Universidade Estadual de Ponta Grossa Programa de P os-Gradua ca o em Ci encias Area de concentra ca o - F sica

DE CAOS EM UMA REDE SINCRONIZAC AO DE LONGO ALCANCE COM INTERAC AO

MARLI TEREZINHA VAN KAN

PONTA GROSSA 2008

MARLI TEREZINHA VAN KAN

DE CAOS EM UMA REDE SINCRONIZAC AO DE LONGO ALCANCE COM INTERAC AO

Disserta ca o apresentada ao Programa de P os-Gradua ca o em Ci encias, a rea de concentra ca o F sica, da Universidade Estadual de Ponta Grossa, como parte dos requisitos necess arios a ` obten ca o do grau de Mestre em Ci encias. Orientador: Prof. Dr. Antonio Marcos Batista

PONTA GROSSA 2008

Agradecimentos
Ao professor Antonio Marcos Batista, pela orienta ca o competente, tornando poss vel a realiza ca o deste trabalho. Ao professor Jos e Tadeu Teles Lunardi pelo incentivo e por acreditar em mim. Ao professor Sandro Ely de Souza Pinto, pelo apoio, pelos esclarecimentos prestados, por sua importante contribui ca o. Ao amigo e colaborador, Romeu Miqu eias Szmoski, por todo aux lio na parte de programa ca o e pelo conhecimento compartilhado. A Fabiana Heirich, pela amizade e pela disposi ca o em ajudar. Aos colegas da p os-gradua ca o, pela amizade e companheirismo nesta etapa de estudos. A meus pais que sempre acreditaram na import ancia do estudo. E por u ltimo, mas n ao menos importante, agrade co a minha fam lia, Jo ao Marcos, Fernanda e Rafael Felipe, pelo apoio e compreens ao necess arios em todas as etapas deste trabalho.

Resumo

Consideramos redes de mapas acoplados com intera co es de longo alcance para estudar a sincroniza ca o de caos. Redes de mapas acoplados t em sido investigadas intensivamente desde os anos 80 como modelos para entender muitos fen omenos espa co temporais observados em sistemas espacialmente estendidos, consequentemente caos espa co temporal. Usamos o par ametro de ordem complexo para quanticar a sincroniza ca o de caos em uma rede unidimensional de mapas log sticos acoplados com a intensidade de acoplamento variando conforme uma lei de pot encia. Dependendo do n umero de mapas, da intensidade de acoplamento e do alcance das intera co es, a sincroniza ca o de caos completa pode ser obtida. Al em disso, tamb em calculamos o espectro de Lyapunov que fornece as informa co es sobre o grau de caoticidade da rede.

ii

Abstract

We considered coupled maps lattices with long-range interactions to study chaos synchronization. Coupled map lattices have been intensively investigated since early 80s as models to understand many spatiotemporal phenomena observed in extended spattially system, consequently spatiotemporal chaos. We used the complex order parameter to quantify chaos synchronization for a one-dimensional chain of coupled logistic maps with a coupling strength which varies with the lattice in a power-law fashion. Depending on the range of the interactions, complete chaos synchronization may be attained. Furthermore, we also calculated the Lyapunov spectrum which give us information about the degreeof chaoticity of the lattice.

iii

Conte udo

1 Introdu c ao

2 Conceitos Fundamentais 2.1 2.2 2.3 2.4 2.5 Sistemas din amicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . Pontos xos e o rbitas peri odicas . . . . . . . . . . . . . . . . . . . . . Atratores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Expoente de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . O mapa log stico . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6 6 7 10 11 14

3 Rede de Mapas Acoplados 3.1 3.2 3.3 3.4 Conceitos b asicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Formas de acoplamento . . . . . . . . . . . . . . . . . . . . . . . . . . Acoplamentos usuais . . . . . . . . . . . . . . . . . . . . . . . . . . . Din amica local da rede . . . . . . . . . . . . . . . . . . . . . . . . . . iv

21 21 23 25 28

3.5

Rede de mapas acoplados com intera ca o de longo alcance

. . . . . .

29

4 Sincroniza c ao de caos 4.1 4.2 Sincroniza ca o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Distribui ca o de tamanho dos plat os . . . . . . . . . . . . . . . . . . .

34 34 46

5 Espectro de Lyapunov 5.1 5.2 5.3 Espectro de Lyapunov de uma rede de mapas log sticos acoplados . . Espectro de Lyapunov para o acoplamento de longo alcance . . . . . Dimens ao de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . .

51 51 55 57

6 Conclus oes

62

Cap tulo 1

Introdu c ao

O estudo de sistemas din amicos tem recebido grande aten ca o da comunidade cient ca recentemente. Entende-se por sistema din amico todo o sistema que evolui no tempo, qualquer que seja a sua natureza, a qual pode ser f sica, biol ogica, qu mica, social ou econ omica. Como exemplos de sistemas din amicos pode-se citar um circuito el etrico, o sistema nervoso de um ser vivo ou uma popula ca o de neur onios. A teoria dos sistemas din amicos permite descrever a evolu ca o temporal de um sistema para entender ou prever o seu comportamento futuro. Os sistemas din amicos podem ser classicados quanto a vari avel temporal, a qual pode ser discreta, representados por mapas, e de tempo cont nuo, os quais s ao representados por equa co es diferenciais. As equa co es podem ser lineares ou n ao-lineares, com par ametros xos ou vari aveis no tempo. O comportamento din amico de um sistema pode ser modicado se seus par ametros s ao alterados. Esta disserta ca o trata de um sistema din amico de tempo discreto e aborda uma equa ca o do tipo n ao-linear, resolvida pelo uso de recursos computacionais. O interesse em se analisar um sistema din amico e seu comportamento surge da curiosidade de saber se eventos existentes na natureza podem ser modelados por equa co es matem aticas. A an alise de modelos matem aticos pode revelar aspectos

importantes de fen omenos biol ogicos, f sicos, qu micos e sociais, e requer o uso de t ecnicas sosticadas para a interpreta ca o dos resultados obtidos [1]. O n umero de trabalhos existentes em sistemas din amicos n ao-lineares vem aumentando com o passar do tempo, e o conceito de atrator ca otico surgiu de um trabalho meteorol ogico de Lorenz realizado em 1963 [2]. Enquanto coletava dados e os analisava atrav es de tr es equa co es diferenciais ordin arias de primeira ordem, Lorenz descobriu que determinados sistemas podiam possuir comportamentos diferentes mesmo partindo de condi co es iniciais muito pr oximas. A partir deste fato muitos trabalhos surgiram na a rea de caos [3]. Caos e entendido como um comportamento aperi odico que apresenta sensibilidade a `s condi co es iniciais. Isto signica que duas trajet orias que originam-se de condi co es iniciais ligeiramente diferentes, afastam-se exponencialmente com o passar do tempo, obstruindo a capacidade de prever o estado futuro do sistema. Para o estudo de um sistema din amico pode-se utilizar um modelo espa co-temporal. As redes de mapas acoplados foram introduzidas a partir de 1983 [4, 5] como uma forma de estudar caos espa co temporal. Nessas redes o espa co e o tempo s ao discretos enquanto que a vari avel de estado e cont nua. As redes de mapas acoplados n ao necessitam de muito tempo computacional, pois o tempo, neste caso, e discreto, possibilitando uma maior facilidade para a sua implementa ca o computacional, diferentemente de sistemas f sicos que s ao modelados por equa co es diferenciais acopladas. Do ponto de vista computacional, o tempo de processamento gasto com o estudo num erico deste tipo de rede e muito grande devido a ` natureza cont nua de sua vari avel temporal, o que torna o estudo da din amica do sistema bastante dif cil. Certas redes de mapas acoplados exibem fen omenos interessantes como intermit encia [6, 56], sincroniza ca o e supress ao de caos [7, 18]. Alguns trabalhos sobre redes de mapas acoplados abordam redes onde a intera ca o entre os elementos ou s tios e local, ou seja, somente os s tios vizinhos

contribuem para o acoplamento na rede [4]. Em outros trabalhos, as redes em estudo possuem um acoplamento com intera ca o n ao-local do tipo campo m edio, isto e, cada s tio interage com os demais s tios da rede com a mesma intensidade [8]. Nesta disserta ca o, investiga-se uma rede de mapas acoplados onde a intera ca o entre os s tios e n ao-local, contudo a intensidade da intera ca o decai segundo uma lei de pot encia com a dist ancia ao longo da rede. O acoplamento tipo lei de pot encia apresenta um par ametro efetivo de alcance, e a cria ca o de uma rede acoplada localmente ou acoplada globalmente pode ser realizada variando-se a intensidade do alcance da intera ca o. As contribui co es para este trabalho concentram-se principalmente nos estudos recentes de Tessone e colaboradores [9], os quais mostraram que duas r eplicas acopladas de sistemas espacialmente estendidos sincronizam para um estado ca otico espa co temporal comum acima de uma certa amplitude de acoplamento, e passam a apresentar esta din amica ap os o acoplamento. Na refer encia [9], a transi ca o para a sincroniza ca o foi estudada como uma transi ca o de fase de sistemas em n ao equil brio, e propriedades cr ticas foram analisadas variando-se o alcance da intera ca o. A

transi ca o encontrada e do tipo cont nua, enquanto que os ndices cr ticos variam continuamente com o expoente da lei de pot encia que caracteriza a intera ca o. Evid encias num ericas fortes indicam que a transi ca o pertence a ` classe de universalidade da fam lia de Percola ca o Direcionada An omala encontrada por espalhamento via v oo de L` evy de processos epid emicos. A Percola ca o Direcionada An omala aparece em espalhamento epidemiol ogico, sempre que o agente infeccioso pode executar v oos de L` evy. Na difus ao do tipo L` evy, v oos longos s ao intercalados com saltos mais curtos, de modo que uma regi ao muito maior e coberta pelo agente. Tal processo, pode ser modelado assumindo, por exemplo, em uma rede unidimensional, que um s tio j a infectado propaga a doen ca para algum outro s tio obedecendo a uma lei de pot encia. Neste trabalho, o comportamento de uma rede de mapas acoplados ser a analisado atrav es da sincroniza ca o. A an alise de fen omenos de sincroniza ca o 3

na evolu ca o de sistemas din amicos, iniciou-se no s eculo XVII com a descoberta de Christian Huygens, de que dois p endulos de rel ogio, muito fracamente acoplados, tornavam-se sincronizados em fase. Sistemas de osciladores acoplados podem ser encontrados na natureza, inclusive nos seres vivos. Um exemplo pode ser visto no comportamento coletivo de algumas esp ecies de vaga-lumes que, na epoca do acasalamento, apagam e acendem suas luzes de forma sincronizada [10, 11]. Mais recentemente, a busca por sincroniza ca o voltou-se para sistemas ca oticos. O fen omeno da sincroniza ca o ca otica pode ser observ avel em muitos sistemas f sicos reais, como por exemplo, sistemas el etricos, sistemas de lasers [12], sistemas biol ogicos [1], jun co es de Josephson [13] e tamb em em novas t ecnicas de comunica ca o [14]. A caracteriza ca o da din amica temporal de uma rede de mapas acoplados pode ser feita mediante a determina ca o e an alise do espectro de expoentes de Lyapunov e pela dimens ao de Lyapunov. Cada expoente do espectro e uma medida da taxa com que duas trajet orias inst aveis se afastam no espa co de fases a ` medida que o tempo evolui. Se os expoentes de Lyapunov s ao negativos, as trajet orias convergem e a evolu ca o n ao e ca otica. Se um ou mais expoentes de Lyapunov s ao positivos, signica que as trajet orias divergem, e a evolu ca o ser a ca otica, e, portanto, sens vel a `s condi co es iniciais. O espectro de Lyapunov de mapas log sticos com acoplamento local foi estudado por Kaneko [15], Crutcheld [16] e Isola [17]. O espectro de Lyapunov de mapas com acoplamento tipo lei de pot encia assim como a dimens ao de Lyapunov podem ser encontrados em trabalhos de [19, 20, 21, 22]. A rede e suas caracter sticas s ao investigadas de modo que a proposta deste trabalho consiste em: 1) estudar o comportamento din amico coletivo obtido na rede com acoplamento de longo alcance; 2) utilizar o par ametro de ordem para o diagn ostico de sincroniza ca o ca otica; 3) identicar no espa co de par ametros as regi oes de sincroniza ca o; 4) caracterizar a din amica da rede atrav es da an alise do espectro de Lyapunov e da dimens ao de Lyapunov.

Esta disserta ca o de mestrado est a organizada da seguinte forma: o cap tulo dois cont em conceitos fundamentais da teoria de sistemas din amicos, pontos xos e o rbitas peri odicas, atratores, um m etodo para o c alculo do expoente de Lyapunov para mapas unidimensionais e nalmente apresenta-se um breve estudo sobre o mapa log stico, utilizado como din amica da rede. O cap tulo tr es aborda os conceitos b asicos de rede de mapas acoplados, formas de acoplamento, acoplamentos usuais e din amica local da rede. O cap tulo quatro trata da rede de mapas acoplados com intera ca o do tipo lei de pot encia, cujo maior interesse e o de encontrar a sincroniza ca o e, al em disso, vericar a presen ca de plat os de sincroniza ca o e intermit encia. Isso ser a feito pela an alise do par ametro de ordem complexo proposto por Kuramoto que possibilita a caracteriza ca o destes estados. O cap tulo cinco apresenta o estudo do espectro de expoentes de Lyapunov em uma rede de mapas acoplados utilizando-se o acoplamento de alcance vari avel, o qual permite a transi ca o entre o acoplamento local e global, e ainda, o estudo do espectro de Lyapunov para o acoplamento de longo alcance e a dimens ao de Lyapunov com o objetivo de se evidenciar a sincroniza ca o ca otica. Finalmente, o cap tulo seis apresenta as conclus oes do trabalho.

Cap tulo 2

Conceitos Fundamentais

Neste cap tulo ser ao apresentados alguns conceitos de din amica n aolinear considerados relevantes para uma melhor compreens ao dos temas abordados.

