Cykly, limitní cykly, Poincarého řez
Co se naučíme:
- definovat cyklus a limitní cyklus ve spojitém i diskrétním systému
- pochopit souvislost cyklu v diskrétním systému s rovnováhou
- pochopit metodu Poincarého řezu spojitého systému a pojem multiplikátoru cyklu
- pochopit analogii fold bifurkace (spojité) v diskrétním případě
- popsat vznik cyklu bifurkací fold
- numericky kontinuovat cykly ve spojitém systému a nalézt bifurkaci LPC (fold cyklu)
Uvažujme spojitý obecný dynamický systém $\{T,\mathbf{X},\boldsymbol{\varphi}^t\}$. Doposud jsme se zabývali rovnováhou v takovém systému. Nyní budeme definovat jinou invariantní množinu takového systému – po rovnováze další „nejjednodušší“ možnou.
Na cyklus v diskrétním systému tedy můžeme pohlížet jako na rovnováhu jiného diskrétního dynamického systému. Takový myšlenkový postup ale lze použít i u spojitého systému.
Uvažujme nyní spojitý $m$-rozměrný systém \begin{equation} \label{cn2} \mathbf{\dot x} = \mathbf{f}(\mathbf{x}).\tag{23} \end{equation}
Předpokládejme navíc, že systém (23) má periodickou trajektorii $\mathbf{L}$ – cyklus. V nějakém bodě $\mathbf{x}_0 \in \mathbf{L}$ uvažujme hladkou $m-1$-rozměrnou varietu (např. nadrovinu) $$\boldsymbol{\Sigma}=\{ g(\mathbf{x})=0 : g:\mathbb{R}^m \to \mathbb{R}, g(\mathbf{x}_0)=0 \},$$ která je tzv. transverzální, což znamená, že není v bodě $\mathbf{x}_0 $ tečná $\mathbf{L}$, tedy řeže cyklus $\mathbf{L}$. V angličtině se jí proto říká Poincaré cross-section $\boldsymbol{\Sigma}$ – česky Poincarého řez.
Podmínku transverzality můžeme zapsat pomocí gradientu funkce $g$ (normálového vektoru $\Sigma$) takto:
$$\langle \nabla g(\mathbf{x}_0),\mathbf{f}(\mathbf{x}_0) \rangle \neq 0,$$tedy normálový vektor $\boldsymbol{\Sigma}$ nesmí být kolmý k trajektorii cyklu $\mathbf{L}$. Je zřejmé, že takovou varietou může být například rovina kolmá k $\mathbf{L}$ v $\mathbf{x}_0$:
$$g(\mathbf{x}) = \langle \mathbf{f}(\mathbf{x}_0), (\mathbf{x}-\mathbf{x}_0) \rangle = 0.$$Poincarého zobrazení
Na této varietě v okolí $\mathbf{x}_0$ nyní definujeme zobrazení $\mathbf{P}: \boldsymbol{\Sigma} \to \boldsymbol{\Sigma}$, které zobrazuje bod $\mathbf{x}$ trajektorie $\boldsymbol\varphi^t\mathbf{x}$ systému (23) na následující průsečík této trajektorie s varietou $\boldsymbol{\Sigma}$.
Zobrazení $\mathbf{P}$ se nazývá Poincarého zobrazení příslušné cyklu $\mathbf{L}$. Lokálně takto definujeme diskrétní dynamický systém $\{ \mathbb{N}, \boldsymbol{\Sigma}, \mathbf{P}^n\}$ s pevným bodem $\mathbf{x}_0 \in \mathbf{L}$. Pokud na $m-1$-rozměrné $\boldsymbol{\Sigma}$ zvolíme souřadný systém s počátkem v $\mathbf{x}_0$, bude možné v těchto souřadnicích $\pmb{\xi}=(\xi_1, \dots , \xi_{m-1})$ zapsat Poincarého zobrazení jako diferenční systém $$\pmb{\xi}(n+1)=\mathbf{P}(\pmb{\xi}(n))$$ s pevným bodem $\mathbf{0}$ a maticí linearizovaného systému $D\mathbf{P}(\mathbf{0})$. Cyklus $\mathbf{L}$ bude stabilní (atrahující), pokud budou všechny vlastní hodnoty $D\mathbf{P}(\mathbf{0})$ v absolutní hodnotě menší jedné. Tato vlastní čísla se někdy nazývají charakteristické (Floquetovy) multiplikátory cyklu. Lze ukázat, že vlastní hodnoty matice linearizovaného systému nezávisí ani na volbě bodu $\mathbf{x}_0$, ani na volbě $\boldsymbol{\Sigma}$ a ani na volbě souřadnic.
Příklad Poincarého zobrazeníPředchozí příklad je ojedinělým případem, kdy lze Poincarého zobrazení explicitně vyjádřit. Většinou jej počítáme numericky, program XPPAUT má tuto možnost předprogramovanou. Rozhodnutí o stabilitě cyklu spojitého systému jsme převedli na rozhodnutí o stabilitě rovnováhy (pevného bodu) Poincarého zobrazení. Podobně i o stabilitě diskrétního cyklu délky $k$ můžeme rozhodovat na základě znalosti velikosti vlastních čísel rovnováhy $k$-násobně složeného zobrazení.
