal forms, Chaos, Solution and Fractals, V. 22, Iss. 4, pp. 849-856,
2004.
[113] H. Zhang, Z. Wang and D. Liu, Chaotifying fuzzy hyperbolic model using
impulsive and nonlinear feedback control approaches, Int. J. Bifurc. Chaos, Vol. 15,
pp. 2603-2610, 2005.
[114] X. Wang, G. Chen and X. Yu, Anticontrol of chaos in continuous-time systems
via time delay feedback, Chaos, Vol. 10, pp. 771-779, 2000.
[115] G. Chen and D. Lai, Feedback anti control of discrete chaos, Int. J. Bifurcation
and Chaos, Vol. 8, pp. 1585-1590, 1998.
[116] L. Chen,An open-plus-closed-loop control for discrete chaos and hyperchaos,
Phys. Lett. A, Vol. 281, pp. 327-333, 2001.
[117] G. Chen and X. Wang, Chaotification of Dynamical Systems: Theories,
Methodologies, and Applications, Shanghai. Jiaotong. University. Press, Shanghai,
2006.
[118] F. Dyson, Infinite in All Directions, Harper and Row, New York, 1988.
[119] R. Enns and G. McGuire, Nonlinear Physics with Maple for Scientists and
Engineers, Birkhauser, Boston, 1997.
[120] H. Zhang and Z. Wang, chaotifying fuzzy hyperbolic model using adaptive
inverse optimal control approach, Int. J. Bifurcation and Chaos, Vol. 14, pp. 3505-
3517, 2004.
[121] G. Chen, L. Yang and Z. Liu, Anticontrol of chaos for continuous-time systems,
IEICE. Trans. Fundamentals, Vol. E85-A, No. 6, pp. 1333-1335, 2002.
149
[122] J.L. Kuang, P. A. Meehan and A. Y. T. Leung, Suppression chaos via Lyapunov-
Krasovsks method, Chaos, Solution and Fractals, V. 27, pp. 1408-1414, 2006.
[123] A. Ikhlef and N. Mansouri, Chaotification of synchronized discrete chaotic

systems, Proc. Intrnational Conference on Electrical Engineering design and
Technologies (ICEEDT), Hamamet, Tunisia, 2008.
[124] A. Ikhlef and N. Mansouri, Time delay feddback control and chaotification of
continuous dynamical systems, Proc. IEEE International Multi-Conference on
Systems. Signals and Devices SSD08, Amman, Jordan, 2008.
[125] A. Cenys, A. Tamasevicius, A. Baziliauskas, R. Krivickas and E. Lindberg,
Hyperchaos in coupled colpitts oscillator, Chaos Solitons and Fractals, Vol. 17,
Iss. 2-3, pp. 349-353, 2003.
[126] T. Kapitaniak and W. H. Steeb, Transition to hyperchaos in coupled generalized
van der pol equations, Phys. Lett. A. Vol. 152, pp. 33-36, 1991.
[127] N. Yujun, W. Xingyuan, W. Mingjun and Z. Huaguang, A new hyperchaotic

system and its circuit implementation, Communications in Nonlinear Science and
Numerical Simulation, Vol. 15, Issue 11, pp. 3518-3524, 2010.
[128] R. Guo, A simple adaptive controller for chaos and hyperchaos synchronization,
Phys. Lett. A. Vol. 372, pp. 5593-5597, 2008.
[129] X. J. Wu, H. Wang and H. T. Lu, Hyperchaotic secure communication via
generalized function projective synchronization, Nonlinear Analysis: Real World
Applications, Vol. 12, Iss. 2, pp. 1288-1299, 2011.
[130] O. E. Rssler, An equation for hyperchaos, Phys. Lett. A, Vol. 71, pp. 155-157,
1979.
[131] G. Wang, X. Zhang, Y. Zheng and Y. Li, A new modified hyperchaotic L

system, Phys. Lett. A. Vol. 371, pp. 260-272, 2006.
[132] A. Boukabou, Mthodes de contrle des systmes chaotiques dordre lev et leur
application pour la synchronisation : contribution llaboration de nouvelle
approches, Thse de doctorat, universit Mentouri Constantine, 20009.
[133] H. Zhang, D. Liu and Z. Wang, Controlling chaos: suppression, synchronization

and chaotification, Springer, New York, 2009.
150

.