2.1

Sistemas din amicos

Um sistema din amico consiste de uma regra determin stica e de um

conjunto de poss veis estados, os quais representam informa co es que caracterizam o sistema em um certo instante de tempo. Um sistema din amico e descrito por vari aveis dependentes e vari aveis independentes, que variam no tempo [25, 54]. O seu estado e representado pelos valores do conjunto de vari aveis dependentes num certo instante de tempo e o espa co de estados poss veis e denominado espa co de fase. A seq u encia de estados ao longo do tempo dene uma curva nesse espa co de fase, ` medida que o tempo aumenta, as trajet denominada trajet oria. A orias podem ou n ao convergir para um conjunto de dimens ao inferior, denominado atrator. Um atrator e um estado para o qual o sistema evolui no tempo a partir de certas condi co es iniciais. A evolu ca o de um sistema e descrita por um conjunto de equa co es discretas ou cont nuas as quais permitem a previs ao do futuro, dado o passado do sistema. 6

Um sistema din amico cont nuo e caracterizado por um conjunto de equa co es diferenciais. Um exemplo e o sistema de equa co es ordin arias de primeira ordem. No tempo,
dx(t) dt

= F (x, t), na qual x(t) e um vetor D-dimensional e F

uma fun ca o D-dimensional de x e t. Se as vari aveis dependentes e o tempo forem cont nuos, essas regras ser ao equa co es diferenciais ordin arias [26, 54]. Um sistema din amico discreto e caracterizado pela itera ca o de uma fun ca o. A fun ca o que descreve tal sistema e chamada de mapa e e representada na forma xn+1 = f (xn ), onde o tempo n e um valor discreto inteiro e f (xn ) e uma fun ca o linear ou n ao-linear. A escolha da lei f , pode dar origem a diferentes tipos de comportamentos. Se f for uma fun ca o linear em x, esta din amica e simples e depende da escolha de f . Observa-se que, a maioria dos fen omenos ou leis s ao n aolineares, o que torna a sua an alise mais complexa, exigindo o uso de conhecimentos mais elaborados. Para ilustrar a riqueza de comportamentos gerados por um sistema n ao-linear, considera-se o mapa log stico.

2.2

Pontos xos e o rbitas peri odicas

O objetivo b asico da teoria de sistemas din amicos e compreender o

comportamento nal ou assint otico de um processo iterativo. Mas no que consiste este processo? Seja uma fun ca o f de R em R. Inicialmente, preocupa-se em tomar um ponto x0 do dom nio desta fun ca o e conhecer a sua imagem f (x0 ). Por em, f (x0 ) tamb em pode ser um ponto do dom nio de f , e pode-se saber a sua imagem f (f (x0 )). Continuando assim pode-se saber quem s ao os pontos x0 , f (x0 ), f (f (x0 )), f (f (f (x0 ))), e assim por diante. Este conjunto de pontos e chamado de o rbita ou trajet oria do ponto x0 . Segundo Lorenz, o rbitas s ao as representa co es no espa co de fases de uma seq u encia cronol ogica cont nua ou discreta de estados [27]. Dado um x0 R, 7

e um sistema din amico discreto f , dene-se uma o rbita de x0 sobre f como uma seq u encia de pontos x0 , x1 = f (x0 ), x2 = f (2) (x0 ), ..., xn = f (n) (x0 ), ... . O ponto x0 e denominado de semente da o rbita [28]. Existem v arios tipos de o rbitas em sistemas din amicos. Uma o rbita considerada importante e o ponto xo. Um ponto x e xo se satisfaz f (x ) = x . Se f 2 (x ) = f (f (x )) = f (x ) = x e, em geral, f n (x ) = x , ent ao a o rbita do ponto xo e a seq u encia x , x , ..., ou seja, um ponto xo nunca se move. Os pontos xos para mapas s ao encontrados resolvendo a equa ca o f (x) = x ou geometricamente, examinando-se a interse ca o do gr aco de f com a linha diagonal y = x. Nas equa co es diferenciais, ao inv es de pontos xos, t em-se os pontos de equil brio que s ao determinados pela condi ca o
dx(t) dt

= 0.

Outro tipo de o rbita e a peri odica, ou c clica. O ponto x e peri odico se f k (x ) = x para algum k > 0. O k m nimo e denominado de per odo da o rbita. Se x0 e peri odico com per odo k , ent ao a o rbita de x0 e uma seq u encia repetida de n umeros: x0 , f (x0 ), ..., f k1 (x0 ), x0 , f (x0 ), ..., f k1 (x0 ). Para encontrar pontos de per odo k , no caso de sistemas discretos, e necess ario resolver f k (x) = x. Sabendo-se da simplicidade dos tipos de o rbitas, estas podem evoluir de maneira complexa e ca otica. Uma das caracter sticas de sistemas ca oticos e a presen ca de o rbitas que n ao se repetem e ocupam todo o dom nio da fun ca o, ou seja, passam arbitrariamente perto de qualquer ponto em um dado intervalo de tempo. Essas s ao as o rbitas densas. Al em da localiza ca o dos pontos xos que representam os estados estacion arios do sistema, pode-se obter informa co es importantes analisando sua estabilidade, permitindo entender o comportamento din amico em sua vizinhan ca. Para estudar a estabilidade de um ponto xo x de xn+1 = f (xn ) deve-se vericar o que ocorre com as sucessivas itera co es a partir de um ponto xn pr oximo de x . Seja o ponto xn pr oximo de x , isto e, xn = x + n . A dist ancia

entre estes pontos e dada por n = |x n x |. A dist ancia evolui para n+1 = |xn+1 x | = |f (xn ) x | = |f (x + n ) x |, expandindo o mapa f (x) em s erie de Taylor em torno de x tem-se: f (x + n ) = f (x ) + n df (x) dx 1 2 d 2 f (x ) + n 2 dx2 + ...,
x=x

(2.1)

(2.2)

(2.3)

x=x

onde os termos da expans ao que contenham pot encias de n de ordem igual ou superior a dois ser ao desprezados. Para que esta lineariza ca o seja v alida, n deve ser tomado sucientemente pequeno. De (2.2) e (2.3), admitindo-se n pequeno a ponto de se desprezar os termos de ordem superior a dois em n levam a ` seguinte express ao para n+1 f (x + n ) f (x ) = n df (x) dx , n+1 = n
x=x

df (x) dx

.
x=x

(2.4)

Se n+1 < n as itera co es convergem para o ponto xo x e este e est avel (atrator). A condi ca o necess aria e suciente para isso e df (x) dx < 1.
x=x

(2.5)

Se n+1 > n as itera co es divergem do ponto xo x e este e inst avel (repulsor), e e caracterizado pela condi ca o df (x) dx > 1.
x=x

(2.6)

Pode-se ainda observar o caso em que a derivada do sistema seja igual a 1. Nesse caso, a lineariza ca o efetuada n ao e suciente para armar se o ponto xo e ou n ao est avel. O caso em que a derivada seja igual a 0 onde o ponto mais est avel e eq uidistante dos extremos, sendo denominado de super-est avel.

Conclui-se ent ao, que os estados seguintes x1 , x2 , ..., xn , gerados a partir de x0 tomado pr oximo de x , podem se aproximar ou se afastar do ponto xo x . O n umero de pontos xos em um dado sistema depende do grau da fun ca o f que descreve o sistema. Por exemplo, se a fun ca o for do segundo grau, podem haver no m aximo dois pontos xos. No caso de todos os pontos serem inst aveis, o estado do sistema nunca converge para um ponto, sua evolu ca o temporal ir a oscilar entre alguns valores ( orbita peri odica), ou nunca passar a por um mesmo estado.

2.3

Atratores
Um atrator e um conjunto invariante para o qual as o rbitas convergem

depois de um tempo sucientemente longo [29]. Atrator e a gura constru da no espa co de fases quando v arios estados iniciais evoluem por um tempo longo e eliminase o tempo transiente. Entende-se por tempo transiente o tempo necess ario para que o sistema evolua para um comportamento assint otico. Por exemplo, o ponto xo e um atrator: dada uma condi ca o inicial na vizinhan ca do ponto, o estado ir a evoluir para o ponto xo e permanecer a neste ponto. Sistemas com din amica peri odica, apresentam atratores peri odicos. Mesmo os sistemas ca oticos, que n ao apresentam converg encia de o rbitas, podem apresentar uma esp ecie de atrator denominado atrator estranho, o qual apresenta estrutura fractal. O conjunto de todos os pontos no espa co de estados que convergem para um determinado atrator, denomina-se bacia de atra ca o desse atrator. Sistemas din amicos que possuem atratores s ao denominados sistemas dissipativos, porque o comportamento destes levam a ` perda de energia para o meio ambiente. Geometricamente, esses sistemas sofrem contra co es em volumes do espa co de estados, isto e, se for escolhida uma regi ao desse espa co cujos pontos s ao usados como condi co es iniciais do sistema, percebe-se que conforme o estado evolui, as

10

o rbitas geradas convergem ou tendem para regi oes menores, em termos de volume, do que a regi ao que inicialmente as geraram. Outra categoria de sistemas s ao os conservativos que, diferentemente dos dissipativos, preservam volumes do espa co de estados. O que caracteriza este tipo de sistema, e que n ao h a converg encia nem diverg encia das o rbitas, como se o sistema sempre conservasse sua energia. Um sistema com din amica ca otica apresenta um atrator ca otico. Um atrator ca otico e um conjunto que possui depend encia sens vel a `s condi co es iniciais. Esse fato e resultado de duas o rbitas muito pr oximas do sistema que divergem completamente, conforme o sistema evolui no tempo. Um sistema ca otico e resultado de uma lei determin stica de evolu ca o, isto e, sempre o mesmo comportamento e gerado, sob as mesmas condi co es. A aperiodicidade e o que impossibilita previs oes a interessante observar que uma o longo prazo a respeito do estado do sistema. E rbita ca otica visita sempre um ponto distinto do espa co de estados, nunca passando pelo mesmo ponto mais do que uma vez, em qualquer instante de tempo. O comportamento ca otico e comum e pode existir em modelos simples, como e o caso do mapa log stico. O estudo e a previs ao do comportamento ca otico pode ser feito por meio de medidas. Uma das maneiras de se investigar o comportamento ca otico de um sistema e atrav es do c alculo dos expoentes de Lyapunov do mesmo.

2.4

Expoente de Lyapunov
O expoente de Lyapunov expressa a taxa m edia de expans ao ou de

contra ca o da dist ancia entre duas trajet orias caracterizadas por condi co es iniciais muito pr oximas. Medir o expoente de Lyapunov entre duas trajet orias e equivalente a medir o expoente em um conjunto de trajet orias. Para cada dimens ao do espa co de fases existe um expoente associado que determina o comportamento do conjunto 11

ocupado pelas condi co es iniciais ao longo do tempo. Na seq u encia, apresenta-se um m etodo para calcular o expoente de Lyapunov para mapas unidimensionais. Dado o mapa unidimensional xn+1 = f (xn ), (2.7)

sejam dois pontos iniciais pr oximos x0 e y0 e a dist ancia entre eles 0 = |y0 x0 |. Admite-se que depois de uma itera ca o a nova dist ancia seja 1 = |y1 x1 |. Pode-se relacionar 0 e 1 e as sucessivas dist ancias a partir de uma varia ca o exponencial, 1 = e 1 0 , 2 = e2 1 = e1 +2 0 , . . . n = en n1 = e1 +2 ++n 0 = en 0 onde =
1 +2 ++n n

(2.8)

mede a taxa exponencial m edia de expans ao das trajet orias

vizinhas. Se > 0, h a uma expans ao do conjunto, se = 0, o conjunto se mant em e se < 0, h a uma contra ca o. A rela ca o (2.8) permite escrever |f n (y0 ) f n (x0 )| = en 0 =
1 n

ln

f n (x0 +0 )f n (x0 ) 0

(2.9)

onde f n (x0 ) indica a n- esima itera ca o de f (x0 ). Deve-se considerar uma dist ancia inicial innitesimal (0 0) e um n umero innito de itera co es (n ) = nlim lim
1 0 0 n

ln

f n (x0 +0 )f n (x0 ) 0 df n (x0 ) dx0

= lim

1 n n

ln

(2.10)

logo e por deni ca o o expoente de Lyapunov do mapa e constitui uma medida de diverg encia exponencial ( > 0) ou de contra ca o ( < 0), n ao dependendo da 12

trajet oria vizinha, mas podendo depender do ponto inicial x0 . Pela regra da cadeia, d n d d d f (x 0 ) = f (xn1 ) f (xn2 ) f (x0 ), dx0 dxn1 dxn2 dx0 (2.11)

onde xi = f i (x0 ) e o resultado da i- esima itera ca o do mapa a partir da condi ca o inicial x0 . Substituindo (2.11) em (2.10) obt em-se = lim 1 ln n n
n1

f (x i ) .
i=0

(2.12)

Pode-se separar o logaritmo do produt orio em somas, e o logaritmo natural do n umero de Lyapunov, expoente de Lyapunov, pode ser escrito como = nlim 1 n1 ln |f (xi )| n i=0 (2.13)

onde n indica o n umero de itera co es em que o sistema e observado, f e a derivada da lei de evolu ca o do sistema, que e calculada em cada ponto xi de uma o rbita gerada sob uma condi ca o inicial. Valores positivos para os expoentes de Lyapunov (ao menos um deles sendo positivo) indicam caos. Valores negativos indicam comportamentos convergentes, como peri odico ou de ponto xo. Valores nulos indicam quase-periodicidade ou mudan ca de comportamento (pontos de bifurca ca o). A teoria da bifurca ca o est a sendo muito estudada em sistemas din amicos e tenta-se encontrar mecanismos pelos quais sistemas mudam de um comportamento simples para um comportamento complexo [30]. O aparecimento de caos em sistemas din amicos est a ligado a ` ocorr encia de bifurca co es [29]. O processo de bifurca ca o pode ser considerado como sendo a passagem de um estado de equil brio para um estado de comportamento peri odico e, a seguir, para um estado de comportamento ca otico. Este processo depende da exist encia de um certo n umero de vari aveis, acopladas entre si, e com mudan cas. Para um mapa em Rm , cada o rbita tem m n umeros de Lyapunov, que medem as taxas da separa ca o do ponto atual da o rbita ao longo das dire co es ortogonais no espa co de fases, dire co es estas determinadas pela din amica do mapa. Um 13

mapa de m dimens oes, pode ser escrito como xn+1 = f (xn ), com x e f pertencentes a Rm . O espectro de expoentes de Lyapunov e denido por
n1

(m odulo dos autovalores de (e1 , e2 , ..., em ) = nlim e pode-se escrever o expoente da forma = nlim

J (xi )) n ,
i=0

(2.14)

n1 1 ln m odulo dos autovalores de J (x i ) , n i=0

(2.15)

onde J (xi ) e a matriz Jacobiana do mapa calculada em xi = f i (x0 ), isto e J (x i ) = fi . xi (2.16)

Os expoentes de Lyapunov s ao calculados para cada uma das m dimens oes ou vari aveis de estado do sistema considerado. A se ca o seguinte apresenta o mapa log stico que e um mapa n ao-linear, de tempo discreto, de dimens ao unit aria e usualmente utilizado para ilustrar muitas das caracter sticas de sistemas din amicos.

