Baixe Modelagem Matemática e outras Notas de estudo em PDF para Engenharia Civil, somente na Docsity!
Minicurso da Escola de Verão 2003 Departamento de Matemática/ UFSC
Notas do Minicurso: Aplicação dos modelos matemáticos
no controle de populações.
M. Rafikov Departamento de Física, Estatística e Matemática, Universidade Regional do Noroeste do Estado do Rio Grande do Sul – UNIJUI, CP 560, CEP 98700-000, Ijuí, RS, Brasil. e-mail: [email protected]
Resumo. Na primeira parte do minicurso são apresentados e analisados os modelos populacionais de uma espécie tais como modelos de Malthus, Verhulst, entre outros. Na segunda parte são apresentados e analisados os modelos de duas espécies: modelos clássico Lotka – Volterra, competição entre espécies, presa – predador com a resposta funcional, entre outros. Na terceira parte são consideradas as aplicações de modelos populacionais no controle de populações. São formulados os problemas da maximização da safra e do controle ótimo de pragas. Na quarta parte são discutidas a estabilidade, oscilações e caos em dinâmica populacional de muitas espécies. Na ultima parte são feitas conclusões e discutidos os problemas populacionais que ainda esperam a sua formulação matemática e resolução.
1. Introdução
O estudo matemático de dinâmica de populações surgiu em 1798, quando foi publicado o artigo “An Essay on the Principle of Population as it Affects the Future Improvement of Society” do economista e demógrafo britânico Thomas Robert Malthus. Seu trabalho previa um crescimento em progressão geométrica para a população e em progressão aritmética para os meios de sobrevivência, porém Malthus não considerou em seus modelos que vivemos em um sistema ecológico fechado e por isso, mais cedo ou mais tarde, toda a população seria forçada a encontrar limitações de alimento, água, ar ou espaço físico e por isso, manteria-se estável em um limite máximo de sobrevivência. Apesar disso, seu trabalho serviu como um alerta às autoridades e a população em geral sobre o problema que poderia ocorrer se as taxas de natalidade não fossem controladas, ou seja, não houvesse alimento suficiente para toda a população, resultando em guerra, fome e miséria. Um pouco mais tarde, por volta de 1838, a limitação dos recursos foi estudada por Pierre Verhulst, a pedido do governo da Bélgica que estava preocupado com o crescimento populacional. Verhulst incorporou essa limitação ao modelo de Malthus e apresentou a equação do crescimento populacional [28]. A dinâmica populacional só tornou-se mais conhecida na década 20 do século XX, interessando a muitos cientistas, entre eles o químico Lotka [16] e o matemático Volterra [29], que focalizaram a interação entre duas espécies num modelo que hoje é chamado de Lotka – Volterra. Este modelo foi aperfeiçoado por vários cientistas, entre eles Gause [10], Holling [14], Rosenzweig, MacArtur [22], entre outros. Nos últimos anos surgiu um grande número de modelos populacionais, aplicados às áreas de biologia, ecologia, epidemiologia, imunologia, genética, bioquímica, engenharias biomédica e sanitária, entre outras. Estes modelos descrevem a dinâmica de populações cujos indivíduos podem ser moléculas bioquímicas, bactérias, neurônios, células, insetos, indivíduos infectados, colônias de formigas ou abelhas, etc.
M. Rafikov
2. Modelos matemáticos de populações de uma espécie
2.1. Modelo de Malthus
Malthus descreveu o crescimento populacional através da seguinte equação:
rN dt
dN = (2.1)
onde r^ é a taxa de crescimento da população N^.
Solução: N ( t )= N ( 0 ) ert , onde r pode ser encontrado através das formulas:
se 2
ln 2 0 T
k > k = , onde T 2 é tempo durante que a população se duplica,
se
2
1
ln 0 T
k k
< = , onde 2
T 1 é tempo durante que a população se reduz até metade
(meia-vida).
Fig.1. Soluções do modelo de Malthus
2.2. Modelo de Verhulst (modelo logístico)
Verhulst apresentou a seguinte equação como uma descrição do crescimento populacional:
N K
N
r dt
dN
onde K^ é o nível de saturação da população. Nesse caso a população não ultrapassa o limite K.
