Improved Matlab code for Lyapunov exponents of fractional order systems

Este artigo apresenta uma rotina Matlab aprimorada, denominada FO_LE, para o cálculo numérico dos expoentes de Lyapunov em sistemas de ordem fracionária, utilizando um esquema preditor-corretor LIL de segunda ordem e reortogonalização baseada em QR para oferecer uma ferramenta robusta e eficiente que abrange tanto modelos comensuráveis quanto não comensuráveis.

O essencial

Imagine que você está tentando prever o clima de um sistema complexo, como um redemoinho em um rio ou o movimento de um pêndulo duplo. Em física e matemática, existe uma ferramenta chamada Expoentes de Lyapunov. Pense neles como um "termômetro do caos".

• Se o termômetro marca zero ou negativo, o sistema é estável (como um barco ancorado).
• Se marca positivo, o sistema é caótico (como um barco em uma tempestade imprevisível). Se você mudar a posição do barco por um milímetro, ele vai para um lugar completamente diferente depois de um tempo.

O problema é que calcular esse "termômetro" para sistemas fracionários (que são como sistemas com "memória" ou que lembram do passado) é muito difícil e lento. Os métodos antigos eram como tentar subir uma montanha escorregadia usando apenas os dedos: funcionava, mas era instável e demorado.

O que este artigo faz?

O autor, Marius-F. Danca, criou um novo "equipamento de escalada" chamado FO_LE. É um código de computador (em Matlab) muito mais rápido e seguro para calcular essa estabilidade.

Aqui estão as três grandes melhorias, explicadas com analogias:

1. A "Memória" do Sistema (Derivada Fracionária)

Imagine que você está dirigindo um carro.

• Sistemas normais: O carro responde apenas ao que você faz agora (pisa no freio, o carro para).
• Sistemas fracionários: O carro tem "memória". Se você pisou no freio há 10 minutos, o carro ainda sente um pouco desse efeito hoje. Isso torna os cálculos muito pesados, porque o computador precisa lembrar de toda a história do carro desde o início da viagem.
• A solução do artigo: O novo código mantém essa memória completa sem "esquecer" nada, mas faz os cálculos de forma muito mais inteligente.

2. Trocando a "Gram-Scmidt" pela "QR" (O Segredo da Estabilidade)

Para medir o caos, o computador precisa manter um grupo de "vetores" (setas imaginárias) que representam pequenas perturbações. Com o tempo, essas setas tendem a se dobrar e ficar todas na mesma direção, como um feixe de espaguete cozido que grudou.

• O método antigo (Gram-Schmidt): Era como tentar endireitar o espaguete com as mãos, um fio por vez. Funcionava, mas com o tempo, os fios ficavam tortos e o cálculo perdia precisão (erros numéricos).
• O novo método (QR Decomposition): É como usar uma prensa industrial. O código pega o "feixe de espaguete" e o comprime em uma forma perfeitamente organizada e reta instantaneamente. Isso evita que o cálculo fique "torto" e errático, especialmente em simulações longas.

3. O Motor de Alta Performance (Método LIL)

O código precisa resolver as equações que descrevem o movimento.

• Antigo: Usava um motor de carro popular (método ABM). Era confiável, mas lento e não muito preciso em estradas difíceis.
• Novo: Usa um motor de Fórmula 1 chamado LIL (Interpolação Quadrática no Último Passo). Ele é um "corretor-preditivo" de alta ordem.
  • Analogia: Imagine que você está tentando adivinhar onde estará um pássaro voando.
    • O método antigo olha para onde o pássaro estava e chuta uma direção.
    • O método LIL olha para a trajetória recente, a velocidade e a aceleração, e faz uma previsão muito mais inteligente e precisa, corrigindo o erro no mesmo instante.

O que foi testado?

O autor testou esse novo código em dois cenários:

1. Um teste de laboratório: Um sistema matemático com solução conhecida (como um alvo perfeito). O novo código acertou o alvo com muito mais precisão e rapidez do que os métodos antigos, mesmo sendo mais simples de usar.
2. O Sistema Rabinovich-Fabrikant: Um sistema complexo e famoso que pode ser caótico ou estável dependendo dos parâmetros. O código conseguiu identificar com sucesso quando o sistema estava em "modo caos" e quando estava "acalmado", mostrando que é uma ferramenta robusta.

Resumo Final

Este artigo apresenta um novo software que permite aos cientistas estudar a estabilidade e o caos em sistemas complexos que têm "memória" (sistemas fracionários) de forma:

• Mais rápida: O motor LIL é mais eficiente.
• Mais precisa: A técnica QR evita erros de arredondamento.
• Mais confiável: Funciona tanto para sistemas simples quanto para os mais complexos.

É como se, antes, você tivesse que medir a temperatura de um vulcão com um termômetro de vidro frágil. Agora, você tem um sensor de alta tecnologia à prova de explosões que dá a leitura exata em segundos.

Resumo técnico

Resumo Técnico: Código Matlab Aprimorado para Expoentes de Lyapunov de Sistemas de Ordem Fracionária

1. Problema e Contexto

O artigo aborda a dificuldade de calcular numericamente os Expoentes de Lyapunov (LEs) para sistemas de equações diferenciais de ordem fracionária (FDEs), especificamente aqueles modelados pela derivada de Caputo.

• Desafio: Os LEs são indicadores cruciais para caracterizar o caos, a estabilidade e a sensibilidade às condições iniciais. No entanto, sua computação em sistemas de ordem fracionária é complexa devido à natureza não local (memória) das derivadas fracionárias e à escassez de códigos robustos, especialmente para casos de ordens não comensuráveis (onde as ordens das equações são diferentes).
• Limitações Anteriores: Implementações anteriores (como FO_Lyapunov e FO_NC_Lyapunov) utilizavam o algoritmo de Benettin com o procedimento de ortonormalização de Gram-Schmidt (GS) e integradores do tipo Adams-Bashforth-Moulton (ABM). O GS pode ser numericamente instável em integrações longas, e os métodos ABM padrão podem ter baixa ordem de precisão ou alto custo computacional.