2.5

O mapa log stico

No nal do s eculo XVIII o n umero de pobres na sociedade inglesa

era consider avel e para entender tal fato, em 1798, Thomas Malthus publicou seu Ensaio sobre o princ pio da popula ca o [31]. Ele relacionou a popula ca o P n+1 de uma gera ca o n + 1 com a popula ca o Pn da gera ca o n, supondo que a popula ca o aumentava progressivamente na depend encia de um fator de crescimento. Pode-se escrever o modelo de Malthus como Pn+1 = CPn , (2.17)

onde n = 0, 1, 2, ..., indicam as sucessivas gera co es populacionais e C o fator de crescimento por gera ca o relacionado com a taxa de crescimento (taxa de natalidade menos a taxa de mortalidade). Este modelo tamb em descreve um crescimento exponencial 14

ilimitado para C > 1 e um decaimento at e a extin ca o para C < 1 [32]. Thomas Malthus armava que a popula ca o crescia em uma progress ao geom etrica, enquanto que os meios de subsist encia aumentavam em uma progress ao aritm etica, portanto, de forma mais lenta, justicando a escassez de alimento da epoca. Inspirado no trabalho de Malthus, o matem atico Pierre-Fra cois Verhulst (1804-1849) questionou o crescimento indenido das popula co es e sugeriu que haveriam fatores de inibi ca o do crescimento. As popula co es chegariam a um valor m aximo Pmax , a uma taxa que seria proporcional a diferen ca entre o n umero m aximo e o n umero atual de indiv duos (Pmax Pn ). De acordo com o modelo apresentado na equa ca o (2.17), C n ao seria mais uma constante, mas uma fun ca o de Pn C = k (Pmax Pn ), de forma que Pn+1 = k (Pmax Pn )Pn , (2.19) (2.18)

dividindo os dois membros da equa ca o (2.19) pelo n umero m aximo de indiv duos dessa popula ca o e denotando xn = Pn /Pmax e r = k/Pmax , pode-se escrever a equa ca o (2.19) na forma conhecida como mapa log stico: xn+1 = f (xn ) = rxn (1 xn ), (2.20)

sendo r > 0, xn+1 e uma par abola de concavidade voltada para baixo com o seu valor m aximo em x = 1 . Uma vez que n ao faz sentido popula co es negativas, este modelo 2 exige que 0 x0 1 e 0 r 4. Dado um valor inicial x0 obt em-se um valor x1 , para este valor, calcula-se x2 , e assim por diante. Os valores de x sempre estar ao no intervalo entre 0 e 1. Dependendo do valor do par ametro de controle r pode-se evidenciar v arios tipos de comportamento din amico: o valor de x pode convergir para um ponto xo; ou oscilar entre 2, 4, 8, ... valores diferentes; ou ainda pode varrer innitos valores de forma a nunca retornar a um mesmo ponto. Por possuir esta riqueza de comportamentos o mapa log stico cou muito conhecido [30]. O mapa log stico apresenta comportamentos diferentes quando o seu par ametro de controle r for variado. A gura (2.1) mostra quatro comportamentos 15

da din amica do mapa log stico para diferentes valores de r partindo todos de uma condi ca o inicial igual x0 = 0, 1. No mapa log stico, em que r = 2, 8, a condi ca o inicial evolui para o ponto xo x = 0, 642891. Com par ametro de controle r = 3, 3, o sistema evolui para uma o rbita de per odo 2, apresentando os x = 0, 476158 e x = 0, 822753 para a vari avel de estado. Com par ametro de controle r = 3, 5, o sistema evolui para uma o rbita de per odo 4 com os seguintes valores para a vari avel de estado x = 0, 385327, x = 0, 827013, x = 0, 493294 e x = 0, 872818. Com r = 3, 9, o mapa log stico apresenta sensibilidade a `s condi co es iniciais ou comportamento ca otico. Para entender melhor estes comportamentos, e necess ario um estudo sobre a estabilidade de pontos xos nos mapas analisados. Assumindo f (x ) = x na
1 equa ca o (2.20), chega-se aos pontos xos x 1 = 0 e x2 = 1 r . Como os valores associados a x ca o = 1 e x2 pela equa df (x) dx df (x) dx

= r(1 2x),

s ao 1 = r e 2 = 2 r. Estes

pontos ser ao est aveis quando | | < 1, e inst aveis quando | | > 1. Para 0 < r < 1, x e assintoticamente est avel, logo xn converge assintoticamente para x 1 = 0 1 = 0. Em r = 1, ocorre uma bifurca ca o e os pontos de equil brio trocam suas estabilidades. No intervalo 1 < r < 3, x e inst avel, enquanto que x e assintoticamente est avel 1 = 0 2
1 ca o de duplica ca o e xn converge para x 2 = 1 r . Para r = 3 tem-se uma bifurca

de per odo, surgindo uma o rbita est avel de per odo 2, ou seja, a o rbita est avel deixa de ser o ponto xo e passa a oscilar periodicamente entre dois valores, que chama-se o rbita de per odo 2. A identica ca o dos pontos de per odo 2 se d a assumindo que f 2 (x ) = x , sendo que f 2 (xn ) = f (f (xn )). Para r = 3, 45 a o rbita de per odo 2 ca inst avel e sofre uma bifurca ca o de per odo, gerando uma o rbita est avel de per odo 4. A medida que o valor de r aumenta, as bifurca co es passam a ocorrer indenidamente. Para visualizar as bifurca co es, constr oi-se um diagrama de o rbitas, onde s ao salvas as solu co es atratoras (os transientes s ao eliminados). Tempo transiente corresponde aos primeiros pontos da o rbita que s ao normalmente desprezados pois o que interessa na 16

xn

0,5 0 10 (a) 25 50

xn

0,5 0 10 (b) 25 50

xn

0,5 0 10 (c) 25 50

xn

0,5 0 (d) 0 25 50

Figura 2.1: Comportamentos da din amica do mapa log stico xn+1 = rxn (1 xn ) para diferentes valores de r e condi ca o inicial x0 = 0, 1. (a) r = 2, 8, o mapa log stico exibe um ponto xo atrator; (b) r = 3, 3, o rbita de per odo 2; (c) r = 3, 5, o rbita de per odo 4; (d) r = 3, 9, comportamento ca otico. 17

din amica e o comportamento nal. A gura (2.2) apresenta o diagrama de o rbitas, onde pode-se observar a cascata de bifurca co es e janelas de periodicidade. Sabe-se que para o valor do par ametro r = 4, o mapa apresenta comportamento completamente ca otico. Para qualquer valor de r < 3, n ao existem o rbitas per odicas com per odos maiores do que um. Para o intervalo 1 < r < 3, qualquer condi ca o inicial que satisfa ca 0 < x < 1 faz com que o atrator se aproxime . Para r = 3 ocorre um duplica ca o de per odo, ou seja, aumentando o de x = 1 1 r valor de r aparecem o rbitas de per odo 2, 4, 8,... at e um per odo innito pr oximo de r = 3, 56994, devido a `o rbita car inst avel. No intervalo de 3, 56994 r 4 o mapa apresenta um comportamento que varia entre ca otico e janelas peri odicas. Conforme foi visto na se ca o anterior, os expoentes de Lyapunov s ao utilizados para calcular a taxa de diverg encia de trajet orias, quanticando a sensibilidade a `s condi co es iniciais. A fun ca o que dene o mapa log stico depende do par ametro de controle r. Ent ao, o valor de tamb em depender a desse par ametro. Ao se construir o gr aco de r em fun ca o de pode-se identicar para quais valores de r tem-se depend encia em rela ca o a `s condi co es iniciais ( > 0) e, portanto, sob quais condi co es o sistema apresenta comportamento ca otico. Na gura (2.3) apresentase a varia ca o do expoente de Lyapunov com o par ametro de controle para o mapa log stico. Observa-se que nos pontos de bifurca ca o o expoente de Lyapunov e nulo, nas regi oes peri odicas e negativo e nas regi oes ca oticas e positivo. Para observar com detalhes, estabelece-se uma rela ca o entre os diagramas de bifurca ca o, gura (2.3 a e c) e do expoente de Lyapunov, gura (2.3 b e d) . Um expoente de Lyapunov negativo caracteriza um ponto atrator, pela gura percebe-se que isto ocorre para valores iniciais de r, onde o valor do expoente est a abaixo de zero, sendo apenas igual a zero nos pontos onde ocorrem as bifurca co es. Por outro lado, para r aproximadamente igual a 3, 5 o expoente torna-se positivo, e e a partir da que surgem as primeiras o rbitas ca oticas. Pode-se perceber atrav es

18

1 0,8

xn

0,6 0,4 0,2 0 1 0,8 1 2 3

(a)
4

xn

0,6 0,4 0,2 0 3,6 3,65 3,7 3,75

(b)
r
3,8

Figura 2.2: Diagrama de bifurca co es para o mapa log stico, com uma condi ca o inicial igual a 0, 1 e 1000 itera co es sendo 900 desprezadas. (a) panorama geral; (b) amplia ca o do intervalo 3, 6 r 3, 8 para visualiza ca o de janelas de periodicidade.

19

da amplia ca o do intervalo 3, 6 r 3, 8, que na regi ao clara (janelas), o expoente torna-se negativo novamente, voltando logo depois a ser positivo.

xn

0,5

0,5

0 2,5

(a) 1 2 3 4

0 3,6 2,5

(c) 3,7 3,8

0 0

-2,5 (b) -5 1 2

-2,5 4 3,6

(d) 3,7 3,8

Figura 2.3: (a) Diagrama de bifurca ca o do mapa log stico; (b) varia ca o do expoente de Lyapunov; (c) amplia ca o do intervalo 3, 6 r 3, 8; (d) varia ca o do expoente de Lyapunov.

20

Cap tulo 3

Rede de Mapas Acoplados

Neste cap tulo ser ao estabelecidas deni co es para a rede de mapas acoplados com liga co es locais e n ao-locais e para a rede de mapas acoplados onde a intera ca o entre os s tios decai segundo uma lei de pot encia que ser a objeto de estudo neste trabalho.

3.1

Conceitos b asicos
Redes de mapas acoplados foram introduzidos em Din amica n ao-linear

a partir de 1983 [4, 5, 8, 15, 34, 35]. Desde ent ao este t opico vem sendo objeto de estudos por parte de v arios grupos de pesquisa. As redes de mapas acoplados representam sistemas nos quais os espa co e o tempo s ao discretos e a vari avel de estado e cont nua. Elas t em sido escolhidas com certa freq u encia para o estudo da din amica espa co-temporal, isto porque sua implementa ca o e mais simples em rela ca o a sistemas de vari aveis cont nuas. A maior motiva ca o para o estudo das redes de mapas acoplados tem sido a investiga ca o de caos espa co-temporal. Caos espa co-temporal e uma din amica 21

irregular, em um sistema determin stico espacialmente extenso, que ocorre no espa cotempo e cujo grau de liberdade diverge quando o sistema aumenta [35]. Redes de mapas acoplados s ao sistemas que apresentam um n umero nito de graus de liberdade espacial. A cada grau de liberdade espacial pode-se atribuir uma vari avel de estado que caracteriza alguma propriedade f sica do sistema que varia com o espa co e o tempo [25]. Uma rede de mapas acoplados pode consistir em um conjunto de N s tios distribu dos espacialmente sobre uma reta (rede unidimensional), como mostra a gura (3.1).

i=1

i=2

i=3

. . .

i=4 i=N

Figura 3.1: Rede N-dimensional.

i) A cada s tio da rede e atribu da uma vari avel de estado cont nua x( n ,

onde i = 1, 2, ..., N e o ndice que identica o i- esimo s tio numa rede unidimensional
i) com N s tios. O tempo e discretizado na forma usual n = 0, 1, 2, ..., tal que x( n

seja a vari avel de estado do s tio i no tempo n. A evolu ca o de uma vari avel de estado e governada pela din amica local, regida por um mapa x f (x) que avan ca discretamente no tempo e pelo acoplamento a outros s tios por meio de uma certa prescri ca o [25]. O conjunto das condi co es iniciais para os s tios da rede pode ser um conjunto aleatoriamente distribu do, por ser esta uma situa ca o interessante quando se estuda comportamentos mais gerais da rede. Quanto a `s condi co es de contorno impostas sobre a rede de mapas acoplados, v arias formas podem ser usadas: xas, livres, peri odicas, mistas. Nesta disserta ca o ser a tratado apenas o caso em que a rede e unidimensional com condi co es iniciais aleat orias e condi co es de contorno peri odicas, 22

de modo que o u ltimo s tio da rede ser a considerado vizinho do primeiro. A gura (3.2) mostra uma rede com condi ca o de contorno peri odica constitu da por cinco s tios.

i=5

       

i=1        

       i=4        

    i=2            

i=3

Figura 3.2: Rede com condi ca o de contorno peri odica. Representa ca o para N = 5

A evolu ca o din amica da vari avel de estado de um s tio e dirigida pelo tipo de mapeamento efetuado no s tio e pela intensidade e forma do acoplamento do mesmo com os demais s tios da rede. Estas duas vari aveis s ao respons aveis por todo e qualquer tipo de comportamento coletivo exibido pela rede. O acoplamento e respons avel por fazer com que um grande n umero de s tios interajam enquanto evoluem no tempo, gerando atrav es de suas vari aveis de estado, estruturas espaciais que contribuem para inuenciar a din amica temporal [36].