Solução: (^) rt N K N e
N K
N t ( 0 ) [ ( 0 )]
= (^) , onde r (^) pode ser encontrado através da
regressão não linear. O gráfico é curva sigmoidal.
M. Rafikov
Fig.3. Soluções do modelo Lotka – Volterra para condições iniciais diferentes
Fig.4. Trajetórias fechadas do diagrama de fase
Um modelo de pesca:
bP NP eP dt
dP
aN NP cN dt
dN
β
α (3.2)
Pontos de equilíbrio:
α
β a c P
b e N
3.2. Modelo de Lotka – Volterra com competição entre presas
bP NP dt
dP
aN N NP dt
dN
β
γ^2 α (3.4)
Aplicação dos modelos matemáticos
onde γ e δ são os coeficientes positivos que representam a competição intraespecífica
de populações de presas e predadores, respectivamente.
3.3. Modelos “realísticos”
Para vários sistemas do tipo presa – predador o modelo clássico de Lotka – Volterra não é aplicável pois descreve somente oscilações periódicas. Os modelos presa
- predador com dinâmica mais rica Murrey chamou “realisticos” [17]. Alguns exemplos de tais sistemas são:
PgH P dt
dP
Hf H P dt
dH (3.5)
onde
2 2 H
A e RH H B
AH
RH
H B
A
R H
ou gH P d bR H H
hP PRH g HP k K
H
f H P r
− −^ aH
Geralmente são considerados 3 tipos da resposta funcional Ha =^ HR ( H ):
Fig.5. Tipos da resposta do predador à densidade de presas
Os gráficos de soluções do modelo presa – predador com a resposta funcional do tipo II [14]
Aplicação dos modelos matemáticos
O aguapé é uma planta aquática originária da região tropical da América Central, sendo hoje distribuída por mais de 50 países do mundo. Devido ao seu grande potencial de proliferação, sérios problemas operacionais têm sido provocados nos sistemas hídricos onde esta planta foi introduzida, sendo considerada “praga de água”. A imagem negativa foi alterada pelas várias pesquisas realizadas nos últimos anos, em que ficou demonstrado que há boa perspectiva de utilização do aguapé para remoção de materiais poluidores.Os estudos da relação entre produtividade e remoção de nutrientes na lagoa de aguapé mostraram que a produtividade líquida da biomassa representa o parâmetro mais adequado para avaliar a eficiência de remoção de nutrientes. Quando o aguapé ultrapassa uma determinada densidade na lagoa, sua taxa de crescimento tende a decrescer e, conseqüentemente, diminuem suas atividades biológicas relacionadas à assimilação de substâncias presentes no meio líquido. Do ponto de vista operacional da lagoa, é necessário efetuar um controle constante da quantidade de aguapé para manter melhor rendimento na eficiência de tratabilidade do sistema. Matematicamente o problema de minimização poluentes pode formulado como um problema de safra máxima de plantas de aguapé. Para modelar o crescimento de uma população de plantas de aguapé foi escolhido o modelo de Verhulst que tem a seguinte forma:
ax b x^2 dt
dx = − (4.1)
onde x(t)^ densidade de aguapé no momento t , medida em gramas de peso seco por metro quadrado, o coeficiente a^ caracteriza o crescimento exponencial que acontece na parte inicial do crescimento, b é coeficiente de competição entre plantas de aguapé. Seja u(t) quantidade de aguapé recolhida no dia t , então a equação diferencial que modela o crescimento de aguapé, admitindo o recolhimento diário de plantas, tem a seguinte forma:
a x u b x u k u dt
dx = ( − )− ( − )^2 − (4.2)
Como é visto da equação (4.1) a função de controle u^ entrou nela em forma não linear. Isto permite modelar a influência da retirada de grandes e pequenas quantidades de aguapé nos processos de reprodução e competição entre plantas. A função x^ tem que satisfazer a seguinte condição inicial:
x ( 0 )= x 0 (4.3)
Na equação (4.1) o coeficiente k caracteriza a capacidade técnica de recolhimento de aguapés. Quanto maior k^ tanto mais rápido são recolhidas as plantas da lagoa. A função do controle u^ obedece às seguintes limitações:
0 ≤ u ( t )≤ x ( t ) (4.4)
A fim de formular o problema da produtividade máxima da lagoa de aguapé, foi escolhido o critério a ser maximizado em seguinte forma:
