Improved Matlab code for Lyapunov exponents of fractional order systems

Questo articolo presenta FO_LE, una routine Matlab migliorata per il calcolo numerico degli esponenti di Lyapunov nei sistemi a ordine frazionario, che combina un'integrazione basata sullo schema predittore-correttore LIL quadratico e una rioritogonalizzazione QR per offrire uno strumento robusto ed efficiente sia per modelli commensurabili che non commensurabili.

L'essenziale

🌌 Il Viaggio nel Caos: Una Nuova Mappa per i Sistemi "Ricordosi"

Immagina di dover prevedere il meteo, ma con una differenza fondamentale: in questo mondo, il tempo non scorre solo in avanti, ma ogni evento passato continua a influenzare il presente come un'eco che non svanisce mai completamente. Questo è il mondo delle equazioni differenziali di ordine frazionario. Sono sistemi che hanno "memoria", a differenza dei sistemi classici che dimenticano tutto ciò che è accaduto prima.

L'articolo di Marius-F. Danca presenta un nuovo strumento (un codice per computer chiamato FO_LE) per misurare quanto questi sistemi siano caotici o stabili. Ma come si fa a misurare il caos?

1. Il Concetto: I "Fiori di Loto" che si Allontanano

Immagina di lanciare due foglie quasi identiche su un fiume.

• Se il fiume è calmo e ordinato, le foglie rimarranno vicine per sempre.
• Se il fiume è turbolento (caotico), dopo un po' una foglia finirà in una pozza e l'altra in una corrente veloce. Si allontaneranno rapidamente.

I Esponenti di Lyapunov sono semplicemente un modo per misurare quanto velocemente queste due foglie si allontanano l'una dall'altra.

• Se si allontanano velocemente, il sistema è caotico (imprevedibile).
• Se rimangono vicine o si avvicinano, il sistema è stabile.

2. Il Problema: La "Memoria" che Rende Tutto Complicato

Il problema con i sistemi a "memoria" (ordine frazionario) è che sono difficili da calcolare.

• Il vecchio metodo: Immagina di dover camminare su un sentiero di montagna. I vecchi codici usavano un metodo chiamato "Gram-Schmidt" per raddrizzare le foglie ogni volta che si allontanavano troppo. Era come usare un righello di legno: funzionava, ma poteva essere lento e a volte si rompeva (errore numerico) se il sentiero era troppo tortuoso.
• Il nuovo metodo (FO_LE): L'autore ha sostituito quel vecchio righello con un laser di precisione (chiamato decomposizione QR). È più veloce, più preciso e non si rompe mai, anche se il sentiero è molto ripido.

Inoltre, per calcolare il percorso delle foglie, il nuovo codice usa una tecnica di guida chiamata LIL.

• Analogia: Immagina di dover guidare un'auto su una strada piena di curve.
  • I vecchi metodi (come ABM) guardavano la strada solo un po' prima e cercavano di indovinare la curva successiva.
  • Il nuovo metodo LIL guarda indietro, analizza le ultime due curve fatte e usa una formula matematica intelligente (un "predittore-correttore") per prevedere la prossima curva con molta più precisione, quasi come se avesse un GPS che legge la storia della strada.

3. La Scatola Nera: Come Funziona il Codice FO_LE

Il codice FO_LE è come un assistente di viaggio automatico che fa tre cose in loop:

1. Guida: Fa avanzare il sistema (le foglie) per un po' di tempo usando il potente motore LIL.
2. Raddrizza: Quando le foglie si sono allontanate troppo, le "raddrizza" usando il laser QR per misurare quanto si sono separate senza perdere il conto.
3. Calcola: Aggiorna il punteggio finale (l'Esponente di Lyapunov) basandosi su quanto si sono allontanate.

4. La Prova: Il Test del "Fiume Perfetto"

Per dimostrare che il suo nuovo codice funziona meglio, l'autore lo ha messo alla prova su un fiume conosciutissimo (un sistema chiamato Rabinovich-Fabrikant).

• Ha confrontato il suo nuovo motore (LIL) con i vecchi motori (ABM).
• Risultato: Il nuovo motore è arrivato alla destinazione con meno errori e, in molti casi, più velocemente, anche se il fiume aveva una memoria complessa (ordini non commensurabili, ovvero tempi di memoria diversi per ogni variabile).