3.2

Formas de acoplamento
Existem na literatura diversas formas de se fazer o acoplamento em

uma rede, e podem ser citados acoplamentos locais, n ao-locais, lineares e futuros. Nos acoplamentos locais a din amica de cada s tio depende apenas dos vizinhos, en23

quanto que acoplamentos n ao-locais possuem s tios que s ao inuenciados por s tios distantes. Dentre os acoplamentos locais, os de maior interesse e mais encontrados na literatura s ao: acoplamento aditivo, acoplamento total ou bidirecional, acoplamento unidirecional e acoplamento Laplaciano ou difusivo. Um tipo gen erico de acoplamento local e dado pelo termo de acoplamento
i) i) i+1) i1) Cj =i,i1 x( = 0 g x( + R g x( + L g x( n n n n (i)

(3.1)

onde o vetor = (0 , R , L ) e chamado de n ucleo do acoplamento. Podem-se destacar quatro casos interessantes: acoplamento aditivo: 0 = 0, R = L ; acoplamento stico: 0 = 2 , R = L = Laplaciano ou difusivo: 20 = R = L ; acoplamento total 3
1 ; 3

acoplamento unidirecional: 0 = L , R = 0. Para o caso unidirecional o sistema

possui difus ao assim etrica, enquanto que os outros possuem difus ao sim etrica. O acoplamento Laplaciano e o mais utilizado nos estudos de redes de mapas acoplados localmente
i) xn+1 = g x( + n (i)

i1) i) i+1) g x( 2g x( + g x( , n n n 2

(3.2)

onde e a intensidade do acoplamento. O nome e decorrente do fato que o termo de acoplamento pode ser considerado como a discretiza ca o de uma derivada segunda espacial 1 2 g (x ) g x(i1) 2g x(i) + g x(i+1) , 2 x 2 (3.3)

onde o par ametro de rede espacial e igual a um: x = (i +1) i = 1. Estas derivadas ocorrem em termos difusivos de equa co es de rea ca o e difus ao [25]. A fun ca o g (x) dene a din amica de acoplamento e existem dois casos de interesse, o acoplamento linear, g (x) = x e o acoplamento futuro, g (x) = f (x). O acoplamento futuro tem como vantagem o fato da vari avel de estado em cada s tio permanecer dentro do mesmo dom nio que teria o mapa isolado. Como exemplo, o acoplamento laplaciano futuro e dado por
i) + xn+1 = f x( n (i)

xn+1

(i)

i+1) i) i1) + f x( 2f x( f x( n n n 2 i) i1) i+1) = (1 )f x( + f x( + f x( . n n n 2 24

(3.4)

O acoplamento global e um caso extremo de acoplamento n ao-local, onde todos os s tios interagem entre si. Um acoplamento global justica-se, por exemplo, numa simula ca o computacional de uma rede neural, onde cada unidade (neur onio) interage com uma grande quantidade de outras unidades. Existem, ainda, acoplamentos n ao-locais de alcance variado, isto e, o acoplamento leva em conta a dist ancia de um s tio ao outro. Este e o caso do acoplamento do tipo lei de pot encia, que ser a utilizado em uma rede de mapas acoplados e tamb em ser a o tipo de acoplamento estudado, sendo de grande interesse e discutido com mais detalhes [19, 22, 23]. O acoplamento do tipo lei de pot encia foi estudado por Rogers e Wile [38] para uma cadeia de osciladores e, estendido por Viana e Batista para redes de mapas acoplados [39]. De forma geral, a equa ca o que dene uma rede unidimensional de mapas acoplados e
i) (i) (j ) xn+1 = f (x( n ) + C (x n ), (i)

(3.5)

onde C (i) e um termo gen erico de acoplamento, que pode depender de todos os s tios, inclusive o pr oprio s tio i e j = 1, 2, 3, ..., N 1. Na literatura sobre rede de mapas acoplados, qualquer rede em suas N componentes pode ser escrita na forma de um mapa N -dimensional, ou seja,
(2) (N ) xn+1 = C (xn ) onde xn = (x(1) n , xn , ..., xn ) representa um vetor N -dimensional

(xn RN ) que evolui a tempo discreto. O conjunto das componentes deste vetor em um instante de tempo e denominado de perl da rede ou distribui ca o espacial dos xn .

3.3

Acoplamentos usuais
O acoplamento entre os s tios pode ser resumido em dois tipos: local

e n ao-local. No acoplamento local, cada s tio i est a acoplado somente com os s tios 25

vizinhos mais pr oximos i 1 e i + 1. Como exemplos deste caso, pode-se citar a rede descrita pela equa ca o (i) (i1) i+1) i) ) + f (x ( )], xn+1 = (1 )f (x( n n ) + [ f (x n 2 (3.6)

que e um exemplo particular chamado de rede difusiva de mapas acoplados, a rede com acoplamento aditivo
i) (i1) i+1) xn+1 = f (x( ) + f (x ( )], n ) + [ f (x n n (i)

(3.7)

e a rede com acoplamento unidirecional

(i1) i) ), xn+1 = (1 )f (x( n ) + f (xn (i)

(3.8)

sendo que nesta rede a intera ca o ocorre de maneira assim etrica. No acoplamento n ao-local cada s tio i pode estar acoplado com um n umero de s tios mais distantes. Um exemplo deste caso, e que ser a utilizado neste trabalho, e o acoplamento cujo alcance da intera ca o e vari avel. Em particular, considere que a intera ca o entre os s tios vizinhos decai com a dist ancia na rede segundo uma lei de pot encia [19, 20, 22, 23]. Pode-se armar que quanto mais afastados os s tios estiverem, menor a sua inu encia com o s tio i considerado. O acoplamento do tipo lei de pot encia e dado por
i) xn+1 = (1 )f x( + n (i)

N 1 (ij ) i+j ) f xn + f x( , n ( ) j =1 j

(3.9)

onde os par ametros ( 0) e (0 1) controlam o alcance da intera ca o entre os s tios da rede e a intensidade do acoplamento. O somat orio expressa a contribui ca o dos s tios a ` esquerda e a ` direita de um s tio i considerado e representa um fator de normaliza ca o ( ) = 2 onde N =
N 1 2

1 1 1 1 1 = 2 + + + ... + , 1 2 3 N j =1 j

(3.10)

para N = tamanho da rede com N um n umero mpar. A equa ca o

(3.9) exibe dois limites interessantes, cada um caracterizando um tipo especial de 26

intera ca o dentro da rede. O acoplamento tipo lei de pot encia pode ser considerado como uma forma de interpola ca o entre os casos limites, que s ao o global e o local. Se = 0 ent ao ( ) = 2 1 1 1 1 N 1 1 = 2 + + + ... + = 2N = 2( ) = N 1, (3.11) 1 2 3 N 2 j =1 j
N

a equa ca o (3.9) torna-se:

i) xn+1 = (1 )f (x( n )+ (i)

i1) i+1) [ f (x ( ) + f (x ( )+ n n N 1 i2) i+2) iN ) +N ) f (x ( ) + f (x ( ) + ... + f (x( ) + f (x i )]. n n n n

N 1 2

(3.12)

Considerando que N =

e que as condi co es de contorno s ao peri odicas a soma

entre colchetes, representa a soma sobre todos os s tios da rede com exce ca o do s tio i. Assim, a equa ca o (3.12) pode ser escrita como
i) xn+1 = (1 )f (x( n )+ (i) N j) f (x ( n ). N 1 j =1,j =i

(3.13)

Este resultado, conhecido como acoplamento do tipo campo m edio, representa um caso extremo de acoplamento n ao-local pois cada s tio i interage com o valor m edio de todos os s tios da rede. A intensidade de acoplamento pode assumir um valor no intervalo [0, 1], N e o tamanho da rede e i e a posi ca o de cada s tio na rede,
i) sendo i = 1, 2, 3, ..., N , x( ao as vari aveis de estado calculadas no tempo discreto, n s

ef :RR e um mapa em geral com din amica ca otica. Se , ent ao ( ) = 2 1 1 1 1 1 = 2 + + + ... + = 2 1 2 3 N j =1 j

N

(3.14)

e somente o termo j = 1 permanece no somat orio no termo de acoplamento da equa ca o (3.9). Considerando que 2, obt em-se a equa ca o para uma rede de mapas acoplados com intera ca o sim etrica
i) xn+1 = (1 )f (x( n )+ (i)

1 i1) i+1) [ f (x ( ) + f (x ( )] + n n 2 1 27

xn+1

(i)

1 i2) i+2) [ f (x ( ) + f (x ( )] + ... + n n 2 1 iN ) i+N ) [ f (x ( ) + f (x ( )] , n n N i) (i1) i+1) = (1 )f (x( ) + f (x ( )], n ) + [ f (x n n 2

(3.15) (3.16)

onde somente os primeiros vizinhos i 1 e i + 1 contribuem para o termo de acoplamento. A intensidade de acoplamento pode assumir um valor no intervalo [0, 1]. O fator 2 que divide o par ametro de acoplamento normaliza a equa ca o e i e a posi ca o de cada s tio na rede, sendo i = 1, 2, 3, ..., N . Este resultado representa o caso de acoplamento local. O acoplamento do tipo lei de pot encia e interessante porque considera os tipos de liga co es mais prov aveis de ocorrerem em sistemas reais como redes neurol ogicas [43] ou em sistemas com de comportamentos ferromagn eticos [44]. Este tipo de acoplamento tamb em foi estendido por Viana e Batista para uma rede de mapas acoplados [42]. Acoplamentos n ao-locais s ao importantes para o estudo e compreens ao da arquitetura de redes neurais com produ ca o local de informa ca o [42], tamb em podem ser estudadas na discretiza ca o de algumas equa co es ntegro-diferenciais parciais modelando rea co es f sico-qu micas [43]. De forma geral, modelos de redes de mapas acoplados t em servido para observar fen omenos ocorridos em uidos e plasma, como, por exemplo, propaga ca o de s olitons, turbul encia, entre outros [44].

3.4

Din amica local da rede

Quanto a escolha da din amica local, existem diversos mapas que po-

dem representar a fun ca o f (x). A din amica local tem sido investigada por meio de mapas de baixa dimensionalidade bem conhecidos. O exemplo mais estudado e o mapa log stico expresso por f (x) = rx(1 x) [30] onde x [0, 1] e a vari avel de 28

estado, r [0, 4] e o par ametro de controle do mapa. Outro exemplo de din amica local seria o mapa do seno-c rculo f (x) = x + +
K sen(2x) 2

(mod. 1) [45], onde

x [0, 1] e uma vari avel angular (fase), 0 w 1 uma freq u encia natural, e K > 0 um par ametro de n ao-linearidade. Mapas lineares por partes, como o mapa
1 |x 1 ||, tamb em de Bernoulli f (x) = 2x (mod. 1), o mapa da tenda f (x) = a| 2 2

merecem destaque. O m odulo 1 na equa ca o do mapa de Bernoulli signica que a cada iterada do mapa, subtrai-se o valor obtido da unidade at e que o pr oximo valor a ser iterado seja menor que 1. Quanto a mapas bidimensionais, as investiga co es tem se concentrado no mapa de H enon f (x, y ) = (a x2 + by, x) e no mapa padr ao de Chirikov-Taylor pn+1 = pn + K sen(n+1 ), n+1 = n + pn [25]. Pode-se classicar o tipo de din amica local em rela ca o aos mapas como homog eneas, quando os mapas s ao id enticos em todos os s tios e n ao-homog eneas, quando ocorrem mudan cas nos par ametros dos mapas ou ocorrem mapas diferentes.

