libs/numeric/odeint/doc/tutorial_chaotic_system.qbk

   1 [/============================================================================
   2   Boost.odeint
   3
   4   Copyright 2011-2012 Karsten Ahnert
   5   Copyright 2011-2013 Mario Mulansky
   6   Copyright 2012 Sylwester Arabas
   7
   8   Use, modification and distribution is subject to the Boost Software License,
   9   Version 1.0. (See accompanying file LICENSE_1_0.txt or copy at
  10   http://www.boost.org/LICENSE_1_0.txt)
  11 =============================================================================/]
  12
  13
  14 [section Chaotic systems and Lyapunov exponents]
  15
  16 [import ../examples/chaotic_system.cpp]
  17
  18 In this example we present application of odeint to investigation of the properties of chaotic
  19 deterministic systems. In mathematical terms chaotic refers to an exponential
  20 growth of perturbations ['__delta x]. In order to observe this exponential growth one usually solves the equations for the tangential dynamics which is again an ordinary differential equation. These equations are linear but time dependent and can be obtained via
  21
  22 ['d __delta x / dt = J(x) __delta x]
  23
  24 where ['J] is the Jacobian of the system under consideration. ['__delta x] can
  25 also be interpreted as a perturbation of the original system. In principle
  26 ['n] of these perturbations exist, they form a hypercube and evolve in the
  27 time. The Lyapunov exponents are then defined as logarithmic growth rates of
  28 the perturbations. If one Lyapunov exponent is larger then zero the nearby
  29 trajectories diverge exponentially hence they are chaotic. If the largest
  30 Lyapunov exponent is zero one is usually faced with periodic motion. In the
  31 case of a largest Lyapunov exponent smaller then zero convergence to a
  32 fixed point is expected. More information's about Lyapunov exponents and nonlinear
  33 dynamical systems can be found in many textbooks, see for example: E. Ott "Chaos is
  34 Dynamical Systems", Cambridge.
  35
  36 To calculate the Lyapunov exponents numerically one usually solves the equations of motion for ['n] perturbations and orthonormalizes them every ['k] steps. The Lyapunov exponent is the average of the logarithm of the stretching factor of each perturbation.
  37
  38 To demonstrate how one can use odeint to determine the Lyapunov exponents we choose the Lorenz system. It is one of the most studied dynamical systems in the nonlinear dynamics community. For the standard parameters it possesses a strange attractor with non-integer dimension. The Lyapunov exponents take values of approximately 0.9, 0 and -12.
  39
  40 The implementation of the Lorenz system is
  41
  42 ``
  43 const double sigma = 10.0;
  44 const double R = 28.0;
  45 const double b = 8.0 / 3.0;
  46
  47 typedef boost::array< double , 3 > lorenz_state_type;
  48
  49 void lorenz( const lorenz_state_type &x , lorenz_state_type &dxdt , double t )
  50 {
  51     dxdt[0] = sigma * ( x[1] - x[0] );
  52     dxdt[1] = R * x[0] - x[1] - x[0] * x[2];
  53     dxdt[2] = -b * x[2] + x[0] * x[1];
  54 }
  55 ``
  56 We need also to integrate the set of the perturbations. This is done in parallel to the original system, hence within one system function. Of course, we want to use the above definition of the Lorenz system, hence the definition of the system function including the Lorenz system itself and the perturbation could look like:
  57
  58 ``
  59 const size_t n = 3;
  60 const size_t num_of_lyap = 3;
  61 const size_t N = n + n*num_of_lyap;
  62
  63 typedef std::tr1::array< double , N > state_type;
  64 typedef std::tr1::array< double , num_of_lyap > lyap_type;
  65
  66 void lorenz_with_lyap( const state_type &x , state_type &dxdt , double t )
  67 {
  68     lorenz( x , dxdt , t );
  69
  70     for( size_t l=0 ; l<num_of_lyap ; ++l )
  71     {
  72         const double *pert = x.begin() + 3 + l * 3;
  73         double *dpert = dxdt.begin() + 3 + l * 3;
  74         dpert[0] = - sigma * pert[0] + 10.0 * pert[1];
  75         dpert[1] = ( R - x[2] ) * pert[0] - pert[1] - x[0] * pert[2];
  76         dpert[2] = x[1] * pert[0] + x[0] * pert[1] - b * pert[2];