.
.
.
.
.
,
.
.
.
.
.
151
Abstract
The main contribution reported in this work concern the development and the suggestion of
various approaches using in the control and the synchronization of nonlinear systems on
stable or unstable trajectories, as well as for the chaotification and the hyper-chaotification of
nonlinear systems. These approaches are presented as follows:
The use of the backstepping algorithm for the control of the continuous chaotic
systems. The efficiency of this iterative method to stabilize the system on its fixed
point or for the tracking of desired reference as shown in the application example. This
method offers an asymptotic stability because the control laws are directly calculated
from the Lyapunov function satisfying in the same time the stability conditions.
The use of a control method which bases on an interesting combination of the fuzzy
control and the predictive control based on a classical PID regulator. So, our objective
is the study of the method performances in order to control the discrete chaotic
systems. This method is very effective especially when a nonlinear model is used for
the prediction.
The application of a chaos control methods for the synchronization of the chaotic
systems. Some chaos control methods based on the active control, hybrid feedback
control, backstepping algorithm and sliding mode control were also developed.
Moreover, these methods were tested on discrete and continuous systems. The case of
the systems with uncertain parameters was particularly developed, as well as, our
contribution takes an important part in this case. These methods are applied for the
synchronization of the identical, different, hyper-chaotic and the uncertain systems.
The anti-control or the chaotification of the nonlinear systems which consists to
generate the chaos in the systems having non-chaotic behavior in their dynamics.
Different approaches are developed: the impulsive anti-control, the delay feedback
method and the suggestion of techniques such as the introduction of a periodic
disturbance with a different oscillation frequency on ones of the system variables.
The last part of this work is devoted to the hyper-chaotification of the chaotic systems.
Thus, two methods were presented: the feedback control and the control by the
perturbation of the system parameter. Both methods are applied to continuous chaotic
systems.
152

IKH5989

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

IKH5989

Încărcat de

Drepturi de autor:

Formate disponibile

RPUBLIQUE ALGRIENNE DMOCRATIQUE ET POPULAIRE

Ministre de lenseignement suprieur et de la recherche scientifique

Universit Mentouri de Constantine

Synchronisation, Chaotification et Hyperchaotification des

Par : IKHLEF Ameur

Prsident : A. Bennia Prof Universit Mentouri Constantine

Je pense en premier lieu Mme NORA MANSOURI, professeur au dpartement

Je remercie normment Professeur A. BENNIA de mavoir fait lhonneur de prsider ma

Je remercie vivement monsieur A. BOUKABOU du dpartement dlectronique, universit de

Chapitre I : Gnralits sur les systmes chaotiques ....................................................... 5

I.1 Introduction ....................................................................................................................... 5

II.1 Introduction ..................................................................................................................... 21

III. 1 Introduction ..................................................................................................................... 42

IV.1 Introduction ..................................................................................................................... 85

V.1 Introduction ................................................................................................................... 123

Bibliographie .................................................................................................................... 141

dnomination "circuit de Chua". Il est maintenant tudi comme un circuit lectronique

Depuis sa dcouverte, le chaos a t considr comme un comportement incontrlable et

A partir de l, beaucoup de recherche ont t dveloppes sur le contrle, la synchronisation,

Un certains nombre de ces recherches concerne lapplication de la synchronisation du chaos,

des systmes chaotiques ainsi que la chaotification et lhyperchaotification. Notre contribution

- Lapplication de lalgorithme backstepping pour le contrle des systmes chaotiques

Le travail est prsent en cinq chapitres.

Le dernier chapitre est consacr la thorie de lhyperchaotification des systmes chaotiques.

Chapitre I : Gnralits sur les systmes chaotiques

I.3 Quelques dfinitions

Ces variables caractrisent compltement ltat instantan du systme dynamique. En

Les systmes dynamiques sont classs en deux catgories :

I.3.2 Systmes dynamiques discrets

I.3.3 Systmes dynamiques continus

Si on associe cette dynamique un tat initial 0 = (0 ), alors pour chaque couple (0 , 0 )

I.3.4 Systmes autonomes et non autonomes

I.3.5 Systme dterministe

I.4 Techniques de caractrisation du comportement chaotique

I.4.1 La section de Poincar

Fig. I.1. La section de Poincar

p dans le sens contraire

I.4.2 Lespace de phases

Point fixe ou point dquilibre

La linarisation revient poser :

Par le dveloppement de Taylor du premier ordre de f x , on obtient

Df x reprsente la matrice jacobienne de f x par rapport x , tel que

reprsentent la vitesse dexpansion Rei 0, ou de contraction Rei 0 dune spirale

sloignent du point considr.

I.4.3 Les exposants de Lyapunov

Lexposant de Lyapunov sert mesurer le degr de stabilit dun systme. Un systme

Un systme de dimension n possde n exposants de Lyapunov qui mesurent le taux de

Type dattracteur Signe des exposants de Lyapunov

Calcul des exposants de Lyapunov

Les vecteurs vi k se transforment daprs la formule

O J k est la jacobienne de f au point x k

A k 0 les vecteurs vi , i 1,2,, n sont dfinis par :

Pour viter la divergence, chaque itration les vecteurs v1 k , v2 k ,, vn k seront

Le calcul des exposants de Lyapunov dun systme dquations diffrentielles de la forme:

I.4.4 Le diagramme de bifurcation

A la valeur particulire du paramtre o la solution change subitement de nature, le systme

Fig. I. 3 Diagramme de bifurcation: a) systme de Hnon pour = . , b) Systme de Rssler pour = .

I.5 Exemples de systmes chaotiques

I.5.1 Exemple de systmes discrets

0.9 0.9 points fixes

Fig. I. 5 Sensibilit aux conditions initiales de la fonction logistique pour =

I.5.2 Exemple de systmes Continus

Fig. I. 6 Trajectoire du systme de Lorenz dans lespace de phase

Les points fixes sont la solution de lquation :