3.5

Rede de mapas acoplados com intera c ao de longo alcance

A rede estudada nesta disserta ca o e dado pela equa ca o
i) xn+1 = (1 )f (x( n )+ (i)

M 1 i+jm (q )) (ijm (q )) )], ) + f (x ( [ f (x n n ( ) m=1 [jm (q )]

(3.17)

onde ( 0) e (0 1) s ao os par ametros que controlam o alcance da intera ca o entre os s tios da rede e a intensidade do acoplamento respectivamente, n e i s ao ndices de tempo e espa co discretos [9]. O modelo tem sido estudado no caso totalmente acoplado, isto e, para jm (q ) = m com M =
N 1 2 M 1 m=1 m .

e ( ) = 2

A vari avel m corresponde a vari avel j e o valor de M corresponde a N . M indica 29

o tamanho da rede, um n umero sempre mpar, para que se observe a simetria na rede. Fazendo as substitui co es adequadamente percebe-se que a express ao para o acoplamento do tipo lei de pot encia e a mesma representada em (3.9)
(i) xn+1

= (1

i) )f (x ( n )

M 1 (im) (i+m) [ f (x n ) + f (xn )]. + ( ) m=1 m

(3.18)

Escrita desta forma tem-se novamente a express ao para o acoplamento tipo lei de pot encia usual, bem conhecido na literatura [19], o qual foi estudado tanto num erica quanto analiticamente atrav es da sua din amica de sincroniza ca o. Dos trabalhos existentes na literatura, sabe-se que para este sistema, quando = 0 existe um comportamento de acoplamento global, ou seja, todos os s tios interagem entre si e quando o acoplamento e local, ou seja, onde apenas os primeiros vizinhos interagem no acoplamento da rede. Nesta disserta ca o, considera-se uma vers ao de (3.17), onde jm (q ) = q m 1, com q valores escolhidos tais como q = 2, q = 4 e q = 8 [9]. A soma na equa ca o (3.17) estende-se para M = logq
N 2 M 1 m=1 [jm (q )]

e ( ) = 2

e o fator de

normaliza ca o. A raz ao para a escolha de jm (q ) = q m 1 tem a vantagem de ser conveniente do ponto de vista computacional, pelo fato de existir uma quantidade menor de liga co es do s tio considerado com os demais s tios da rede. A rede aqui estudada e representada como em (3.9), uma rede de acoplamento de longo alcance, onde cada s tio e governado por um mapa log stico dado por
i) xn+1 = (1 )f (x( n )+ (i)

1 M (i+q m 1) iq m +1) )], ) + f (x n [ f (x ( n m ( ) m=1 (q 1)

(3.19)

onde adota-se a condi ca o de contorno peri odica x(i) = x(N +i) , de modo que o u ltimo s tio da rede e considerado vizinho do primeiro. O tamanho N da rede dado pela express ao N = 2q M depende da escolha de q e de M . Pode-se observar que o n umero de s tios da rede e um n umero par. A equa ca o (3.19) representando o sistema em 30

estudo, e mostrada atrav es de um esquema gr aco na gura (3.3), onde foi utilizado q = 2 e M = 2 para obter uma rede de oito s tios ou N = 8. Decidiu-se inicialmente, estudar uma rede de tamanho menor e esta, por sua vez, foi a escolhida. Nesta rede cada s tio deve ser acoplado diretamente a outros quatro, sendo dois destes acoplamentos com os vizinhos da esquerda e dois com os vizinhos da direita, e isto ca atribu do ao valor dado para M . O valor de q m indica a posi ca o de cada s tio em rela ca o ao s tio considerado. As liga co es foram representadas para um u nico s tio para que a gura n ao casse com muitas linhas. Cada liga ca o corresponde a um acoplamento de menor intensidade quanto mais afastados os s tios acoplados se situarem.

i=8# " # " #"

"# "# # " # " #"#"

       

i=1

 ! ! !!   !  ! !!!

i=2

     i=7              i=6 $% % $% %$% % $ %$$ % $ $%$        

       

i=3

i=4

i=5
Figura 3.3: Ilustra ca o para uma rede do tipo (3.17), com jm (q ) = q m 1 e condi ca o de contorno peri odica, q = 2, M = 2 e N = 8 s tios.

Num primeiro momento, procurou-se deixar xo o valor para q sendo este igual a 2 e variar o valor para M , utilizando 1, 2, 3, 4, 5, 6, 7, 8 e 9 e obter a
i) representa ca o gr aca da vari avel x( tio i. Utilizou-se somente o valor 2 para n pelo s

q porque para valores maiores que 2 a rede cresce rapidamente.

31

Um dos objetivos deste trabalho e o de identicar no espa co de par ametros as regi oes onde existe sincroniza ca o e as regi oes onde n ao existe sincroniza ca o. A sincroniza ca o e um processo de comportamento coletivo. Em uma rede de mapas acoplados, a sincroniza ca o acontece quando todos os s tios possuem o mesmo valor para a vari avel de estado em um instante de tempo n. Considerando uma rede de 8 s tios com q = 2, M = 2 e r = 4 para o par ametro de controle do mapa log stico, porque para r = 4 o mapa possui comportamento completamente ca otico, esta rede pode apresentar comportamento n ao sincronizado ou sincronizado, dependendo dos par ametros e . Estudou-se inicialmente o caso da rede ter o par ametro = 0, 0 e o par ametro vari avel. A gura (3.4 a), na qual foi utilizada = 0, 1, mostra o perl de uma rede de mapas acoplados onde n ao ocorre sincroniza ca o, isto e, as vari aveis de estado n ao possuem o mesmo valor. Para = 0, 7, pode-se observar
(2) (3) (N ) na gura (3.4 b) que se verica a sincroniza ca o de caos x(1) n = xn = xn = ... = xn .

A sincroniza ca o de caos ser a abordada mais detalhadamente nas pr oximas se co es.

32

1,2 1 0,8

(a)

xn(i)

0,6 0,4 0,2 0 1,2 1 0,8 1 2 3 4 5 6 7 8

(b)

xn(i)

0,6 0,4 0,2 0 1 2 3 4

Figura 3.4: Perl de uma rede de mapas acoplados de tamanho N = 8 sendo q = 2 e M = 2, considerando 40050 itera co es e 40000 desprezadas. (a) comportamento n ao sincronizado para r = 4, 0, = 0, 0 e = 0, 1. (b) comportamento sincronizado para r = 4, 0, = 0, 0 e = 0, 7. 33

Cap tulo 4

Sincroniza c ao de caos

Neste cap tulo ser a abordado o estudo espa co-temporal de uma rede de mapas acoplados com intera ca o de longo alcance, vericando as condi co es para a exist encia da intermit encia e da sincroniza ca o de caos atrav es de seu par ametro de acoplamento.

4.1

Sincroniza c ao
Acoplamentos n ao-locais em sistemas espacialmente estendidos per-

mitem que a intera ca o se estenda a v arios s tios, favorecendo a ocorr encia de um fen omeno coletivo bastante estudado, a sincroniza ca o. A sincroniza ca o pode ser entendida como o in cio do estudo da complexidade espa co-temporal, uma vez que considera redes que s ao compostas de v arios s tios. A sincroniza ca o de caos se refere a processos de ajuste entre dois ou mais sistemas ca oticos para um comportamento comum devido ao acoplamento entre eles [18]. O estudo de ritmos sincronizados e importante devido a ` sua aplicabilidade em estudos siol ogicos, biol ogicos, tecnol ogicos, entre outros. C elulas nervosas, por exemplo, geram locomo co es sincronizadas com fases denidas dependendo da rela ca o entre suas esp ecies e seus deslocamentos. Em 34

geral, o estudo de oscila co es sincronizadas e importante para analisar os efeitos dos est mulos em ritmos siopatol ogicos intr nsecos [47]. A sincroniza ca o ca otica tem se tornado um campo de pesquisa importante, especialmente por suas aplica co es em controle e comunica co es seguras e tem sido observada em v arios arranjos experimentais desde laser at e rea co es qu micas [9]. Em uma rede de mapas acoplados, pode-se observar a sincroniza ca o parcial que e caracterizada pela exist encia de plat os possuindo s tios com o mesmo
i+1) (i) = = x( valor da vari avel de estado em um dado instante de tempo n, ou seja, xn n i+2) i+k) = ... = x( , sendo k a extens ao do plat o e k Z . Do ponto de vista x( n n

experimental, esta igualdade deve ser observada a menos de uma certa toler ancia. Se i = 1 e k = N 1, ent ao a rede estar a sincronizada em amplitude, fen omeno conhecido como sincroniza ca o completa de amplitudes. Nesta situa ca o, o perl da rede e uniforme. Se a sincroniza ca o persiste enquanto o tempo evolui, toda a din amica da rede que est a contida em um espa co de fase de dimens ao N , passa a residir em um subespa co de dimens ao um (variedade de sincroniza ca o S ), portanto, de dimens ao inferior. Para que um sistema possua sincroniza ca o completa, e necess ario a presen ca de uma variedade de sincroniza ca o. Variedade e um conjunto que localmente tem a estrutura do Espa co Euclidiano e e freq uentemente encontrada como uma superf cie N -dimensional imersa no espa co real de ordem N [48]. A variedade e um hiperplano onde se verica a estabilidade do estado sincronizado caso ocorra um pequeno deslocamento transversal, decaindo com o tempo, para esta variedade [49]. Como um outro exemplo, pode-se supor dois sistemas acoplados cujas vari aveis de estado sejam x1 e x2 , existindo sincroniza ca o entre eles, haver a uma variedade de sincroniza ca o representada por uma reta de 450 no plano, ou seja, x1 = x2 . Quando a rede est a completamente sincronizada o valor da vari avel

35

de estado e comum a todos os s tios, ou seja,

(2) (3) (N ) x(1) = sn , n = xn = xn = ... = xn

(4.1)

e como este estado e uma poss vel solu ca o para uma rede com acoplamento de longo alcance e substituindo na equa ca o (3.9), resulta em sn+1 = (1 )f (sn ) +
(i)

N 1 [2f (sn )] = f (sn ). ( ) j =1 j

(4.2)

Assim, tomando r = 4, 0, sn evolui caoticamente a ` medida que n varia. Esta situa ca o e conhecida na literatura como sincroniza ca o de caos. Por outro lado, se s n evolui de forma peri odica no tempo ocorre a sincroniza ca o peri odica [46]. O resultado anterior mostra que, independente do valor de r, a variedade de sincroniza ca o S e invariante sob a aplica ca o do mapa f (sn ). Qualquer condi ca o inicial x0 para a rede que
i) perten ca a S gerar a padr oes espa co-temporais x( n que residem em S para todos os (i)

tempos n [20]. O processo de forma ca o e aumento no n umero de plat os sincronizados e observado quando se aumenta a intera ca o na rede entre os mapas acoplados, o que e conseguido atrav es do decr escimo de e do aumento no par ametro de acoplamento . Neste processo, pode-se chegar na sincroniza ca o completa e, desta forma vericar como isso acontece. A sincroniza ca o em uma rede de mapas acoplados pode ser vericada atrav es de diagn osticos n umericos [19, 20]. Para uma rede de mapas acoplados podese usar como diagn ostico de sincroniza ca o a dispers ao das amplitudes do perl da rede, em rela ca o a sua m edia espacial < x >n = tempo n,
N 1 i) 2 ( x ) n = (x ( n < x >n ) N 1 i=1
1 2

1 N

N i=1

i) x( n , em um certo instante de

(4.3)

Neste caso, o estado sincronizado e reconhecido quando a dispers ao em torno da m edia espacial e nula [18]. Um outro diagn ostico para a sincroniza ca o de amplitudes para a rede (3.9) e proporcionado pelo par ametro de ordem complexo zn , introduzido por Ku36

ramoto [19, 50], e adaptado para rede de mapas acoplados como zn = Rn exp(2in ) = 1 N
N j) exp(2ix( n ), j =1

(4.4)

onde as quantidades Rn e representam, respectivamente, a amplitude e o a ngulo de um vetor de fase em um instante de tempo n de uma rede unidimensional com condi co es de contorno peri odicas. A equa ca o (4.4) e composta pelo termo comj) j) plexo exp(2ix( ca o de Euler. Como exp(2ix( n ) que ca expresso pela rela n ) = (j ) j) cos(2x( n ) + isen(2xn ),
1 2

calculando o m odulo

(j ) 2 j) 2 [(cos(2x( n ) + sen(2xn )

e sub-

stituindo em (4.4) resulta em Rn =

N 1 N j) 2 j) 2 sen(2x( ) + ( ( cos(2x( n ) n N j =1 j =1
1 2

(4.5)

O par ametro de ordem e utilizado para caracterizar os estados completamente sinj) cronizados, ou seja, quando os s tios possuem o mesmo valor de x( n . Neste caso a

grandeza do par ametro de ordem e igual a um para todo o tempo, com fase constante [39] e diz-se, ent ao, que o sistema est a completamente sincronizado. Para mapas desacoplados tem-se um padr ao em que as amplitudes dos s tios s ao n ao correlacionadas, que podem ser consideradas como vari aveis aleat orias. Para este caso, o par ametro de ordem e menor do que um (R < 1). Quando considera-se sincroniza ca o completa, espera-se que a grandeza do par ametro de ordem tenha um valor constante igual a um. Atrav es da pesquisa constatou-se que as redes com q = 2 e M = 1, N = 4 s tios, q = 2 e M = 2, N = 8 s tios, q = 2 e M = 3, N = 16 s tios apresentam sincroniza ca o de caos e o par ametro de ordem e igual a um. A gura (4.1) mostra o comportamento da rede com q = 2, M = 2 e N = 8 s tios atrav es deste par ametro, poss para dois diferentes valores da intensidade do acoplamento . E vel vericar que para o valor de = 0, 7, a rede possui comportamento sincronizado, enquanto que para um valor de = 0, 1, a sincroniza ca o n ao ocorre. Dessa forma, para valores da intensidade de acoplamento menores que um determinado valor, a rede possui um comportamento n ao sincronizado. Este valor ser a determinado posteriormente. 37

1,2

0,8

Rn

0,6

0,4

0,2

50

100

Figura 4.1: Par ametro de ordem versus tempo para uma rede de mapas log sticos acoplados, sendo N = 8, o tamanho da rede, r = 4, 0, o par ametro de controle, considerando 100 itera co es. O gr aco com circunfer encias corresponde a sincroniza ca o para = 0, 7 e com quadrados corresponde a n ao sincroniza ca o para = 0, 1.

