HAL Id: tel-02485006
https://tel.archives-ouvertes.fr/tel-02485006
Submitted on 19 Feb 2020
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
dérivées partielles non locales issues de la biologie
Cecile Taing
To cite this version:
Cecile Taing. Dynamique de concentration dans des équations aux dérivées partielles non locales
issues de la biologie. Analysis of PDEs [math.AP]. Sorbonne Université, 2018. English. �NNT :
2018SORUS077�. �tel-02485006�
Laboratoire Ja ques-Louis Lions
Thèse de do torat
Dis ipline : Mathématiques Appliquées
présentéepar
Cé ile Taing
Dynamique de on entration
dans des équations aux dérivées partielles non lo ales
issues de la biologie
sous ladire tiond'Alexander Lorzet de BenoîtPerthame
Soutenue publiquement le1
er
juin 2018 devant lejury omposé de :
M. ArnaudDu rot (Univ. Bordeaux) Rapporteur
Mme CélineGrandmont (InriaParis) Examinatri e
Mme Sylvie Méléard(É ole Polyte hnique) Examinatri e
M. BenoîtPerthame (Sorbonne Université) Dire teur deThèse
Mme MagaliRibot (Univ.Orléans) Examinatri e
M. Panagiotis E.Souganidis(Univ.Chi ago) Examinateur
Introdu tion 7
1 Dira on entration in a hemostat model 29
1.1 Introdu tion . . . 30
1.2 The weak theory: assumptionsand main results . . . 31
1.3 BV estimateson
ρ
2
ε
(t)
andS
ε
(t)
. . . 331.3.1 Bounds for
ρ
ε
. . . 331.3.2 Lo al
BV
estimates . . . 341.4 Con entration and onstrained Hamilton-Ja obi equation . . . 37
1.4.1 Lo alboundsand equi- ontinuityinspa e . . . 37
1.4.2 The equi- ontinuityin time . . . 38
1.4.3 Passingto thelimit. . . 40
1.4.4 Properties of the on entrationpoints . . . 41
1.5 The monomorphi aseindimension
d = 1
. . . 431.6 The on avityframeworkin
R
d
. . . 441.6.1 Uniform on avityof
u
ε
. . . 451.6.2
BV
estimates onρ
2
ε
, S
ε
and their limits . . . 471.6.3 The limit ofthe Hamilton-Ja obi equation . . . 48
1.6.4 The anoni alequation . . . 48
1.7 Numeri al results . . . 50
1.8 Dis ussion . . . 52
2 Population stru tured by and a phenotypi al trait 57 2.1 Introdu tion . . . 58
2.2 Assumptions . . . 60
2.3 Case without mutations . . . 61
2.3.1 The eigenproblem. . . 62
2.3.2 Con entration . . . 63
2.3.3 Properties of on entrationpoints . . . 66
2.4 Case withmutations . . . 68
2.4.1 Saturation and stationaryproblem . . . 69
2.4.2 The Hamilton-Ja obi equation . . . 70
2.4.3 Global existen eand apriori estimate . . . 71
2.4.4 The semi-relaxed limits . . . 72
2.4.5 Uniqueness result . . . 75
2.6 Con lusion. . . 79
2.7 Appendi es . . . 81
2.7.1 Saturation ofthe populationdenstity. . . 81
2.7.2 Proof of Theorem2.12 andTheorem 2.2 . . . 81
2.7.3 Proof of Proposition 2.13 . . . 82
2.7.4 Proof of Proposition 2.17 . . . 83
3 Sele tion-mutation models with sexual reprodu tion 87 3.1 Introdu tion . . . 88
3.2 Mainresults . . . 90
3.2.1 Assumptions and statements . . . 90
3.2.2 Boundedness of
ρ
ε
and non-extin tion . . . 923.3 The modelwithout mutations(3.5 ) . . . 93
3.3.1 Proof of Theorem3.1. . . 94
3.3.2 Con entration ofDira masses . . . 95
3.4
BV
estimates onthetotal population . . . 963.4.1 Linear dependen y on the ompetitionvariablein theAF model . . 96
3.4.2 Linear dependen y on the ompetitionvariablein theATH model . 98 3.4.3 Questions anddi ulties for thegeneral ase . . . 100
3.5 The Hamilton-Ja obi equation. . . 102
3.5.1 A prioribounds. . . 104
3.5.2 Regularityinspa e . . . 105
3.5.3 Regularityintime . . . 107
3.5.4 A more pre iseupperbound. . . 108
3.5.5 Dis ussion on the formallimitingequation . . . 109
3.6 Con lusion andperspe tives . . . 111
Motivations
La on entration en masse de Dira des solutions d'équations aux dérivées partielles et
intégro-diérentielles issuesde ladynamiquedes populations représentelaséle tion
natu-relletellequ'elleintervient en é ologie. L'obje tif de ettethèse estd'expliquer
mathéma-tiquement lesphénomènesdeséle tion ausein d'unepopulationprésentant unevariabilité
phénotypiqueetsujetteaux mutations.
