Improved Matlab code for Lyapunov exponents of fractional order systems

Este artículo presenta FO_LE, una rutina mejorada en Matlab que calcula de manera eficiente y robusta los exponentes de Lyapunov de sistemas de orden fraccionario mediante el uso de un esquema predictor-corrector cuadrático LIL y reortonormalización QR, aplicable tanto a modelos con órdenes conmensurables como inconmensurables.

Lo esencial

¡Hola! Imagina que este artículo es como un manual de instrucciones mejorado para un tipo especial de "caja negra" matemática que estudia cómo se comportan sistemas complejos en el mundo real, desde el clima hasta los circuitos eléctricos.

Aquí te explico de qué trata, usando analogías sencillas:

1. El Problema: ¿El sistema es caótico o estable?

Imagina que tienes un sistema (como un péndulo, un mercado de valores o un virus) y quieres saber si es caótico (impredecible, como el clima) o estable (predecible, como un reloj).

Para saberlo, los matemáticos usan algo llamado Exponentes de Lyapunov.

• La analogía: Imagina que sueltas dos gotas de agua muy cerca una de la otra en un río.
  • Si el río es tranquilo, las gotas se mantienen juntas. (Estable).
  • Si el río tiene rápidos y remolinos, las gotas se separan rápidamente. (Caótico).
  • Los "Exponentes de Lyapunov" son simplemente una medida de qué tan rápido se separan esas gotas. Si se separan muy rápido, el sistema es caótico.

2. El Reto: La "Memoria" del Sistema

La mayoría de los sistemas que estudiamos en la escuela son "normales" (enteros). Pero en la vida real, muchos sistemas tienen memoria.

• La analogía: Piensa en una persona que camina. Si camina por un suelo de hielo (sistema normal), su paso actual solo depende de su fuerza actual. Pero si camina por un suelo de barro (sistema de orden fraccionario), su paso actual depende de todo el camino que ha recorrido antes, porque el barro se ha hundido con cada paso previo.
• Calcular la separación de las "gotas" en estos sistemas con memoria es muy difícil y lento con las herramientas antiguas.

3. La Solución: Una Nueva Herramienta (FO_LE)

El autor, Marius-F. Danca, ha creado un nuevo código de computadora (un programa en Matlab) llamado FO_LE. Es como una nueva versión de un GPS que es mucho más rápido y preciso para navegar por estos terrenos con "memoria".

¿Qué hace diferente a este nuevo GPS?

• El Motor (LIL): Antes usaban un motor un poco viejo y lento (llamado ABM). Ahora usan un motor nuevo llamado LIL (Interpolación de Lagrange).
  • Analogía: Es como cambiar de un coche de gasolina antiguo a uno eléctrico de alta eficiencia. El nuevo motor puede calcular el camino futuro con mayor precisión y menos "ruido" matemático.
• El Sistema de Navegación (QR en lugar de Gram-Schmidt): Para mantener las gotas de agua ordenadas mientras se separan, el programa necesita reorganizarlas constantemente.
  • Analogía: Imagina que tienes un grupo de bailarines que deben mantenerse en formación. El método antiguo (Gram-Schmidt) era como intentar arreglar la formación empujando a cada bailarín uno por uno, lo cual a veces hacía que se tropezaran. El nuevo método (QR) es como usar un espejo mágico que ajusta toda la formación de golpe, de manera más limpia y sin errores.

4. ¿Por qué es importante?

El autor prueba su nuevo código con dos cosas:

1. Un examen de matemáticas: Resuelve un problema donde ya sabe la respuesta exacta. Su nuevo código acierta más rápido y con menos errores que los métodos antiguos.
2. Un sistema famoso (Rabinovich-Fabrikant): Usa este código para estudiar un sistema que puede comportarse de dos formas: o se calma y se queda quieto, o se vuelve loco y caótico.
   • El código logra detectar perfectamente cuándo el sistema está en modo "caos" y cuándo está en modo "calma", incluso cuando los parámetros del sistema cambian (como cambiar la velocidad del viento en nuestro ejemplo del río).

En resumen

Este artículo presenta una herramienta de software más rápida, robusta y precisa para estudiar el caos en sistemas que tienen memoria (como los materiales viscoelásticos, la biología o las finanzas).

• Antes: Era como intentar medir la velocidad de un coche con una regla de madera y un cronómetro de arena.
• Ahora: Es como usar un radar láser y un GPS de alta precisión.

Gracias a este código, los científicos pueden estudiar sistemas complejos del mundo real con mucha más confianza, sabiendo que sus resultados no son solo "aproximaciones" sino cálculos sólidos y fiables.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Código Matlab mejorado para el cálculo de exponentes de Lyapunov en sistemas de orden fraccionario

1. Planteamiento del Problema

El cálculo de los exponentes de Lyapunov (LEs) es fundamental para caracterizar la dinámica no lineal, incluyendo la predictibilidad, la estabilidad de atractores y la presencia de caos (dependencia sensible a las condiciones iniciales). Sin embargo, en el contexto de los sistemas de orden fraccionario (FO), especialmente aquellos con órdenes no conmensurables (donde los órdenes de derivación $\alpha_i$ difieren entre ecuaciones), existen desafíos significativos:

• Limitaciones de la literatura: Los códigos numéricos dedicados a sistemas no conmensurables son escasos.
• Errores numéricos: La aproximación de LEs en sistemas con memoria larga (propia de la derivada de Caputo) es susceptible a errores computacionales no despreciables.
• Ineficiencia de métodos anteriores: Las implementaciones anteriores (como FO_Lyapunov y FO_NC_Lyapunov) utilizaban el procedimiento de ortonormalización de Gram-Schmidt (GS) combinado con métodos de tipo Adams-Bashforth-Moulton (ABM). Estos enfoques pueden ser numéricamente inestables cuando los vectores de perturbación se vuelven casi linealmente dependientes durante integraciones largas y carecen de la precisión de orden superior deseada.