38

V arias simula co es foram feitas com o objetivo de se determinar um valor para o tamanho da rede que apresentasse o comportamento que se pretendia investigar, neste caso uma regi ao de sincroniza ca o da rede, no espa co de par ametros. Com o tamanho da rede denido, N = 256 passou-se a estudar a din amica do sistema atrav es de seus poss veis estados sincronizados variando os par ametros, de acoplamento, de alcance e r de controle do mapa log stico utilizado como din amica local da rede. O valor utilizado para o par ametro de controle r passa a ser 3, 69, valor este denido porque encontra-se no intervalo 3, 6 r 4, 0, onde o mapa apresenta um comportamento que varia entre ca otico e janelas peri odicas. Considerando-se q = 2 e M = 7, o tamanho da rede e dado por N = 2q M sendo neste caso, N = 256 o tamanho da rede utilizado neste trabalho. A partir da gura (4.2) e f acil caracterizar os estados n ao sincronizado, intermitente e sincronizado fazendo o par ametro assumir tr es diferentes valores. Na gura (4.2 a) n ao ocorre sincroniza ca o de caos pois R e menor que um para todo o tempo n. Quando os s tios oscilam de modo irregular, estando em alguns instantes de tempo n ao sincronizados e em outros instantes sincronizados, o par ametro R oscila exibindo comportamento de intermit encia, gura (4.2 b). Quando todos os s tios da rede est ao sincronizados em todo instante de tempo, R n ao oscila com o decorrer das itera co es e e igual a um, gura (4.2 c). Utiliza-se a m edia temporal do par ametro de ordem para analisar o comportamento dessa grandeza com a varia ca o dos par ametros do sistema. O valor m edio e calculado pela express ao Rm = 1 n2 n 1
n2

Rn ,
n1 +1

(4.6)

sendo desprezadas n1 itera co es transientes. Na express ao, n1 e n2 indicam o tempo. A gura (4.3) exibe um intervalo de valores para a intensidade do acoplamento que vai de 0,7 a 0,85 aproximadamente, onde o par ametro de ordem m edio torna-se constante e igual um, o que como j a foi mencionado, caracteriza a 39

0,6

Rn

0,4 0,2 0 0 1,2 20 40 60 80 100

(a)
120

Rn

0,8 0,4 0 0 1,2 20 40 60 80 100

(b)
120

Rn

0,8 0,4 0 0 20 40 60 80 100

(c)
n
120

Figura 4.2: Par ametro de ordem versus tempo para uma rede de mapas log sticos acoplados do tipo (3.19), com jm (q ) = q m 1 para q = 2 e M = 7 , r = 3, 69 o par ametro de controle, considerando 120 itera co es. (a) = 0, 0 e = 0, 01 caracterizando o estado n ao sincronizado; (b) = 0, 0 e = 0, 7 caracterizando o estado intermitente; (c) = 0, 0 e = 0, 75 caracterizando o estado sincronizado. 40

presen ca de um estado sincronizado.

1,2

0,8

Rm
0,6 0,4 0,2 0

0,2

0,4

0,6

0,8

Figura 4.3: Par ametro de ordem m edio versus intensidade de acoplamento para uma rede do tipo (3.19), com jm (q ) = q m 1 de tamanho N = 256, r = 3, 69 e = 0, 0 com 100000 itera co es e 50000 itera co es transientes desprezadas.

Pode-se observar na gura (4.4) a depend encia do par ametro de ordem m edio Rm com o par ametro que controla o alcance. No intervalo 0 0, 1, com = 0, 75, a rede apresenta sincroniza ca o de caos. A gura (4.5) mostra o comportamento da rede com a varia ca o do par ametro de controle r do mapa log stico, para as redes de tamanho N = 8 e N = 256 que est ao sendo usadas neste trabalho. Para a rede de tamanho N = 8, 41

1,2

Rm
0,8 0,6 0

0,2

0,4

0,6

0,8

Figura 4.4: Par ametro de ordem m edio versus alcance da intera ca o para uma rede de tamanho N = 256, r = 3, 69 e = 0, 75 com 100000 itera co es e 50000 desprezadas.

42

considerando = 0, 75, = 0, 0, a mesma apresenta o estado de sincroniza ca o para todo r. Para a rede de tamanho N = 256, e utilizando as mesmas condi co es descritas, observa-se o mesmo comportamento, por em, para determinados valores de r, a rede sai do estado sincronizado.

1,2 1 0,8

Rm

0,6 0,4 0,2 0 3,6 1,2 1 0,8 3,7 3,8 3,9

(a)
4

Rm

0,6 0,4 0,2 0 3,6 3,7 3,8

(b)
r
3,9 4

Figura 4.5: Par ametro de ordem m edio versus par ametro de controle para uma rede: (a) de tamanho N = 8 e = 0, 75; (b) de tamanho N = 256 e = 0, 75, com 100000 itera co es e 80000 desprezadas.

Para determinados valores de e de , ocorre a forma ca o de plat os de sincroniza ca o ao longo do tempo. Estes plat os s ao estruturas que se mant em constantes no tempo, isto e, com o passar do tempo o sistema continua com o par ametro 43

de ordem igual a um, no entanto, em alguns momentos, o sistema sai desse estado apresentando estouros, ou seja, o estado sincronizado e perdido durante um intervalo de tempo. A sincroniza ca o completa no regime ca otico, segundo pesquisas recentes [19], ocorre na forma de uma transi ca o via intermit encia. O termo intermit encia foi usado em din amica dos uidos para descrever sinais de investiga ca o em uidos que alternavam entre por co es suaves e por co es que possu am explos oes, interpretadas como estados laminares e turbulentos no uido [56]. A transi ca o via intermit encia e observada quando a intensidade de acoplamento entre os s tios da rede atinge um certo valor. O valor cr tico encontrado para a rede em estudo, N = 256, q = 2, M = 7, = 0, 0 e r = 3, 69 e = 0, 669. O valor cr tico e aquele que separa a regi ao onde a rede nunca sincroniza completamente da regi ao onde a rede apresenta sincroniza ca o completa ap os um certo transiente. Delimita-se no espa co de par ametros, versus , as regi oes onde ocorre ou n ao a sincroniza ca o de caos. Na gura (4.6) pode-se observar 2 regi oes: a regi ao branca, onde n ao h a sincroniza ca o e 0 < R < 1, e a regi ao preta, onde h a sincroniza ca o, e R = 1. Observa-se que o tamanho da rede, com os demais par ametros xos, faz com que a a rea da regi ao de sincroniza ca o diminua. Para vericar a varia ca o do comprimento da regi ao de sincroniza ca o de caos considerou-se valores de pr oximos do valor 0, 75 e uma m edia dos pontos (, ) foi realizada para diminuir os erros de utua co es. Utilizou-se os tamanhos das redes N = 8, N = 16, N = 32, N = 64, N = 128 e N = 256 para se encontrar um alcance de intera ca o que fosse m aximo, onde ocorre a sincroniza ca o. Fez-se a intensidade de acoplamento variar no intervalo de 0, 75 0, 78 o que pode ser vericado na gura (4.7). Os valores encontrados para foram: 2,96; 1,184; 0,689; 0,421; 0,249 e 0,134, respectivamente, de acordo com os tamanhos das redes citadas anteriormente. Esta distribui ca o e adequada por um ajuste que segue uma

44

1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0 0,05 0,1 1 2 3

(a)
4

(b)

0,15 0,2

Figura 4.6: Intensidade do acoplamento versus alcance da intera ca o para a rede de tamanho, (a) N = 8, (b) N = 256 s tios, r = 3, 69 com 100000 itera co es e 50000 desprezadas. Na regi ao branca n ao ocorre sincroniza ca o de caos e na regi ao preta h a sincroniza ca o de caos. 45

lei de pot encia. O ajuste dado pela equa ca o = N , fornece = 14, 595 e = 0, 85108, sendo 0, 9944121 o coeciente de correla ca o dos dados observados.

10

100

Figura 4.7: Comprimento da regi ao de sincroniza ca o versus tamanho da rede para 100000 itera co es e 50000 desprezadas como transiente. A equa ca o = N , fornece = 14, 595 e = 0, 85108, sendo 0, 9944121 o coeciente de correla ca o dos dados observados

4.2

Distribui c ao de tamanho dos plat os

Nesta se ca o ser a tratado o caso da rede ter o par ametro xo e o

par ametro vari avel. 46

Em um sistema determin stico e comum, para alguns valores de par ametros, que exista um comportamento intermitente do sistema. Um sistema intermitente, n ao vai, ao longo do tempo, ter sempre um comportamento constante, sendo que em alguns intervalos de tempo ele passa a ter estouros. Estes estouros s ao uma das caracter sticas de estados intermitentes, eles ocorrem entre comportamentos peri odicos, chamados laminares, e acontecem quando um par ametro e variado, chegando a um valor cr tico. Como j a mencionado, o valor cr tico encontrado para a rede de tamanho N = 256 foi = 0, 669, o qual ser a utilizado para a determina ca o dos tamanhos dos plat os de sincroniza ca o. O tamanho das regi oes laminares ou plat os existentes em um comportamento intermitente e determinado pelo tempo em que o sistema permanece nesta regi ao. Supondo um sistema onde o tempo e uma vari avel discreta, o menor comprimento de uma fase laminar e dois, assim, quando um valor menor que este e atingido, considera-se que n ao existe regi ao intermitente, ou seja, o sistema est a n ao sincronizado. Quando o tempo e o m aximo utilizado para a itera ca o da rede, existe apenas uma grande regi ao laminar, e o sistema atinge seu estado sincronizado. Na regi ao onde a intermit encia ocorre, essas fases laminares variam entre dois e o valor m aximo, sendo intercaladas por regi oes de estouros que indicam a sa da do sistema da variedade de sincroniza ca o [37]. Quando aumenta a diferen ca entre o valor do par ametro e seu valor cr tico, a dura ca o m edia dos estados laminares diminui e os estouros ocorrem com mais freq u encia. No comportamento intermitente, os tamanhos das regi oes laminares s ao relacionadas com os valores de . Tal comportamento permanece est avel no tempo para um valor de desde que este n ao chegue ao valor cr tico, que por sua vez, indica o limite desta fase. Os plat os, ao qual associa-se um comprimento, est ao indicados na gura (4.8) que representa a evolu ca o temporal da rede de tamanho N = 256. Os

47

tamanhos destes plat os correspondem ao n umero de itera co es com R = 1 e considerase aqui que o menor plat o e de tamanho dois. O par ametro de ordem pode evoluir constituindo uma regi ao laminar e por sua vez, evoluir atrav es de explos oes apresentando R < 1. O comprimento e associado ao per odo de tempo em que R = 1, continuamente. O resultado desta rica din amica temporal associada a presen ca de uma extens ao espacial e a intermit encia, ou seja, um regime onde regi oes laminares e ca oticas coexistem no espa co e no tempo, como mostra a gura (4.8).

1,02

0,98

Rn
0,96 0,94 0,92 7000

7500

8000

8500

9000

9500

10000

Figura 4.8: Sucess ao de regi oes laminares e ca oticas registradas a partir do instante 7000 das 10000 itera co es realizadas, com = 0, 66, r = 3, 69, = 0, 0 e N = 256.

Uma caracter stica da transi ca o intermitente para a sincroniza ca o e caracter stica universal da distribui ca o estat stica das regi oes laminares. Na gura (4.9) apresenta-se um histograma normalizado para o n umero de regi oes laminares com respeito aos seus comprimentos. A curva exibe duas leis de escala. Este tipo 48

de distribui ca o onde existem duas leis de escala (exist encia de um ombro na distribui ca o) e t pico de sistemas que exibem comportamento intermitente onde um termo ruidoso e adicionado a `s equa co es envolvidas. Neste caso, o valor da vari avel onde a curva muda de comportamento est a relacionada ao n vel de ru do [19, 43].

1
0,1

0,01

0,01

P( )
0,001 0,0001

10

P( ) P( )

100

0,0001

0,0001

1e-06

P( )

1e-06

1e-08

500

1000

1500

2000

2500

3000

1e-08

10

100

1000

10000

Figura 4.9: Histograma normalizado para um n umero relativo de plat os de sincroniza ca o para = 0, 6690 e = 0, 0 e rede de tamanho N = 256.

Dois regimes diferentes aparecem na gura (4.9). Para regi oes laminares pequenas o histograma e ajustado por uma lei de pot encia ; enquanto que a escala e exponencial eK para intervalos grandes. O ajuste da fun ca o representada por quadrados e dado pela equa ca o P ( ) = 2, 4011 1,9459 apresentando coeciente 49

de correla ca o igual a 0, 96323 e coeciente angular (inclina ca o) igual a 1, 9459. No canto superior da gura, aparece o histograma normalizado para um n umero relativo de plat os de sincroniza ca o, para = 0, 6690 e = 0, 0 da rede de tamanho N = 256. A linha s olida representa a regress ao com inclina ca o 1, 9459. O ajuste da fun ca o representada por circunfer encias e do tipo exponencial e e dado pela equa ca o P ( ) = 0, 00016063e0,0044737 apresentando coeciente de correla ca o igual a 0, 9653181 e coeciente angular (inclina ca o) igual a 0, 0044737. No canto inferior da mesma gura, aparece o histograma normalizado para um n umero relativo de plat os de sincroniza ca o, para = 0, 6690 e = 0, 0 da rede de tamanho N = 256. A linha s olida representa a regress ao com inclina ca o 0, 0044737.

50

Cap tulo 5

Espectro de Lyapunov

Neste cap tulo ser a vericado o comportamento da rede de mapas acoplados com intera ca o de longo alcance atrav es do espectro de Lyapunov. O espectro de Lyapunov ser a utilizado na determina ca o da dimens ao de Lyapunov. Fen omenos como intermit encia, sincroniza ca o e supress ao de caos ser ao abordados.

5.1

Espectro de Lyapunov de uma rede de mapas log sticos acoplados

Uma rede com N mapas unidimensionais acoplados pode ser visua-

lizada como um grande sistema din amico com N dimens oes

(2) (3) (N ) xn+1 = f 1 (x(1) n , xn , xn , ..., xn ) (N ) (3) (2) xn+1 = f 2 (x(1) n , xn , xn , ..., xn ) . . . . = . . (2) (3) (N ) xn+1 = fN (x(1) n , xn , xn , ..., xn ). (N ) (2) (1)

(5.1)

Como foi visto na se ca o (2.4), os expoentes de Lyapunov caracterizam 51

o quanto em m edia a taxa com a qual uma pequena dist ancia no espa co de fases ir a ser ampliada ou reduzida. Em um mapa N-dimensional existem N dire co es independentes e, a cada uma delas, associa-se um expoente de Lyapunov. O conjunto ordenado 1 2 ... N , formado pelos N expoentes constitui o espectro de Lyapunov. Sendo assim, deve-se primeiramente calcular o produto ordenado de n matrizes Jacobianas do mapa N -dimensional
n

An = J1 .J2 .....Jn1 .Jn =

l=1

Jl , (5.2)

(J n ) =

f (i) xn
(j )

O produto da Jacobiana ao longo da trajet oria determina o espectro de Lyapunov atrav es da evolu ca o dos autovalores dessa matriz. Os expoentes de Lyapunov i s ao dados pelos logaritmos naturais dos autovalores da matriz An divididos pelo n umero de itera co es, fazendo este u ltimo tender a innito. Cada expoente est a associado a um autovetor unit ario ui . i = nlim 1 ln ||An ui ||. n (5.3)

A matriz Jacobiana da rede e determinada pela derivada da matriz, denominada de matriz das derivadas parciais e representada por

xn+1 xn (2) xn+1 xn (3) xn+1 xn

(1) (1) (1) (1)

xn+1 xn (2) xn+1 xn (3) xn+1 xn

(2) (2) (2)

(1)

xn+1 xn (2) xn+1 xn (3) xn+1 xn

(3) (3) (3)

(1)

Jn =

. . .

xn+1 xn
(N )

(1)

. . .
xn+1 xn
(N ) (N )

. . .