Nousnousintéressonsà deséquations dela formesuivante
∂
t
n(t, x) = n(t, x)R(x, ρ(t)) +
Z
R
M (x, y)b(y, ρ(t))n(t, y) dy,
t ≥ 0, x ∈ R,
ρ(t) =
Z
R
n(t, x) dx.
I i,
n(t, ·)
est la distribution de la population sur un espa e de traits phénotypiques autemps
t
. Un trait phénotypique est une variation d'un ara tère visible hez un individu,par exemple la ouleur des yeux, et
x
est la variable de trait. La fon tionR
est un tauxde roissan edépendant de lavariable de trait et de la taille de la population
ρ
. Dans ledeuxièmeterme,
M
estunnoyaude mutations:ilmesurelaprobabilitéqu'unindividudetrait
y
donne naissan eà unindividu de traitx
,etb
estuntaux de naissan e.Une ara téristique importantede etteéquationestlaprésen edutermenonlo al
ρ
.Ce termedé rit les intera tions entre les diérents individus etleurs onséquen es sur la
reprodu tion.
Cette équation a pour propriété, sous des hypothèses appropriées, que sa solution se
on entre en une masse de Dira en temps long, e qui signie qu'un trait dominant est
séle tionnéetqueles individusportant etrait sont lesplusadaptés etvont sereproduire
plusqueles autres.
Nousexpliquerons danslasuite les méthodesqui permettent de démontrer e type de
résultat.Nous ommençons d'abord par quelquesbases de biologie.
Con epts de base
Nous onsidérons dans ette thèse des populations stru turées en traits phénotypiques.
Commençons par pré iser les termes "génotype" et "phénotype", inventés par Wilhelm
•
Le génome est l'ensemble du matériel génétique d'un organisme, soit les gènes,ontenu dans ha unedeses ellulessousforme d'ADN.Unallèle estune variation
d'un gène.
•
Legénotypeestl'ensembledesinformationsgénétiquesd'unindividu,soitlaompo-sitionalléliquedetoussesgènes.Ildétermineles ara tèresd'unindividu, onstituant
le phénotype, etsetransmet desparentsà leurs des endants.
•
Le phénotype est l'ensemble des ara tères observables d'un individu, provenantà la fois de l'expression du génotype de l'individu et de son intera tion ave
l'en-vironnement dans lequel il vit. On appelle trait phénotypique un sous-ensemble du
phénotyped'unindividu.Voi iquelquesexemplesdetraitsphénotypiques :lataille,
la ouleur desyeux, lamorphologie.
La théorie de la séle tion naturelle telle qu'elle a été dé rite par Charles Darwin [63 ℄
reposesurles troisprin ipessuivants :
•
Hérédité : transmission de ara téristiques individuelles d'une génération à uneautre. Dans le asd'unepopulationasexuée, l'ensembledesinformations génétiques
du parent est opiéà l'identiqueettransmisauxdes endants. Dansle asd'une
po-pulationsexuée,lepatrimoinegénétiquedesparentsn'estpasreproduitàl'identique.
Un enfant n'apaslesmêmes ombinaisonsd'allèlesquesonpèreousamère maisun
mélange desdeux.
•
Variation : Lesindividusd'unepopulationdonnéedoivent présenterdesvariationsphénotypiques. La variabilité phénotypique d'une population résulte généralement
de sadiversitégénétiqueetdesinuen esenvironnementales. Lesmutationspeuvent
également réer desvariations phénotypiques.Une mutationestune modi ationde
laséquen e d'ADN d'ungène.Les mutationssont rares en général.
•
Adaptation : Lorsque ertains individus portent des variations phénotypiques quileur permettent de se reproduire davantage que les autres dans un milieu pré is,
ils béné ient d'unavantage séle tif. Ces individusavantagés sont mieux adaptés à
l'environnement etont ainside plusgrandes han esdesurvivre etde sereproduire.