() ( ) 0
I k ut dt x T
T
M. Rafikov
onde o primeiro termo considera a quantidade da massa de aguapé recolhida durante o período do funcionamento da lagoa e o segundo termo caracteriza a quantidade máxima de aguapé na lagoa no momento final T. O problema em questão pode ser formulado como o seguinte problema do controle ótimo: para o sistema (4.2) com condições iniciais (4.3) encontrar a função do controle u(t) , t ∈ [ 0 , T ], que satisfaz as limitações (4.4) e que maximiza o funcional
(4.5). Este problema foi resolvido através de aplicação do Princípio do Máximo de Pontryagin [18]. A estratégia ótima do controle de plantas de aguapé que assegura a maximização da massa de plantas é:
ξ
ξ ξ x
x x u t 0 quando
quando ( ) (4.6)
onde o valor de ξ^ é determinado através da seguinte fórmula:
b
a 2
ξ =
O valor b
a é chamado carrying capacity^ e significa a capacidade máxima de
crescimento de aguapés. O resultado acima obtido significa que o controle de aguapés tem que ser aplicado quando a quantidade de aguapés supera a metade do valor da capacidade máxima de crescimento de aguapés. A equação que descreve a variação da quantidade de aguapés na lagoa com controle é:
b
a xa bx xt
b
a kx xt b
ak b
a
dt
dx
2
(4.7)
Para b
a x 2
( 0 )≥ a solução da equação (4.7) é:
b
a kb
a e b
a kb
a x t x kt 4 2
2 2 = − − −^ + + (4.8)
A função (4.8) descreve a variação da quantidade de aguapés na lagoa em cada instante t. Quando t^ →∞, ou seja, período do funcionamento controlado da lagoa é bastante grande, a função (4.8) tende a um valor constante:
b
a kb
a x 4 2
2 = + (4.9)
A quantidade de aguapés que deve ser recolhida diariamente nessa situação operacional é:
kb
a u t 4
2 = (^) (4.10)
Para calcular os parâmetros do modelo no controle de aguapés na lagoa, utilizou-se a curva de crescimento de aguapés apresentados por Kawai e Grieco [15], que descreveram a curva de crescimento de aguapés na forma da seguinte função:
x t 1 5 , 78 e 0 , 103 t
M. Rafikov
para saber como, quando e em que quantidade fazer aplicação do controle de pragas na lavoura. Conforme DeBach [8] controle^ biológico^ é a ação de inimigos naturais (parasitóides, predadores, ou patógenos), mantendo a densidade de população de um outro organismo (praga) abaixo do nível médio que ocorreria na ausência deles. Entende-se por parasitóide^ um inseto que parasita somente os estágios imaturos, matando o hospedeiro durante o seu processo de desenvolvimento, vivendo livre quando adulto. Van den Bosch et al. [26] definiu controle biológico aplicado como a manipulação de inimigos naturais por homem para controlar pragas. Do ponto de vista ecológico, a espécie é considerada como uma praga se sua densidade de população ultrapassa o nível de danos econômicos. Assim, a premissa de controle biológico é uma redução e estabelecimento da densidade de população de pragas em nível de equilíbrio abaixo do nível de danos econômicos. Há três tipos principais do controle biológico de pragas: 1) conservação de inimigos naturais; 2) controle biológico clássico; 3) aumento de inimigos naturais. O primeiro tipo acontece quando os humanos são ativamente envolvidos no melhoramento de condições ambientais para favorecer os inimigos naturais. O controle biológico clássico é baseado, em parte, no conhecimento que muitas pragas foram introduzidas na lavoura acidentalmente de outras partes do mundo. Por isso, o termo controle biológico clássico (^) refere-se à introdução intencional de organismos exóticos (não nativos a um particular ecossistema ou país) para o controle em longo prazo de uma determinada praga, objetivando reduzir a abundância média da praga e, conseqüentemente, reduzir a chance de prejuízos futuros. Há muitos exemplos de sucesso que usa este tipo de controle, como o complexo de parasitas importados que controlam praga de alfafa. Infelizmente, também