2. Metodologia Proposta

O autor apresenta uma nova rotina Matlab chamada FO_LE, que integra três melhorias fundamentais ao framework clássico de Benettin:

1. Substituição da Ortonormalização Gram-Schmidt por Decomposição QR:

   • Em vez do procedimento clássico GS, o código utiliza a decomposição QR (fatoração reduzida) da matriz de perturbação.
   • Vantagem: A decomposição QR é numericamente mais estável e robusta, especialmente quando os vetores de perturbação se tornam quase linearmente dependentes durante integrações longas. Além disso, simplifica a implementação no Matlab.
   • O processo extrai os fatores de estiramento ($z_k$) dos elementos diagonais da matriz triangular superior $R$ e atualiza a base ortonormal usando as colunas da matriz $Q$.

2. Uso do Esquema LIL (Lagrange Interpolation at the Last step):

   • A integração do sistema estendido (equações originais + equações variacionais) é realizada utilizando o esquema preditor-corretor LIL.
   • O LIL é um método implícito de ordem quadrática (com potencial para ordem 3 sob certas suavidades) que utiliza interpolação quadrática no último passo.
   • Diferente dos métodos ABM tradicionais, o LIL é projetado para manter a estrutura de memória completa do modelo de Caputo, essencial para a precisão em sistemas fracionários.
   • O código utiliza variantes otimizadas: LIL para ordens comensuráveis e LIL_nc (disponível no MathWorks File Exchange) para ordens não comensuráveis.

3. Estrutura de Memória Completa:

   • A rotina preserva a estrutura de memória intrínseca do modelo de Caputo. O processo de re-ortonormalização é tratado como uma ação impulsiva que não destrói a dependência histórica do sistema, garantindo a consistência teórica.

3. Contribuições Principais

• Novo Código FO_LE: Uma rotina Matlab compacta e eficiente que calcula LEs finitos para sistemas de ordem fracionária comensuráveis e não comensuráveis.
• Algoritmo Híbrido Robusto: A combinação do algoritmo de Benettin com a decomposição QR e o integrador LIL oferece uma alternativa superior aos códigos baseados em Gram-Schmidt e ABM padrão.
• Código Aberto: O artigo fornece o código completo para o solver LIL, o solver LIL_nc (referenciado) e a rotina FO_LE.
• Validação Rigorosa: O método foi testado em problemas com soluções exatas conhecidas e em sistemas dinâmicos complexos.

4. Resultados e Validação

O artigo apresenta dois tipos de validação:

• Benchmark de Precisão (Sistema de Teste):

  • Um problema de teste não comensurável com solução exata (funções de Mittag-Leffler) foi usado para comparar LIL_nc, fde12_nc2 (um solver ABM acelerado por FFT) e o ABM clássico.
  • Resultados: O LIL_nc demonstrou uma taxa de convergência experimental estável e superior (~1.61) em comparação com o fde12_nc2 (< 1.57) e o ABM clássico (~0.80). Embora o fde12_nc2 tenha apresentado erros absolutos ligeiramente menores em alguns casos, o LIL_nc foi competitivo em precisão e, em muitos casos, mais eficiente em tempo de CPU, superando significativamente o ABM não acelerado.

• Aplicação no Sistema Rabinovich-Fabrikant (RF):

  • O sistema RF de ordem fracionária foi analisado em diferentes regimes dinâmicos:
    1. Caos: Para ordens comensuráveis próximas a 1 ($\alpha \approx 0.999$), o sistema exibe comportamento caótico, confirmado pelo maior expoente de Lyapunov positivo ($\lambda_1 \approx 0.10$).
    2. Estabilidade: Para ordens não comensuráveis ($\alpha = [0.6, 0.8, 0.7]$), o sistema converge para um equilíbrio estável, confirmado por todos os expoentes negativos.
    3. Estabilidade Marginal/Complexa: Para ordens próximas a 1 mas não comensuráveis ($\alpha = [0.85, 0.965, 0.999]$), o sistema mostra estabilidade assintótica local, validada pelo critério de estabilidade generalizado de Matignon e pelos LEs negativos.
  • O código conseguiu detectar corretamente a transição entre regimes caóticos e estáveis, demonstrando sua utilidade para análise de bifurcação.

5. Significado e Conclusão

O trabalho fornece uma ferramenta computacional compacta, robusta e eficiente para o estudo da estabilidade e do caos em sistemas de ordem fracionária.

• Impacto: A substituição do Gram-Schmidt pela decomposição QR e a adoção do esquema LIL superam as limitações de precisão e estabilidade numérica dos métodos anteriores.
• Aplicabilidade: O método é aplicável a uma vasta gama de modelos físicos e de engenharia que envolvem memória e efeitos hereditários, permitindo a investigação de atratores ocultos, bifurcações e dinâmicas caóticas em contextos onde os métodos de ordem inteira falham ou são inadequados.
• Recomendação: O artigo sugere que a escolha do intervalo de re-ortonormalização ($h_{norm}$) é empírica, mas recomenda valores em torno de 0.2 (múltiplos do passo de integração) para um equilíbrio ideal entre estabilidade e eficiência.

Em suma, o código FO_LE representa um avanço significativo na caixa de ferramentas computacionais para a dinâmica não linear fracionária, oferecendo uma implementação Matlab moderna e matematicamente fundamentada.