Cestroisprin ipes onduisent aupro essusde séle tion naturelle, 'est-à-dire
l'augmenta-tiondelafréquen edesindividusportantlestraitsquifavorisentlasurvieetlareprodu tion
dansun environnement donné,etla diminution dela fréquen edesindividus portant des
traitsdésavantageux jusqu'àune éventuelledisparition.
À partir des prin ipes de base de la théorie de la séle tion naturelle, nous essayons
d'illustrerles phénomènesde séle tion.Ces prin ipesont étédé rits endivers termes
ma-thématiques:
•
lathéoriedesjeuxqui s'intéresseauxinvasionssu essivesetquialaissélatermino-logie de "stratégie" [85,103 ℄,
•
une théorie de stabilité dans des systèmes diérentiels qui est onsidérée omme laFigure 0.1 : Les pinsons de Darwin, vus par le naturaliste dans les îles Galapagos,
ont parti ipé à saréexion surlathéoriede laséle tion naturelle. Unlien est notamment
établientrelerégimealimentairede haqueespè eetleurs ara téristiquesmorphologiques,
notamment laforme dube .
•
une théorie probabiliste qui s'intéresse à des modèles individus entrés et analysedes limites en grandes populations ave des hangements d'é helle [47,48,50℄et des
limites en temps long[54℄,
•
unethéoriededynamiquedespopulationsquiutilisedesmodèlesd'équationsintégro-diérentiellesetauxdérivées partielles [64,131 ℄.
Nous onsidérons edernierformalismepourétudierdesmodèlesdepopulationsstru turées
entraitsphénotypiques.Enparti uliernous her honsàmontrerqu'asymptotiquement,en
tempslong etàlalimite desmutations rares,seul unnombrenide traitsphénotypiques
peut subsister, e que l'on traduit par la onvergen e de ladistribution de la population
versunesommede massesdeDira . Commelestraits dominants évoluent entemps, nous
nous intéressons au devenir de es traits. Une population monomorphique, 'est-à-dire
on entrée autour d'un seul trait dominant, peutpersister ou s'éteindre. Une population
initialementmonomorphiquepeutsediviserendeuxouplusieurssous-populationsdetypes
dominants diérents, e phénomène a reçulenom debran hement évolutif [109℄.À la
suited'unbran hementévolutifàdeuxbran hes,ilpeutyavoir oévolution, 'est-à-direque
lesdeux traitsdominantsrésultat du bran hement oexistent, oubien extin tionde l'une
desbran hesetlapopulationdevient ànouveaumonomorphique.Lebran hementévolutif
aété proposé ommeun mé anismepouvant être àl'origine de laspé iation sympatrique
(sans séparation géographique) mais le lien entre bran hement et spé iation reste en ore
dis uté.
Nousne her honspasà dé rire lathéoriede l'évolution danssonensemblemaisà en
expliquerquelquesidéessimples.Dans ettethèse,nousnous on entrons surlathéoriede
laséle tion naturelle et nousintéressons au monomorphisme; le bran hement évolutif ne
partirdelaquelle ont étédéveloppéesles théories probabilistes etdéterministesévoquées.
Théorie de la dynamique adaptative
Lathéoriedela dynamique adaptative estl'étudedeladynamiqueen tempslongdetraits
phénotypiques en présen e de mutations rares. Cette théorie s'intéresse uniquement aux
populations asexuées et aux intera tions entre évolution et é ologie, par onséquent la
génétique n'est pasprise en ompte. Nous ne dé rivonsi i que ertains on epts de ette
théoriequisont importants pour lasuite de e mémoire.
L'idée prin ipale de la théorie de la dynamique adaptative est de mesurer dans un
environnement donné la apa ité d'invasion d'un mutant dans une population résidente.
Pour ela, on utilise latness ouvaleur séle tive [110 ℄.On appelle tness d'untrait
y
auseind'unepopulationdetraitrésident
x
ladiéren edutauxdenatalité etdutauxdemortalitédu trait
y
,lorsquelapopulationestmajoritairementdu traitx
.Historiquement,etteidée a étéinitialement développée dansun ontexte de théoriedesjeux où lestraits
sontdesstratégies. Cettedénitiondetness permetde onstruiredansl'espa edestraits
un paysage de valeursséle tives en fon tion des traits des mutants, eux des résidents et
desintera tions é ologiquesde lapopulation.