há muitos casos onde simplesmente não foram encontrados inimigos naturais exóticos efetivos ou não foram com sucesso estabelecidos na área designada [25]. O terceiro método de controle conta com a possibilidade artificialmente aumentar a população do inimigo natural nativo através da liberação de espécies criados em laboratórios. Os inimigos naturais a ser liberados podem ser da mesma espécie que já existe na lavoura, ou uma outra espécie que tem a eficiência maior que a natural. Os dois tipos principais de controle biológico, controle clássico e controle de aumento ( augmentation ), exigem a liberação de grandes quantidades de inimigos naturais na lavoura na intenção de que nenhuma praga escape ao ataque. Em muitos casos, esta técnica pode levar a um regime em que ambas as espécies vão para a extinção. Neste caso, as pragas podem recolonizar a lavoura, não havendo então inimigos naturais para combatê-las. Conforme Thomas e Willis [25] menos que 40% de aplicações de controle biológico foram feitas com sucesso. Modelos matemáticos têm sido bastante utilizados para o estudo de problemas agrícolas, pois com o uso de ferramentas de simulação o sistema meio ambiente – praga
- inimigos naturais pode ser melhor compreendido [24]. Isto permite que o pesquisador possa ter uma visão geral do sistema e possa posicionar-se como um “experimentador” do sistema real, operando somente um modelo do sistema, possibilitando uma economia de prejuízos materiais e tempo, quando comparado a experimentos reais. Além disso, pesquisadores da área podem fazer uso de modelos para auxiliar o delineamento de experimentos de campo, através da indicação dos parâmetros a serem observados. Mais especificamente, a utilização da modelagem matemática aplicada a problemas de controle biológico de pragas permite uma avaliação qualitativa e quantitativa do impacto entre as populações de uma praga e de seus inimigos naturais. Então, a modelagem matemática pode ser usada como ferramenta para projetar sistemas
Aplicação dos modelos matemáticos
estáveis do tipo presa-predador ou hospedeiro-parasitóide. Isto pode ser obtido buscando-se um inimigo natural com características tais que forneçam estabilidade ao sistema. A matemática é útil neste caso, pela possibilidade da determinação da região dos parâmetros na qual o sistema é estável. Outra forma em que a modelagem matemática pode ser usada no controle de pragas é na formulação de uma boa estratégia de controle, através da manipulação dinâmica de variáveis de controle do sistema praga- inimigo natural. A modelagem matemática, quando aplicada ao controle biológico de pragas, permite a minimização de custos, riscos ambientais e a realização de previsões, causando um menor impacto ao meio ambiente. Desta forma, os possíveis cenários alternativos resultantes de simulação dos modelos permitem analisar a eficiência do controle biológico no campo. A visão ecológica que considera um inseto como praga se e somente se a quantidade deste inseto na lavoura causa danos econômicos, pode servir como base para a formulação do problema do controle ótimo de pragas. O controle ótimo de pragas no sistema presa - predador, neste caso, tem a finalidade de manter a população de pragas num nível de equilíbrio abaixo de danos econômicos. A estratégia do controle biológico de pragas tem que satisfazer às seguintes condições importantes: i) o ecossistema praga – inimigo natural através do controle biológico deve chegar a um estado de equilíbrio em que a população de pragas se estabilize num nível abaixo de danos econômicos e a população de inimigos naturais se estabilize num certo patamar para controlar o nível de pragas; ii) este estado de equilíbrio do ecossistema controlado tem que ser estável; iii) o controle biológico de pragas tem que ser econômico no sentido de minimização da quantidade de aplicações no ecossistema.