  77     }
  78 }
  79 ``
  80
  81 The perturbations are stored linearly in the `state_type` behind the state of the Lorenz system.
  82 The problem of '''lorenz()''' and '''lorenz_with_lyap()''' having different state types may be solved putting the Lorenz system inside a functor with templatized arguments:
  83
  84 ``
  85 struct lorenz
  86 {
  87     template< class StateIn , class StateOut , class Value >
  88     void operator()( const StateIn &x , StateOut &dxdt , Value t )
  89     {
  90         dxdt[0] = sigma * ( x[1] - x[0] );
  91         dxdt[1] = R * x[0] - x[1] - x[0] * x[2];
  92         dxdt[2] = -b * x[2] + x[0] * x[1];
  93     }
  94 };
  95
  96 void lorenz_with_lyap( const state_type &x , state_type &dxdt , double t )
  97 {
  98     lorenz()( x , dxdt , t );
  99     ...
 100 }
 101
 102 ``
 103 This works fine and `lorenz_with_lyap` can be used for example via
 104 ``
 105 state_type x;
 106 // initialize x..
 107
 108 explicit_rk4< state_type > rk4;
 109 integrate_n_steps( rk4 , lorenz_with_lyap , x , 0.0 , 0.01 , 1000 );
 110 ``
 111 This code snippet performs 1000 steps with constant step size 0.01.
 112
 113 A real world use case for the calculation of the Lyapunov exponents of Lorenz system would always include some transient steps, just to ensure that the current state lies on the attractor, hence it would look like
 114
 115 ``
 116 state_type x;
 117 // initialize x
 118 explicit_rk4< state_type > rk4;
 119 integrate_n_steps( rk4 , lorenz , x , 0.0 , 0.01 , 1000 );
 120 ``
 121 The problem is now, that `x` is the full state containing also the
 122 perturbations and `integrate_n_steps` does not know that it should only use 3
 123 elements. In detail, odeint and its steppers determine the length of the
 124 system under consideration by determining the length of the state. In the
 125 classical solvers, e.g. from Numerical Recipes, the problem was solved by
 126 pointer to the state and an appropriate length, something similar to
 127
 128 ``
 129 void lorenz( double* x , double *dxdt , double t, void* params )
 130 {
 131     ...
 132 }
 133
 134 int system_length = 3;
 135 rk4( x , system_length , t , dt , lorenz );
 136 ``
 137
 138 But odeint supports a similar and much more sophisticated concept:  __boost_range. To make the steppers and the system ready to work with __boost_range the system has to be changed:
 139
 140 [system_function_without_perturbations]
 141
 142 This is in principle all. Now, we only have to call `integrate_n_steps` with a
 143 range including only the first 3 components of ['x]:
 144
 145 [integrate_transients_with_range]
 146
 147 [note Note that when using __boost_range, we have to explicitly configure the
 148 stepper to use the `range_algebra` as otherwise odeint would automatically
 149 chose the `array_algebra`, which is incompatible with the usage of __boost_range, because the original state_type is an `array`.]
 150
 151 Having integrated a sufficient number of transients steps we are now able to calculate the Lyapunov exponents:
 152
 153 # Initialize the perturbations. They are stored linearly behind the state of the Lorenz system. The perturbations are initialized such that [' p [subl ij] = __delta [subl ij]], where ['p [subl ij]] is the ['j]-component of the ['i].-th perturbation and ['__delta [subl ij]] is the Kronecker symbol.
 154 # Integrate 100 steps of the full system with perturbations
 155 # Orthonormalize the perturbation using Gram-Schmidt orthonormalization algorithm.
 156 # Repeat step 2 and 3. Every 10000 steps write the current Lyapunov exponent.
 157
 158 [lyapunov_full_code]
 159
 160 The full code can be found here:  [github_link libs/numeric/odeint/examples/chaotic_system.cpp chaotic_system.cpp]
 161
 162 [endsect]