. . .

. . .

xn+1
(1) xn

(N )

xn+1
(2) xn

(N )

xn+1
(3) xn

(N )

(5.4)

Considerando a rede de mapas com acoplamento local (i) i) i+1) (i1) xn+1 = (1 )f (x( )], ) + f (x ( n ) + [ f (x n n 2 (5.5)

52

reescreve-se os termos da matriz a m de facilitar a sua visualiza ca o fazendo com que por
f (2,1) 2f Jn = 0 . . .
(1,1) (1,2) f 2 xn+1 xn
(j ) (i)

= f (i,j ) e (1 ) = , a matriz Jacobiana a cada instante de tempo e dada 0

(2,3) f 2

. . .

(1,N ) f 2

f (2,2)
(3,2) f 2

. . .
(N,N )

. . .

. . . 0

(N,1) f 2

onde N denota o tamanho da rede de mapas acoplados.

(5.6)

O produto das Jacobianas fornece uma matriz n ao sim etrica. Devido a n ao simetria dessa matriz, usa-se a redu ca o a forma superior de Hessenberg para calcular os autovalores. A sensibilidade no c alculo dos autovalores a erros num ericos durante a execu ca o dos algoritmos pode ser reduzida pelo procedimento denominado de balanceamento. Os erros encontrados por procedimentos num ericos s ao proporcionais a norma Euclidiana da matriz, isto e, para a raiz quadrada da soma dos quadrados dos elementos da matriz. A id eia do balanceamento consiste em usar transforma co es similares para fazer linhas e colunas correspondentes da matriz terem normas compar aveis, reduzindo-se assim a norma total da matriz. Tal processo mant em os autovalores da matriz inalterados. Uma matriz sim etrica j a e balanceada. O balanceamento e um procedimento de opera co es de ordem N 2 . Como o balanceamento leva mais do que uma pequena porcentagem do tempo total necess ario para calcular os autovalores, e recomendado usar o balanceamento para matrizes n ao sim etricas. O algoritmo devido a Osborne, consiste em uma seq u encia de transforma co es similares por matrizes diagonais. A sa da e a matriz que e balanceada na norma dada pela adi ca o de valores nos elementos da matriz. Isto e mais eciente do que usar a norma Euclidiana e igualmente efetivo: uma grande redu ca o em uma norma implica uma grande redu ca o das outras. Se os elementos da diagonal de sa da de qualquer linha ou coluna da matriz s ao todos zero, ent ao o elemento da diagonal e um autovalor [53]. 53

Depois do balanceamento reduz-se a matriz Jacobiana a ` forma de Hessenberg. Uma matriz de Hessenberg superior tem zeros abaixo da diagonal exceto para a primeira linha subdiagonal. Por exemplo, na matriz 6 6, os elementos diferentes de zero s ao

X X X X X X X X X X X X
0 0 0

X X X X 0 0 0 X X X 0 0 X X 0

X X

Na redu ca o, e usado um procedimento an alogo a elimina ca o de Gauss com pivotamento. Com a matriz na forma de Hessenberg calcula-se os autovalores por meio de uma transforma ca o J = QR, onde Q e uma matriz ortogonal e R e uma matriz triangular superior [53]. Para a an alise do espectro de Lyapunov de uma rede de mapas acoplados, utiliza-se o mapa log stico dado por xn+1 = rxn (1 xn ), onde r e o par ametro de controle. Com a varia ca o do par ametro de controle r e do acoplamento , observamse altera co es no espectro de Lyapunov. As altera co es ocorrem devido as modica co es na din amica da rede [34]. Quando os mapas est ao desacoplados ( = 0) eles apresentam comportamento ca otico, ou seja, o espectro de Lyapunov apresenta todos os seus valores positivos. Quando a rede apresenta caos espa co temporal, o espectro de Lyapunov apresenta valores positivos, e exibe uma forma de decaimento em sua representa ca o geom etrica [7].

X X X

54

5.2

Espectro de Lyapunov para o acoplamento de longo alcance

Considerando-se a rede de mapas com alcance, que est a sendo estudada

nesta disserta ca o
i) xn+1 = (1 )f (x( n )+ (i)

1 M iq m +1) (i+q m 1) [ f (x ( ) + f (x n )], n m ( ) m=1 (q 1)

(5.7)

exemplica-se o c alculo da matriz Jacobiana para uma rede de 8 s tios com condi co es M 1 de contorno peri odicas, onde q = 2, M = 2 e ( ) = 2 . Denotando m m=1 (q 1)
xn+1 xn
(j ) (i)

= f (i,j ) e = (1 ), tem-se

(1,1) (1,2) f 4

f (2,1) f 4 0 (4,1) f 4 Jn = 0 f (6,1) 4 0

(8,1) f 4

0
(2,3) f 4

(1,4) f 4

0
(2,5) f 4

(1,6) f 4

0
(2,7) f 4

(1,8) f 4

f (2,2)
(3,2) f 4

0
(3,4) f 4

0
(3,6) f 4

0
(3,8) f 4

f (3,3)
(4,3) f 4

0
(4,5) f 4

0
(4,7) f 4

0
(5,2) f 4

f (4,4)
(5,4) f 4

0
(5,6) f 4

0
(5,8) f 4

0
(6,3) f 4

f (5,5)
(6,5) f 4

0
(6,7) f 4

0
(7,2) f 4

0
(7,4) f 4

f (6,6)
(7,6) f 4

0
(7,8) f 4

0
(8,3) f 4

0
(8,5) f 4

f (7,7)
(8,7) f 4

f (8,8)

(5.8)

55

No caso de , a matriz Jacobiana J torna-se

f (2,1) f 2 0 0 Jn = 0 0 0
(8,1) f 2

(1,1)

(1,2) f 2

0
(2,3) f 2

0 0
(3,4) f 2

0 0 0
(4,5) f 2

0 0 0 0
(5,6) f 2 ,6) f (x(6 ) n (7,6) f 2

0 0 0 0 0
(6,7) f 2

(1,8) f 2

f (2,2)
(3,2) f 2

0 0 0 0 0
(7,8) f 2

f (3,3)
(4,3) f 2

0 0 0 0 0

f (4,4)
(5,4) f 2

0 0 0 0

f (5,5)
(6,5) f 2

0 0 0

0 0

f (7,7)
(8,7) f 2

f (8,8)

(5.9)

que e a matriz Jacobiana para o acoplamento local. Verica-se que a Jacobiana, no caso de = 0, e diferente da obtida utilizando-se o acoplamento tipo lei de pot encia usual
i) xn+1 = (1 )f (x( n )+ (i)

N 1 (ij ) (i+j ) [ f (x n ) + f (xn )], ( ) j =1 j

(5.10)

que para = 0 torna-se o acoplamento global do campo m edio, e a matriz Jacobiana apresenta a forma matricial
Jn =

(1,1)

f (1,2) N 1

f (1,3) N 1 f (2,3) N 1

. . .

f (1,N ) N 1

f (2,1) N 1 f (3,1) N 1

f (2,2)
f (3,2) N 1

. . . f
(N,N )

. . .

. . .

f (3,3) . . .

f (N,1) N 1

(5.11)

Para calcular os expoentes de Lyapunov transforma-se a Jacobiana em uma matriz superior de Hessenberg e em seguida obt em-se seus autovalores. Com os expoentes de Lyapunov analisamos o comportamento para o caso do acoplamento q = 2 e M = 7. A gura (4.2) exibe o par ametro de ordem em fun ca o do tempo para a rede de mapas log sticos acoplados q = 2, M = 7, N = 256 e r = 3, 69 e a gura (5.1) mostra o espectro de Lyapunov obtidos para a situa ca o da gura (4.2 a) e (4.2 c). Ent ao, a gura (4.2 a) representa um estado n ao sincronizado 56

com = 0, 01, e para esta situa ca o, a gura (5.1 a) exibe o espectro de Lyapunov que apresenta os seus valores positivos, indicando um comportamento ca otico. A gura (4.2 c) representa um estado sincronizado e pelo espectro de Lyapunov (5.1 b), observa-se que apenas um expoente de Lyapunov e positivo enquanto que os demais s ao negativos caracterizando a sincroniza ca o ca otica.

5.3

Dimens ao de Lyapunov
Uma outra forma de estudar a rede de mapas acoplados e atrav es da

dimens ao de Lyapunov. Considerando um mapa em RN e uma o rbita com expoentes

p

de Lyapunov 1 N e p como o maior inteiro tal que se a dimens ao de Lyapunov D da o rbita como
0
i=1

i 0, ent ao dene-

se nenhum p existe
1 |p+1 | p i=1

D=

indicando que a dimens ao de Lyapunov e zero quando todos os expoentes s ao negativos ou e igual ao valor do tamanho da rede quando todos os expoentes de Lyapunov s ao positivos, e por m valores intermedi arios na situa ca o em que o maior inteiro para o somat orio positivo seja menor que o tamanho da rede [30]. A gura (5.2) mostra o c alculo da dimens ao de Lyapunov para uma rede com N = 256 mapas acoplados variando a intensidade de acoplamento. Para valores de de 0,0 at e aproximadamente 0,05, com = 0, 0, a dimens ao e 256, indicando que todos os valores dos expoentes de Lyapunov s ao positivos. Para de valor 0, 66, abaixo do cr tico, observou-se um valor baixo da dimens ao de Lyapunov, caracterizando a sincroniza ca o de caos para a rede investigada. Para os demais valores do acoplamento, aparecem muitos expoentes de Lyapunov positivos e alguns poucos negativos, pela observa ca o dos dados. No caso da rede n ao apresentar nenhum ex57

p+ N

i se p < N se p = N

(5.12)

0,8 0,6 0,4 0,2 0 -0,2 -0,4 -0,6 -0,8 1 0 -1 -2 -3 -4 -5 -6 0 52 104

(a)
0 52 104 156 208 260

(b)
i
156 208 260

Figura 5.1: Espectro de Lyapunov, (a) = 0, 0, = 0, 01 e r = 3, 69 (b) = 0, 0, = 0, 75 e r = 3, 69, sendo realizadas 40000 itera co es transientes para N = 256.

58

poente de Lyapunov positivo, a dimens ao e igual a zero e n ao ocorre comportamento ca otico. Observando a gura (5.2), dimens ao pela intensidade do acoplamento, com mais detalhes, duas novas caracter sticas aparecem relacionadas ao par ametro de acoplamento. Para determinados valores do par ametro de acoplamento, a rede apresenta perda de comportamento ca otico. Esta situa ca o e denominada supress ao de caos e indica que, mesmo a rede sendo formada por s tios ca oticos, o acoplamento entre eles, de alguma forma, faz com que a rede apresente comportamento peri odico ou quase-peri odico. A primeira caracter stica e a supress ao de caos na rede para = 0, 16, como mostra a gura (5.3 a) e para = 0, 33 na gura (5.3 b) com 100050 itera co es realizadas e 100000 de transiente. Quando ocorre a supress ao de caos a dimens ao de Lyapunov e igual a zero, isto devido ao fato de todos os expoentes de Lyapunov serem negativos. A segunda caracter stica, a qual ocorre para = 0, 94, e o aparecimento da estrutura zigzag, que e caracterizada pela condi ca o:
(i1) (i) i) i+1) ) < 0, x( (x ( n )(xn xn n

(5.13)

ou a condi ca o
i) i+1) x )(x( (x ( n x ) < 0, n

(5.14)

com x = 1 1 , ponto xo inst avel para o mapa log stico. r A din amica temporal da estrutura zigzag, no caso em estudo, e de per odo 2 como mostra a gura (5.3 c). As estruturas zigzag s ao importantes pois podem levar a uma rota de quase periodicidade para o caos [16]. O movimento quase-peri odico em um espa co de fases e um terceiro movimento n ao ca otico poss vel al em do peri odico. O movimento peri odico ocorre quando ap os um certo intervalo de tempo a o rbita retorna ao mesmo ponto de partida percorrendo assim sempre uma mesma trajet oria. O movimento quase-peri odico pode ser considerado como uma mistura de movimentos peri odicos de v arias freq u encias fundamentais diferentes e ocorre frequentemente em sistemas dissipativos [54]. 59

300

250

200

150

100

50

0,2

0,4

0,6

0,8

Figura 5.2: Dimens ao de Lyapunov pela intensidade do acoplamento para a rede com N = 256, = 0, 0 e r = 3, 69.

60

1 0,8
xn

0,6 0,4 0,2 0 1 0,8 0 52 104 156 208

(a)
260

xn

0,6 0,4 0,2 0 1 0,8 0 52 104 156 208

(b)
260

xn

0,6 0,4 0,2 0 0 52 104

(c)
i
156 208 260

Figura 5.3: Perl da rede de 256 mapas log sticos acoplados exibindo: (a) supress ao de caos para = 0, 16, = 0, 0, r = 3, 69; (b) supress ao de caos para = 0, 33, = 0, 0, r = 3, 69; (c) estrutura zigzag para = 0, 94, = 0, 0, r = 3, 69, considerando nas tr es situa co es 100050 itera co es e 100000 desprezadas.