Bifurkace rovnováhy jistého diskrétního systému tedy bude bifurkací příslušnou cyklu.
Fold bifurkace v diskrétním systému
Uvažujme diferenční rovnici s parametrem tvaru \begin{equation} \label{fold} x(n+1) = \varepsilon + x(n) - x(n)^2, \quad x(n) \in \mathbb{R}, \, \varepsilon \in \mathbb{R}.\tag{24} \end{equation} Pevné body splňují $f(x,\varepsilon) := \varepsilon + x - x^2 = x$, tj. leží na křivce $\varepsilon=x^2$. Pro $\varepsilon <0$ systém (24) nemá žádný pevný bod, pro $\varepsilon=0$ je pevný bod $x_0=0$ a pro $\varepsilon >0$ jsou pevné body dva $x=\pm \sqrt \varepsilon$. Parametr $\varepsilon=0$ je tedy bifurkační hodnotou a při jeho přechodu v okolí počátku dochází k lokální bifurkaci typu fold (ohyb). Bod $(x_0,\varepsilon_0)=(0,0)$ je tzv. limitním bodem. Všimněte si, že vlastní hodnota $\lambda = Df(0,0) = 1$.Ve vícerozměrném případě k této bifurkaci dochází v případě, že Jacobiho matice $\mathbf{J}$ má právě jednu vlastní hodnotu $\lambda=1$.
Fold cyklu – LPC
Při ohybu variety pevného bodu Poincarého zobrazení tedy dochází v původním spojitém systému vzniku respektive zániku dvou cyklů, které se navzájem dotknou. Jde o generický, typický jev, ke kterému dochází při generické fold bifurkaci Poincarého zobrazení (tedy vždy, když jsou splněny podmínky nedegenerovanosti a transverzality).
Stejně jako v případě ohybu variety rovnováh, i zde může tento jev vést k nenadálému zániku (vzniku) stabilního atraktoru (cyklu) při malé změně parametru. Typickým příkladem takového jevu je vznik periodických vzruchů v neuronu, prudké rozkmitání křídel letadla (proto se testují ve větrném tunelu) nebo mostu při silném (bočním) větru, nebo rozkmitání turbíny při jejím zastavování (test s vrtačkou). Je to taky jeden z důvodů, proč mají větrné elektrárny 3 lopatky. Přijdete na to proč?
FitzHughův–Nagumův model neuronu
V roce 1948 provedl Alan Lloyd Hodgkin pokusy, při kterých zaváděl stejnosměrný proud různých velikostí do axonů nervových buněk a sledoval, že některé hodnoty proudu vyvolaly série impulzů o různých frekvencích, jiné vyvolávaly jen jeden impulz nebo byly bez odezvy. V roce 1952 pak A. L. Hodgkin a Andrew Fielding Huxley publikovali sérii článků, ve kterých popsali toky elektrických proudů povrchovou membránou nervového vlákna matematickým modelem, který je dnes známý jako Hodgkin-Huxleyho model. Sestává ze soustavy 4 nelineárních diferenciálních rovnic, které velmi dobře popisují chování neuronu.
FitzHughův–Nagumův model neuronu V roce 1961 Richard FitzHugh publikoval zjednodušený model, který vykazuje obdobné chování, protože je zjednodušením projekce 4-rozměrného Hodgkin-Huxleyho modelu na dvojrozměrnou varietu.
\begin{align*} \dot V=&V-\frac{1}{3}{V}^{3}-w+i\\ \dot W=&a\left(bV-cW+d\right) \end{align*}- $V$ membránový potenciál
- $W$ proměnná související s návratem
- $i$ dodávaný proud
- $a, b, c, d$ parametry
V základním modelu excitace neuronu jsme si představili jen první rovnici pro membránové napětí $V$, bez proměnné $W$, která byla navíc posunutá: $$\dot x = kx(a-x)(x-1)+i$$ Nyní prahový parametr chybí. Ostatní parametry i stavová proměnná $W$ vycházejí z popisu kinetiky chemických reakcí na membráně axonu (přenos signálu je zprostředkován změnami koncetrací iontů $K^+$, $Na^+$, $Cl^-$ a anionty bílkovin), $a, \, b, \,c > 0$. Druhá rovnice je obnovovací, má pomalejší odezvu (proto je zde ponechán parametr $a$) a umožňuje vznik impulzu, který následně ukončí.
Neuron odpovídá vysíláním oscilujícího signálu jen pro určité hodnoty dodávaného proudu $i$, k vzniku a zániku oscilací dochází fold bifurkací limitního cyklu. Dokud se nezvýší proud do dostatečné hodnoty, neuron nereaguje, pokud je proud příliš velký, také ne. V programu MATCONT zjistěte prahové hodnoty proudu.
Parametry: $a = 0.2, b = 1, c = 0.8, d = 0.7$.
V MATCONTu je možné kontinuovat cyklus, ale je třeba jej nejprve načíst. Návod najdete zde.