5. Perché è Importante?

Prima di questo lavoro, calcolare il caos in questi sistemi "ricordosi" era come cercare di dipingere un quadro con un pennello rotto: possibile, ma pieno di sbavature.
Ora, con FO_LE, abbiamo un pennello di precisione. Questo permette agli scienziati di:

• Capire meglio come funzionano i circuiti elettronici complessi.
• Studiare il comportamento dei materiali che hanno memoria (come certi polimeri o tessuti biologici).
• Analizzare sistemi finanziari o biologici dove il passato influenza il futuro in modo non lineare.

In Sintesi

Questo articolo ci dice: "Abbiamo costruito un nuovo, potente telescopio (FO_LE) per guardare il caos nei sistemi che hanno memoria. Usiamo una nuova lente (QR) e un nuovo metodo di guida (LIL) per vedere più lontano e più chiaramente di prima, permettendoci di capire se un sistema è stabile o pronto a esplodere nel caos."

È un passo avanti fondamentale per chi studia la complessità del nostro universo, rendendo i calcoli più veloci, precisi e affidabili.

Sommario tecnico

Titolo: Codice Matlab migliorato per gli esponenti di Lyapunov di sistemi a ordine frazionario

Autore: Marius-F. Danca (STAR-UBB Institute, Babes-Bolyai University, Romania)
Fonte: International Journal of Bifurcation and Chaos (2026)

---

1. Il Problema

Il calcolo degli esponenti di Lyapunov (LE) è fondamentale per caratterizzare la stabilità, la prevedibilità e il caos nei sistemi dinamici. Tuttavia, per i sistemi a ordine frazionario (FO), specialmente quelli con ordini non commensurati (dove gli ordini delle derivate frazionarie $\alpha_i$ sono diversi tra loro), la letteratura e gli strumenti numerici dedicati sono ancora limitati.

Le sfide principali identificate nell'articolo sono:

• Memoria a lungo termine: I sistemi a ordine frazionario (basati sulla derivata di Caputo) richiedono la conservazione della storia completa del sistema ("full memory"), rendendo i calcoli computazionalmente costosi.
• Stabilità numerica: L'approssimazione degli LE richiede l'integrazione di un sistema esteso (sistema originale + equazioni variazionali) e la ripetuta ortonormalizzazione dei vettori di perturbazione. I metodi tradizionali (come Gram-Schmidt) possono essere instabili numericamente su lunghi intervalli di integrazione.
• Scarsità di codici robusti: Esistono pochi algoritmi efficienti e robusti per calcolare gli LE sia per casi commensurati che non commensurati, con particolare attenzione alla gestione della memoria frazionaria durante le fasi di riorientamento dei vettori.

2. Metodologia

L'autore presenta una nuova routine Matlab, denominata FO_LE, che combina tre componenti chiave per migliorare l'efficienza e la robustezza:

1. Schemi di Integrazione LIL (Lagrange Interpolation at the Last step):

   • Sostituisce i metodi predittore-correttore classici di Adams-Bashforth-Moulton (ABM) con uno schema LIL quadratico implicito.
   • Questo metodo è di ordine superiore (fino al terzo ordine di accuratezza sotto opportune ipotesi di regolarità) e gestisce nativamente la memoria completa del sistema di Caputo.
   • Viene utilizzata una variante rapida, LIL_nc, disponibile su MathWorks, che funziona sia per ordini commensurati che non commensurati.

2. Riorientamento basato su QR (al posto di Gram-Schmidt):

   • Nel classico algoritmo di Benettin, i vettori di perturbazione vengono ortonormalizzati periodicamente (ogni passo $h_{norm}$) per evitare l'overflow numerico.
   • Il paper sostituisce la procedura classica di Gram-Schmidt (GS) con una decomposizione QR.
   • La decomposizione $A = QR$ fornisce direttamente una base ortonormale ($Q$) e una matrice triangolare superiore ($R$). Gli elementi diagonali di $R$ contengono i fattori di stiramento necessari per calcolare gli LE.
   • Questo approccio è numericamente più stabile, specialmente quando i vettori di perturbazione tendono a diventare linearmente dipendenti.