Unehypothèsefondamentalede ettethéorieestlaséparationdesé hellesdetemps
entre mutations et intera tions é ologiques : les mutations sont observées surune é helle
de temps plus longue que l'é helle de temps de la onvergen e de la population vers son
état stationnaire attra teur. Nous parlerons dans la suite d'é helles de temps évolutives
eté ologiques. Sur le plan biologique, l'étude des dynamiques adaptativesse fait sous les
hypothèsesdegrandespopulationsetdemutationsrares.Ceshypothèsespermettent
d'étu-dier de manière dynamique les invasions su essives de mutants etles états stationnaires
su essifsdela population.
L'identi ation desétats stationnaires possibles, ou stratégies singulières,né essite
l'étudedugradient delatness etune lassi ationdesdiérentesstratégiesaétéétablie.
Onretiendra notamment la terminologie d'ESS pour "Evolutionary Stable Strategy" qui
dé ritlesstratégiessingulièresnonenvahissables.Enparti ulier,un ritèredebran hement
évolutif estspé ié à travers lesdérivées delafon tion de tness en lespointsde l'espa e
destraitsoù lebran hement évolutif estsus eptible dese produire.
Unautreoutildelathéoriedeladynamiqueadaptativeestl'équation anonique[66 ℄.
Il s'agitd'une équation diérentielle dé rivant ladynamique dutrait dominant d'une
po-pulationmonomorphique. Cetteéquationdiérentielle omporteuntermedé rivantl'eet
desmutationsetun termedegradient de tness dé rivant laséle tion.
La théorie de ladynamique adaptative propose des méthodes simples pour dé rire la
dynamique d'un trait dominant dans une population et qui peuvent être utilisées dans
beau oupdesituationsé ologiques,parexemplepourtraiterlesintera tions ompétitives,
proie-prédateurs, htes-parasites, et . Mais ette théorie omporte aussi des limites. Elle
donnenotammentles onditionspourobserverlebran hementévolutifmaiselleneledé rit
pasdemanière dynamique.
Appro he WKB
Leformalismedeséquationsdeséle tion etmutationssousformed'équationsauxdérivées
théoriedeladynamiqueadaptativequi onsidéraitdessystèmesdiérentiels.Ceséquations
dénies sur des espa es de traits ontinus ont été introduites pour la première fois par
Kimura[90 ℄pourexpliquerlemaintiendelavariabilitégénétiqueauseind'unepopulation.
Lanotiond'ESDpour"EvolutionaryStable Distribution"aétédénie dans[88 ℄,donnant
ainsi une extension de la notion d'ESS aux modèles stru turés en traits ontinus. Les
auteursmontrentla onvergen ededistributionsdepopulationssouslaforme
P
ρ
i
δ
x
i
versdesESD par desétudes destabilité, enutilisant desméthodesd'entropie. Notonsqu'ilest
possiblede trouverdesESD quine sontpasdesdistributions demassesde Dira [4,5 ,36 ℄.
Lesmodèlesma ros opiquesétudiésontétéobtenusrigoureusementàpartirdemodèles
sto hastiquesindividus- entrésdanslalimitedegrandespopulations[46,48 50,105 ℄.L'idée
estde partird'un modèle mi ros opiquequi détaille ladynamique de haqueindividu et,
après hangement d'é helles, à la limite de grandes populations, on obtient une limite
ma ros opique sousforme d'équationsintégro-diérentielles.
Un point de vue asymptotique a été introduit pour la première fois par Diekmann,
Jabin, Mis hler et Perthame dans [68 ℄. Il est basé sur les équations de Hamilton-Ja obi
sous ontraintes.L'idéeprin ipaleestdepartird'unmodèle ontinuetd'introduireunpetit
paramètre
ε
andefaireun hangementd'é helledetemps etde onsidérer desmutationsrares ou petites. Ce hangement d'é helle en temps nous permet de nous pla er sur une
é helle de temps évolutive, où l'équilibre é ologique est atteint et où l'on observe l'eet
desmutations. Enpro édantàl'étudedu omportement asymptotiquelorsque
ε
tendvers0
,on s'attendà la onvergen e de ladensité de population vers une sommede masses deDira , 'est-à-dire une ombinaison de traits dominants qui évoluent dans le temps. Une
étapeimportante dansladérivation de eslimites onsisteà ontrlerlapopulationtotale
and'endéduire une ontrainte surlasolution de l'équationde Hamilton-Ja obi.