4.3. Formulação dos problemas do controle ótimo de populações
Consideremos o modelo presa – predador:
yg x y dt
dy
xf x y dt
dx
onde x e y são, respectivamente, as densidades de presas e predadores no instante t ;
f ( x , y ) e g ( x , y ) são funções contínuas das variáveis x (^) e y (^). O sistema (4.12)
descreve o desenvolvimento natural do sistema presa – predador sem aplicação de controle. No ecossistema praga – inimigo natural o controle biológico de pragas implica que, após a sua aplicação, grande quantidade da espécie praga é removida do sistema e grande quantidade da espécie inimigo natural é introduzida no sistema. As pragas retiradas não participam mais do processo reprodutivo, competitivo e de interação. Ao contrário, os inimigos naturais começam imediatamente a participar nos processos de reprodução, competição e interação com as pragas. Sejam U ( t )e V ( t ), respectivamente, o número de presas retiradas do sistema e o
número de predadores introduzidos no sistema no instante t^. As equações que descrevem a dinâmica do sistema com a aplicação do controle podem ser escritas na seguinte forma [20],[21]:
Aplicação dos modelos matemáticos
g x y x y b
f x y a x y = − −
β δ
γ α ( , )
O sistema (4.18) neste caso pode ser escrito:
1 1 2 1 2 2 2
1 2 1 1 1 2 2
αζ βζ δζ δζ
αζ γζ γζ βζ c c b c
c a c c (4.19)
Resolvendo-se (4.19), obtém-se:
α β γ ζ
α β δγ
α β δ ζ
12
2 1 2
1 1 2 1 2 2
12
2 1 2
2 1 2 12 1
c c c c
ac c c bcc
c c cc
bc c c acc
Para o modelo clássico de Lotka – Volterra γ^ =^0 e δ^ =^0 , nesse caso
α β
ζ
α β
ζ
1 2
1 2
1 2
2 1
c c
ac
c c
bc
A estratégia proposta de controle ótimo de pragas foi aplicada para realizar a simulação do controle ótimo na lavoura de soja. Foram considerados as relações presa - predador entre a lagarta da soja ( Anticarsia gematalis ) e seus predadores ( Nabis spp, Geocoris, Arachnid , etc.). Os coeficientes do modelo foram identificados em [19]. Na Fig.10 está presente o diagrama de fase da estratégia ótima para várias condições iniciais para os seguintes valores dos parâmetros de modelo a = 0. 216 , α = 0. 0108 , b = 0. 173 , β = 0. 0029 , c 1 = 1 , c 2 = 1. 78 , k 1 = 1 , k 2 = 2 ,
γ = 0 , δ = 0.
0
5
10
15
20
25
30
35
0 5 10 15 20 25 30 35 X (presas por m^2 )
y (predadores por m
2 )
A B
C
P
Fig.10. Diagrama de fase do controle ótimo da lagarta da soja
M. Rafikov
Os valores de c 1 e c 2 foram escolhidas para estabelecer um nível de pragas abaixo do limiar recomendado pela EMBRAPA (a densidade de 20 lagartas da soja grandes (com mais de 1,5 cm) por metro quadrado ou a densidade de 40 lagartas pequenas ( de 0,5 à 1,5 cm) por metro quadrado). Densidades abaixo destes valores não causam danos econômicos a lavoura. As retas x = ξ 1 e y = ξ 2 são as curvas de comutação que dividem o quadrante
positivo em quatro partes A, B, C e D. Os valores de ξ (^) 1 =19.3 e ξ (^) 2 =13.5 foram
encontrados da fórmula (4.21). Se a condição inicial está na parte D,^ as funções de controle de sistema são V= ξ (^) 2 - y e U = 0, estes valores das funções de controle permanecem até a trajetória de
fase interceptar a reta de comutação x^ = ξ 1. Em ponto de interseção a função de
controle U assume a forma U = x − ξ 1 , e mantém esta relação até o sistema chegar no ponto de equilíbrio P. Se a condição inicial está na parte A, o sistema permanece sem controle até a
trajetória de fase interceptar a reta de comutação y^ = ξ 2. Em ponto de interseção a
função de controle V^ torna-se V=^ ξ^ 2 - y^ e a função U = 0,^ e o sistema passa em D. Se a condição inicial está na parte B, as funções de controle de sistema são U = x − ξ 1 e U = 0. Neste caso existem dois tipos de trajetórias. As trajetórias do
primeiro tipo interceptam a reta de comutação x^ = ξ 1 e o sistema passa na parte A.