61

Cap tulo 6

Conclus oes

Este trabalho teve por objetivo o estudo de uma rede de mapas log sticos acoplados, fazendo uso de um acoplamento onde a intera ca o entre s tios decai com a dist ancia entre os mesmos segundo uma lei de pot encia. O par ametro , que controla o alcance da intera ca o entre os s tios, permitiu que a rede apresentasse um acoplamento n ao-local, sendo que cada s tio interagiu somente com alguns s tios da rede, diferente do acoplamento existente na literatura, em que todos os s tios interagem entre si. Foi considerada uma vers ao modicada de acoplamento com j = q m 1, sendo conveniente em termos de simula ca o computacional, pelo fato de um s tio car conectado somente com alguns s tios da rede. As redes utilizadas neste trabalho foram determinadas atrav es da escolha de q e de M e o seu tamanho pela express ao N = 2q M , portanto, uma rede de 8 s tios e outra de 256 s tios foram as escolhidas para o estudo da sua din amica. O acoplamento n ao-local permite que a intera ca o se estenda a v arios s tios, favorecendo a ocorr encia da sincroniza ca o, logo, a principal contribui ca o no estudo das redes mencionadas referiu-se ao entendimento e compreens ao do fen omeno da sincroniza ca o. Foi poss vel observar que dependendo dos valores do par ametro de acoplamento , a rede de 8 s tios apresentou diferentes pers. Valores pequenos

62

para o par ametro de acoplamento , como = 0, 1 caracterizou um comportamento n ao sincronizado, ao passo que, para = 0, 7, a rede teve um comportamento sincronizado. A sincroniza ca o foi diagnosticada atrav es do valor do par ametro de ordem complexo. Para a rede de 256 s tios, xado o valor do par ametro de controle do mapa em r = 3, 69, constatou-se sincroniza ca o de caos para determinados valores do par ametro de acoplamento e de intera ca o. Observou-se, tamb em, que quando os s tios oscilavam de modo irregular, o par ametro de ordem exibiu comportamento intermitente. Como a din amica desta rede apresentou intermit encia p ode-se estudar os plat os atrav es da distribui ca o de seus respectivos tamanhos. Vericou-se que o tamanho dos plat os e sua quantidade obedecem a uma lei de pot encia (plat os pequenos) e a uma lei exponencial (plat os grandes). E, ainda, p ode-se observar no espa co de par ametros, regi oes que n ao apresentaram sincroniza ca o de caos. Para esta rede, tamb em foi calculado o par ametro de ordem m edio e xado = 0, 0 observou-se sincroniza ca o de caos no intervalo de valores de 0, 7 a 0, 85 para . Este comportamento tamb em ocorreu no intervalo de 0, 0 a 0, 1 para e considerando = 0, 75. A sincroniza ca o completa ocorreu na forma de uma transi ca o via intermit encia, observada quando a intensidade de acoplamento atingiu um valor cr tico. O valor cr tico encontrado para a rede de 256 s tios foi = 0, 669. Foi vericado que para valores do par ametro de acoplamento menores que o valor cr tico citado n ao levam esta rede a sincroniza ca o completa. Identicou-se no espa co de par ametros, ( , ), uma regi ao onde h a sincroniza ca o com R = 1 e outra regi ao onde n ao h a sincroniza ca o de caos com 0 < R < 1. Ficou evidente que quanto maior a rede menor a regi ao de sincroniza ca o. Para detectar a sincroniza ca o de outra forma, estudou-se o espectro de Lyapunov de mapas log sticos acoplados utilizando o acoplamento de longo alcance.

63

Calculou-se o espectro de Lyapunov para vericar a caoticidade da rede de 256 s tios e a sincroniza ca o de caos. P ode-se observar que quando o valor do par ametro de acoplamento = 0, 01, a rede apresentou comportamento ca otico, ou seja, o espectro de Lyapunov apresentou todos os seus valores positivos, enquanto que para = 0, 75, esta mesma rede atingiu o estado de sincroniza ca o, ou seja, o espectro de Lyapunov apresentou o primeiro expoente positivo e todos os demais negativos. Com os expoentes de Lyapunov foi poss vel obter a dimens ao de Lyapunov. Pelos resultados obtidos, concluiu-se que para valores de de 0, 0 at e aproximadamente 0, 05, o valor da dimens ao foi 256, indicando que todos os valores dos expoentes de Lyapunov encontrados s ao positivos. Para de valor aproximado 0, 66, pr oximo do cr tico, observou-se um valor baixo da dimens ao de Lyapunov, caracterizando a sincroniza ca o de caos para a rede investigada. Tamb em vericou-se o caso em que ocorre a supress ao de caos para alguns valores de , tais como = 0, 16 e = 0, 33. Outra caracter stica observada nesta rede de 256 s tios foi o aparecimento da estrutura zigzag, a qual ocorreu para = 0, 94. Esta rede de 256 s tios acoplados com intera ca o de longo alcance mostrou comportamentos indicando a sincroniza ca o de caos, intermit encia e supress ao de caos para valores do par ametro de acoplamento diferentes dos j a obtidos na literatura por meio da rede com alcance usual. Destacou-se que, neste trabalho, alguns c alculos e resultados foram obtidos atrav es do que se conhece na a rea sobre redes de mapas acoplados. Procurou-se obter valores para poder comparar com os valores at e ent ao conhecidos. Como trabalho futuro, pode-se investigar a din amica transversal da variedade de sincroniza ca o.

64

Bibliograa

[1] Segel, L. A. Modeling dynamic phenomena in molecular and cellular biology. Cambridge University Press, 1989. [2] Lorenz, E. N. Deterministic nonperiodic ow. Atmos.Sci., 20:130,1963. [3] Bai-Lin, H. Chaos. World Scientic, 1984. [4] Kaneko, K. Collapse of tori and genesis of chaos in dissipative systems. Tese de Doutorado, p. 222, 1983. (uma vers ao foi publicada pela editora World Scientic, Singapore, 1986). [5] Waller, I., Kapral, R., Physical Review A 30, 2047, 1984. [6] Chate, H., Manneville, P. Spatio temporal intermittency in coupled map lattices. Physica D 32, 409, 1988. [7] Batista, A. M. Mem orias, espectro de Lyapunov e sincroniza ca o de sistemas acoplados. Tese de Doutorado, UFPR, 2001. [8] Kaneko, K. Globally coupled circle maps. Physica D 54, 5-19, 1991. [9] Tessone, C. J., Cencini, M., Torcini, A. Synchronization of Extended Chaotic Systems with Long-Range Interactions: An Analogy to L` evy-Flight Spreading of Epidemics. Physical Review Letters 97:224101, 2006. [10] Strogatz, S. H., Stewart, I. Coupled oscillators and biological synchronization. Scientic American, New York, 1993. 65

[11] Strogatz, S. H. Nonlinear dynamics and chaos. New York: Perseus Books, 1994. [12] Wang W., Kiss, I. Z., Hudson, J. L. Chaos. 10, 248, 2000; DeShazer, D. J., Breban, R., Ott, E., Roy, R. Physical Review Letters 87, 044101, 2001. [13] Wiesenfeld, K., Hadley, P. Attractor crowding in oscillator array. Physical Review Letters 62, 1335, 1989. [14] Percora, L. M., Carroll, T. L., Physical Review Letters 64, 821, 1990. [15] Kaneko, K. Lyapunov analysis and information ow in coupled map lattices. Physica D 23, 436, 1986. [16] Crutcheld, J. P., Kaneko, K. Phenomenology of spatio-temporal chaos,in: Directions in chaos. Vol. 1, Ed. Hao Bai-lin (World Scientic, Singapore, 1987). [17] Isola, S., Politi, A., Ruo, S., Torcini, A. Lyapunov spectra of coupled map lattices. Physics Letters A 143, 8, 365, 1990. [18] Pikovsky, A., Rosemblum, M., Kurths, J. Synchronization: A Universal Concept in Nonlinear Sciences. (Cambridge University Press, Cambridge, England, 2001); Boccaletti, S., Kurths, J., Osipov, G., Valladares, D. L., Zhou, C. S.: Physical Reports 366,1(2002); Synchronization: Theory and Applications, edited by Pikovsky, A., Maistrenko, Yu (Kluwer, Dordrecht, 2003) [19] Viana, R. L., Grebogi, C.,Pinto, S. E. de S., Lopes, S. R., Batista, A. M., Kurths, J. Validity of numerical trajectories in the synchronization transition of complex sytems. Physical Review E 68, 067204, 2003. [20] Batista, A. M., Pinto, S. E. de S, Viana, R. L., Lopes, S. R. Lyapunov spectrum and synchronization of piecewise linear maps lattices with power-law coupling. Physical Review E 65, 056209, 2002. [21] Anteneodo, C., Pinto, S. E. de S., Batista, A. M., Viana, R. L. Analytical results for coupled map lattices with long-range interactions. Physical Review E 68, 045202, 2003. 66

[22] Torcini, A., Lepri, S. Physical Review E 55, R 3805, 1997. [23] Pinto, S. E. de S. e Viana, R. L. Synchronization plateus in a lattice of coupled sine-circle maps. Physical Review E 61:5154, 2000. [24] Viana, R. L., Batista, A. M. Synchronization of coupled kicked limit cycle systems. Chaos, Solitons and Fractals, 9:1931, 1998. [25] Viana, R.L. Introdu ca o a `s redes de mapas acoplados: Modelos para o estudo de caos espa co-temporal. Notas de Aula-Mini Curso-P os-Gradua ca o-Instituto de F sica-USP, 1999. [26] Moreira, I. De C. Sistemas ca oticos em f sica-uma introdu ca o. Revista Brasileira de Ensino de F sica, v. 15, n. 1-4, p. 163-170, 1992. . [27] Lorenz, E. The essence of CHAOS. Seatle: Washington, 1994. [28] Devaney, R. L. A rst course in chaotic dynamical systems: Theory and experiment. Reading, Massachusetts: Addison-Wesley, 1993 [29] Ferrara, N. Fiedler, Prado, C. P. C. Caos: Uma introdu ca o. Ed. Edgard Bl ucher, S ao Paulo, 1994. [30] Alligood, K. T., Sauer, T. D., Yorke, J. A. Chaos an introduction to dynamical systems. Springer-Verlag New York, Inc. 1997. [31] Malthus, T. Ensaio sobre o princ pio da popula ca o. Sintra, Publica co es EuropaAm erica, 1978. [32] May, R. M. Theoretical Ecology: principles and applications. Oxford, Blackwell Scientic Publications, 1976. [33] May, R. M. Simple mathematical models with very complicated dynamics. Nature, 261:459, 1976. [34] Kaneko, K. Pattern dynamics in Spatiotemporal chaos. Physica D, p.1-41, 1989. 67

[35] Kaneko, K. Theory and application of coupled map lattices. Wiley, Chichester, 1993. [36] Vasconcelos, D.B. Correla ca o espacial em redes de mapas acoplados. Tese de Doutorado, UFPR, 2005. [37] Santos, A. M. dos, Caos espa co-temporal em sistemas din amicos acoplados. Tese de Doutorado, UFPR, 2006. [38] Rogers, J. L. e Wille, L. T. Phase transitions in nonlinear oscillator chains. Physical Review E 54:3, 1996. [39] Viana, R. L., Batista, A. M. Synchronization of coupled kicked limit cycle systems. Chaos, Solitons and Fractals, 9:1931, 1998. [40] Raghavachari, S.,Glaizer, J. A. Spatially coherent states in fractally coupled map lattices. Physical Review Letters 74:3297, 1995. [41] Tamarit, F., Anteneodo, C. Rotators with long-range interactions: connection with the mean-eld approximation. Physical Review Letters 84:208, 2000. [42] Ishii, S., Sato, M. Associative memory based on parametrically coupled chaotic elements. Physica D 121:344, 1998. [43] Gade, P. M., Hu, C. K. Synchronization and coherence in thermodynamic coupled map lattices with intermediate-range coupling. Physical Review E 60:4966, 1999. [44] Batista, A. M., Viana, R. L. Lyapunov expoent of a lattice of chaotic maps with a power-law coupling. Physics Letters A 286:134,2001. [45] Schuster, H. G. Deterministic Chaos. (VCH Verlagsgesellschaft, Weinnheim), 1995. [46] Pinto, S. E. de S. e Viana, R. L. Synchronization plateus in a lattice of coupled sine-circle maps. Physical Review E 61:5154, 2000. 68

[47] Glass, L. Synchronization and rhythmic processes in physiology. Nature, 410:277, 2001. [48] Wiggens, S. Introduction to Applied Nonlinear Dynamical Systems and Chaos. Springer-Verlag, 1990. [49] Heagy, J. F., Caroll, T. L., Pecora, L. M. Synchronous chaos in coupled oscillator systems. Physical Review E 50:1874, 1994. [50] Kuramoto, Y. Chemical Oscillations, waves and turbulence. Spring-Verlag, Berlin, 1984. [51] Viana, R. L., Batista, A. M. Synchronization of Coupled Kicked Limit Cycle Systems, Chaos, Solitons and Fractals. 12:9:1931, 1998. [52] Batista, A. M. Mapas acoplados na rede e sincroniza ca o. Disserta ca o de Mestrado, UFPR, 1996. [53] Press, H. W., Teukolsky, S. A., Vetterling, W. T. e Flannery, B. P. Numerical Recipes in C: The art of scientic computing. Cambridge University Press, Programas Copyright, 1992. [54] Ott, E. Chaos in dynamical system. Cambridge University Press, New York; 1993. [55] Grebogi, C., Ott, E., Yorke, J. A. Chaos, strange attractors, and fractal basin boundaries in nonlinear dynamics. Science, 238, 632-638, 1987. [56] Platt, N., Spiegel, E. A. e Tresser, C. On-o intermittency: A mechanism for bursting. Physical Review Letters 70:279, 1993.

69