2. Metodología Propuesta

El autor, Marius-F. Danca, presenta una nueva rutina de Matlab llamada FO_LE, diseñada para calcular LEs finitos en sistemas modelados por derivadas de Caputo (tanto conmensurables como no conmensurables). La metodología se basa en tres pilares principales:

• Sistema Extendido y Variacional: Se integra simultáneamente el sistema original de ecuaciones diferenciales fraccionarias (FDEs) y su sistema variacional linealizado. Esto define un sistema extendido de $n_e + n_e^2$ ecuaciones.
• Reemplazo de Gram-Schmidt por Descomposición QR:
  • En lugar del procedimiento clásico de Gram-Schmidt para ortonormalizar los vectores de perturbación, se utiliza una descomposición QR reducida.
  • Dado un matriz de perturbación $A$, se calcula $A = QR$, donde $Q$ es una matriz ortonormal (nueva base de perturbación) y $R$ es triangular superior.
  • Los factores de estiramiento locales ($z_k$) se extraen de los valores absolutos de los elementos diagonales de $R$ ($|R_{kk}|$).
  • Esta aproximación es más robusta numéricamente y evita la pérdida de precisión por dependencia lineal.
• Integrador LIL (Lagrange Interpolation at the Last step):
  • Se utiliza un nuevo esquema predictor-corrector implícito de segundo orden (cuadrático) basado en interpolación de Lagrange en el último paso.
  • Este método, denominado LIL, preserva la estructura de memoria completa del modelo de Caputo, lo cual es crucial para la precisión en sistemas fraccionarios.
  • Se utiliza una variante rápida (LIL_nc) disponible en el File Exchange de MathWorks, capaz de manejar órdenes no conmensurables eficientemente.

3. Contribuciones Clave

• Nuevo Algoritmo FO_LE: Una implementación compacta y robusta en Matlab que unifica el tratamiento de sistemas conmensurables y no conmensurables bajo un mismo marco algorítmico.
• Mejora Numérica: La sustitución de Gram-Schmidt por QR mejora la estabilidad numérica en integraciones largas.
• Alta Precisión de Integración: El uso del esquema LIL ofrece una mayor precisión y una tasa de convergencia experimental superior (cerca de 1.61) en comparación con los métodos ABM clásicos o incluso sus variantes aceleradas por FFT (como fde12_nc2) en ciertos benchmarks.
• Preservación de la Memoria: A diferencia de algunos enfoques impulsivos que podrían romper la estructura de memoria, el algoritmo propuesto se formula de manera que respeta el principio de memoria completa de los sistemas de orden fraccionario.
• Código Abierto: Se proporciona el código completo para el solucionador LIL, la rutina FO_LE y la función extendida para el sistema de Rabinovich-Fabrikant.

4. Resultados

El artículo valida el método mediante dos tipos de pruebas:

• Benchmark con Solución Exacta:

  • Se utilizó un sistema de prueba no conmensurable de dos dimensiones con solución analítica conocida (funciones de Mittag-Leffler).
  • Comparación: Se comparó LIL_nc contra fde12_nc2 (ABM acelerado por FFT) y ABM_nc (ABM clásico).
  • Hallazgos: LIL_nc demostró ser significativamente más eficiente que el ABM clásico en términos de error y tiempo CPU. Al compararse con fde12_nc2, aunque este último mostró errores ligeramente menores en algunos casos, LIL_nc mantuvo una tasa de convergencia experimental más alta (~1.61 vs <1.57) con un costo computacional comparable o menor.

• Aplicación al Sistema de Rabinovich-Fabrikant (RF):

  • Se analizaron diferentes regímenes dinámicos variando los órdenes fraccionarios ($\alpha$).
  • Caso Conmensurable ($\alpha \approx 1$): Se detectó comportamiento caótico (el mayor exponente de Lyapunov fue positivo, $\approx 0.1017$).
  • Caso No Conmensurable ($\alpha = [0.6, 0.8, 0.7]$): El sistema mostró convergencia a un equilibrio estable (todos los LEs negativos).
  • Caso de Alta Precisión ($\alpha = [0.85, 0.965, 0.999]$): Se observó una trayectoria "aparentemente" periódica (estable numéricamente), con LEs negativos, validando la capacidad del código para distinguir entre caos y estabilidad en configuraciones complejas.

5. Significado e Impacto

Este trabajo representa una herramienta computacional avanzada y necesaria para el estudio de la dinámica no lineal en sistemas fraccionarios.

• Robustez: Ofrece una alternativa superior a las implementaciones basadas en ABM y Gram-Schmidt, reduciendo errores numéricos en el cálculo de espectros de Lyapunov.
• Versatilidad: Al manejar tanto órdenes conmensurables como no conmensurables con el mismo código, simplifica la investigación en sistemas complejos donde los órdenes fraccionarios varían.
• Aplicabilidad: Facilita el análisis de estabilidad, bifurcaciones y atractores ocultos en modelos de física, ingeniería y biología que requieren el uso de cálculo fraccionario para describir efectos de memoria y herencia.
• Disponibilidad: Al publicar el código en Matlab, el autor democratiza el acceso a métodos de alto rendimiento para la comunidad científica, permitiendo la reproducción de resultados y el desarrollo de futuros estudios sobre caos en sistemas fraccionarios.