Outras trajetórias que começam na parte B interceptam a reta de comutação y = ξ 2 e o
sistema passa em C, onde as variáveis de controle tornam-se U^ =^ x − ξ 1 e V =^ ξ^ 2 - y e mantém-se esta relação até o sistema chegar no ponto de equilíbrio P. Para manter o sistema no ponto de equilíbrio P é preciso atribuir às funções de controle os seguintes valores: U =^ 0,67 e V =^ 1,59. Os gráficos de funções de controle para as condições iniciais x^ 0 =^32 , y (^) 0 = 16 estão na Fig.11.
0
2
4
6
8
10
12
14
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 t (dias)
Funções de controle
Função de controle U Função de controle V
Fig.11. Funções de controle para aplicação do controle para as condições iniciais x^ 0 =^32 , y 0 =^16
Na Fig.12 estão os gráficos de oscilações de população de pragas sem aplicação de controle e estabilização de densidade de população com aplicação de controle.
M. Rafikov
população de inimigos naturais se estabilize em um valor suficiente para controlar as pragas. O modelo Lotka – Volterra que considera somente a competição entre pragas, tem a seguinte forma:
y b x dt
dy
xa x y dt
dx
β
γ α
onde x^ e y^ são densidades de presas e predadores respectivamente. Como já foi mencionado existe um certo limite de densidade de pragas que caracteriza a margem de danos econômicos, ou seja, a partir do qual a lavoura sente a influência negativa das pragas. Esse limite chama-se limiar de danos econômicos que podemos designar xd. Por exemplo, conforme informações da EMBRAPA, a densidade
de 20 lagartas de soja grandes (com mais de 1,5 cm) por metro quadrado ou a densidade de 40 lagartas pequenas ( de 0,5 à 1,5 cm) por metro quadrado representam um limiar para o valor da densidade. Densidades abaixo deste valor não causam danos econômicos
a lavoura, ou seja, neste caso xd^ = 20 ou xd^ = 40 para lagartas de soja grandes ou
pequenas, respectivamente. O objetivo principal do controle biológico é estabelecer o nível de equilíbrio do sistema abaixo de danos econômicos, ou seja, deve-se estabelecer o equilíbrio num nível xd < x (^) d.
Harrison [13] mostrou que a condição γ > 0 é suficiente para a estabilidade
global. Mesmo sendo sempre estável, o modelo (4.22) pode possuir o ponto de equilíbrio do sistema a níveis muito altos. Neste caso, há necessidade de aplicar o controle. Na seção anterior foi considerado o controle ótimo de pragas que levou o ecossistema ao estado próximo do limiar de danos econômicos, usando duas funções de controle. Como já foi discutido, esta estratégia de controle pode ser realizada durante os primeiros dias de aplicação de controle quando acontece a retirada de pragas em grandes quantidades, o que pode ser realizado através do inseticida biológico ou químico. A retirada diária de pequenas quantidades de pragas nas proximidades do ponto de equilíbrio desejado nas lavouras de grande porte é inviável. Por isso, formularemos um problema de controle de pragas através de uma função do controle que caracteriza a introdução de inimigos naturais no ecossistema controlado. O modelo que descreve a dinâmica do sistema com uma função de controle pode ser escrito da seguinte forma:
y b x U dt
dy
xa x y dt
dx
β
γ α (4.23)
A função de controle U^ consiste de duas partes e tem a seguinte forma: U = δy + u, onde a parte δ y representa a introdução de inimigos naturais para levar o
sistema ao ponto de equilíbrio desejado, e a parte u garante a estabilidade deste ponto de equilíbrio.