3. Struttura Impulsiva e Conservazione della Memoria:

   • L'algoritmo è formulato come un processo "impulsivo": l'integrazione continua del sistema esteso viene interrotta a intervalli discreti ($h_{norm}$) per applicare la trasformazione QR.
   • È dimostrato che questo approccio preserva il principio della memoria completa del modello di Caputo, garantendo che le riorientazioni non distruggano la struttura intrinseca della dinamica frazionaria.

3. Contributi Chiave

• Nuova Routine FO_LE: Un codice Matlab completo e compatto per il calcolo degli LE finiti (finite-time) per sistemi FO.
• Integrazione LIL: L'adozione dello schema LIL, che offre una maggiore accuratezza e convergenza rispetto ai metodi ABM standard, mantenendo costi computazionali competitivi.
• Generalità: Il metodo è applicabile universalmente sia a sistemi con ordini commensurati che non commensurati, risolvendo una lacuna nella letteratura esistente.
• Stabilità Numerica: L'uso della decomposizione QR migliora significativamente la robustezza numerica rispetto alla procedura Gram-Schmidt, riducendo gli errori di arrotondamento accumulati durante lunghe simulazioni.
• Codice Open Source: Vengono forniti i codici per il solver LIL, il calcolo degli LE (FO_LE) e una versione rapida (LIL_nc) scaricabile da MathWorks File Exchange.

4. Risultati

L'articolo valida il metodo attraverso due tipi di test:

• Benchmark di Confronto (Sistema Lineare/Non Lineare):

  • È stato testato un sistema frazionario non commensurato bidimensionale con soluzione esatta nota (funzioni di Mittag-Leffler).
  • Confronto: LIL_nc vs. fde12_nc2 (un solver ABM accelerato FFT) vs. ABM classico.
  • Risultati:
    • LIL_nc è nettamente superiore all'ABM classico in termini di accuratezza e tempo CPU.
    • Rispetto al solver ottimizzato fde12_nc2, LIL_nc mostra errori dello stesso ordine di grandezza, ma mantiene un tasso di convergenza sperimentale più alto (circa 1.61 contro <1.57) e tempi di calcolo comparabili o inferiori.

• Studio di Caso: Sistema Rabinovich-Fabrikant (RF):

  • Il sistema RF è stato analizzato in diversi regimi dinamici modificando gli ordini frazionari ($\alpha$).
  • Caso Commensurato ($\alpha \approx 1$): Il sistema mostra comportamento caotico. Gli LE calcolati sono $(0.1017, 0.0000, -1.9048)$, confermando il caos (LE positivo).
  • Caso Non Commensurato ($\alpha = [0.6, 0.8, 0.7]$): Il sistema converge a un equilibrio stabile. Gli LE sono tutti negativi $(-0.0894, -0.1025, -2.9471)$.
  • Caso Non Commensurato ($\alpha = [0.85, 0.965, 0.999]$): Il sistema mostra un comportamento "apparentemente periodico" (numerico), con LE che tendono a zero o valori negativi, coerenti con la stabilità asintotica prevista dal criterio generalizzato di Matignon.

5. Significato e Implicazioni

Il lavoro di Danca rappresenta un avanzamento significativo nello studio numerico dei sistemi dinamici frazionari:

• Strumento Pratico: Fornisce agli ingegneri e ai fisici un tool robusto e facile da usare per analizzare la stabilità e il caos in sistemi reali modellati con derivate frazionarie.
• Affidabilità: La combinazione di un integratore di ordine superiore (LIL) e una riorientazione stabile (QR) riduce il rischio di risultati errati o privi di significato fisico, un problema frequente nella letteratura sugli LE frazionari.
• Fondamento per Futuri Studi: La routine FO_LE apre la strada a ricerche più approfondite su biforcazioni, attrattori nascosti e dinamiche caotiche in sistemi multi-ordine, offrendo una base computazionale solida per la teoria della stabilità in presenza di memoria.

In sintesi, il paper trasforma il calcolo degli esponenti di Lyapunov per sistemi frazionari da un'operazione complessa e potenzialmente instabile in un processo standardizzato, efficiente e numericamente affidabile.