Aplicação dos modelos matemáticos
O ponto de equilíbrio desejado P =( x* , y* ) pode ser encontrado da primeira
equação do sistema (4.23), considerando x *^ = xd e = 0 dt
dx , ou seja:
a −^ γ x *^ − αy *= 0 , de onde resulta:
α
a γ xd y (4.24)
Geralmente, o coeficiente de competição entre as pragas γ^ é bastante pequeno, e a condição de positividade a − γxd > 0
é satisfeita. Considerando que u → 0 quando t →∞, da segunda equação do sistema (4.23) obtém-se:
− b + βxd + δy *^ = 0
de onde resulta:
δ (^) = y *
b − βxd (4.25)
Como é visto de (4.25) o coeficiente δ tem que ser positivo, pois caso contrário será
β
b xd > (^) (4.26)
onde β
b é nível de equilíbrio de pragas sem controle, então a desigualdade (4.26)
significa que o nível de equilíbrio de pragas desejado é maior que o nível de equilíbrio de pragas sem controle e o problema do controle perde o sentido. Objetivando agora encontrar u, foi formulado o seguinte problema do controle ótimo: encontrar a função de controle u que transfere o sistema (4.22) do estado inicial:
0 0
y y
x x
ao estado final
x ( ∞) = xd = x *
y (∞ ) = y *
minimizando o funcional
I = ∫ 0 [ m 1 ( x − x *)^2 + m 2 ( y − y *)^2 + u^2 ] dt
∞ (4.28)
A função u^ deve estabilizar o sistema (4.23) no ponto de equilíbrio P=( xd, y*) abaixo de danos econômicos.No funcional (4.28) m 1 e m 2 são constantes positivas. O problema acima formulado foi resolvido, utilizando a Programação Dinâmica [2]. A função do controle é
Aplicação dos modelos matemáticos
Fig.13. Variação de populações de (pragas contínua) e predadores (linha tracejada) sem controle conforme o modelo (4.22)
Fig.14. Variação de populações de pragas (linha contínua) e predadores (linha tracejada) com o controle ótimo (4.23).
5. Modelos populacionais de muitas espécies
5.1. Generalização do modelo Lotka - Volterra
A forma geral de um sistema de Lotka – Volterra para uma população de n^ espécies é seguinte [16]:
( ) 1
j
n
j
i i ij i (^) x r a x dt
dx
=
= − i=1, 2,.. ., n, (5.1)
5.2. Modelo de duas presas um predador exibindo o caos
Estudando interações entre um predador e duas presas através do modelo Lotka
- Volterra para três espécies Vance [27] encontrou as trajetórias que chamou “quase- cíclicas”. Gilpin [11] chamou este comportamento do sistema como “caos espiral”.
M. Rafikov
Nesta seção é considerado o controle ótimo deste sistema a fim de leva-lo do regime caótico a um ponto de equilíbrio estável. O modelo Lotka – Volterra (5.1) para um predador e duas presas tem a seguinte forma:
( )
3
1
j j
i i ij
i (^) x r a x dt
dx
=
= − i=1,2,3, (5.2)
onde x 1 , x 2 e x 3 são densidades da primeira presa, segunda presa e predador,
respectivamente. Conforme Vance [27] o sistema (5.1) apresenta o comportamento caótico para os seguintes valores de parâmetros: r 1 = r 2 = - r 3 = 1, a 11 = a 12 = 0.001,
a (^) 22 = 0.001, a 21 = 0.0015, a 13 = 0.01, a 23 = 0.001, a 31 = - 0.005, a 32 = - 0.0005, a 33
= 0. O diagrama de fase da Fig.15 mostra este comportamento.
Fig.15. Comportamento caótico do sistema Lotka – Volterra.
6. Conclusão
O objetivo destas notas do minicurso é facilitar o acompanhamento das aulas do curso pelos alunos. Por isso o material tem uma forma bastante sucinta. Algumas questões tais como a utilização de lagoas de aguapé para tratamento de águas residuais e o controle biológico de pragas que podem ser encontradas somente na bibliografia específica são apresentadas em forma mais detalhada. Por causa do tempo limitado neste minicurso não foram apresentados vários problemas de aplicação de modelos matemáticos no controle de populações.^ Alguns problemas do controle ótimo de sistemas populacionais podem ser procurados nas referências [4],[5],[6],[12],[23],[30].
Bibliografia
[1] Bassanezi, R.C., W.C. Ferreira. Equações Diferenciais com Aplicações.^ São Paulo: Harbra, 1988.
[2] Bellman, R. “Dynamic Programing”, Princeton, New Jersey, 1957.