Un premiermodèle général étudié estlesuivant
ε∂
t
n
ε
(t, x) = n
ε
R(x, I
ε
(t)) + ε
2
∆n
ε
(t, x),
x ∈ R
d
, t ≥ 0,
I
ε
(t) :=
Z
R
d
ψ(x)n
ε
(t, x) dx,
(0.1)où
x
est la variable de trait,t
le temps etn
ε
la densité de population. La fon tionR
est le taux de roissan e de la population, soit la fon tion de tness dans le langage de
la dynamique adaptative. Elle dépend du trait et du terme non lo al
I
ε
qui peut êtreinterprété omme un terme de ompétition ou une quantité de ressour es. L'appro he
Hamilton-Ja obi repose surle hangement de fon tion in onnue suivant, que l'on appelle
aussiansatzWKB,
n
ε
(t, x) = e
uε(t,x)
ε
,
ommedanslaméthode KPPou l'étudedesfronts depropagation [12,76 ,78,81,104 ℄.
Deux adresontétédéveloppéspourprouverla onvergen edelasuite
u
ε
etlaon en-trationde ladistribution
n
ε
.•
Un adrederégularitéet on avitéfortes:onsupposequelafon tiondetnesset ladonnéeinitiale
u
0
ε
sont on aves.Ce adrepermetdedé rireladynamiquedemassesde Dira et d'obtenir rigoureusement un équivalent de l'équation anonique pour
ladynamiqueadaptative.L'équation anoniqueest uneéquation diérentielle surla
positiondelamassedeDira .C'estun adrequipermetdedé rireun omportement
•
Un adre de régularité faible : les hypothèses autorisent une régularité faible de lafon tion de tness et desdonnéesinitiales. Onmontre dans e adre la onvergen e
de
u
ε
vers une fon tionu
solution de vis osité de l'équation limite. La onvergen ede la distribution de la population vers une masse de Dira est prouvée sous des
hypothèsesparti ulièressurlafon tion detnesset lorsquel'espa edestraitsestde
dimension
1
.Lorsque
ε
tendvers0
, on montre dans[16,96 ℄ que dans es deux adres d'hypothèsesu
ε
onverge versu
solution au sens de la vis osité de l'équation de Hamilton-Ja obi sousontrainte
∂
t
u(t, x) = R(x, ¯
I(t)) + |∇u|
2
,
max
x∈R
d
u(t, x) = 0,
∀t > 0,
où
I
¯
est la limite deI
ε
quandε
tend vers0
. La théorie des solutions de vis osité estun adrenaturel pour déterminer le omportement asymptotique de solutions de e type
d'équation,voir [7,9,77 ℄.
Le ontrle delapopulationtotale permetd'obtenirla ontrainte, et
I
¯
enest lemulti-pli ateurde Lagrangeasso ié.Onen déduitainsiquelesupportde
n
ε
lorsqueε
tendvers0
est in lusdansl'ensembledespointsde maximumdeu
,soitsupp
n ⊂ {(t, x)|R(x, ¯
I (t)) = 0}.
Onen déduit la on entration en massede Dira lorsque le supportde
n
est dis ret dansl'espa e de traits. Lorsque e trait est unique, alors la population est monomorphique et
ondénitletraitleplusadapté
x(t)
¯
pourtouttempst
.Ave deshypothèsesde régularitéforte,onpeutobtenir rigoureusement l'équivalentdel'équation anoniquede lathéoriede
ladynamiqueadaptative
˙¯x(t) = −D
2
u(t, ¯
x(t))
−1
.∇
x
R(¯
x(t), ¯
I(t)),
x(0) = ¯
¯
x
0
.
Cetteéquation ontientdeuxéléments ara téristiquesdelathéoriedeladynamique
adap-tative : la hessienne de
u
qui mesure la diversité lo ale autour du trait dominant, et legradient de latness
R
évaluéenx(t)
¯
,qui indique lo alement le sens danslequel le traitdominant
x
¯
évolue. Cette équationdonne l'évolution entemps du trait dominant.L'uni ité de la solution
(u, ¯
I)
est une question ouverte en général. Elle a été prouvéedans ertains asparti uliers, àsavoirle adre dela on avité, dansle adrederégularité
faiblelorsque
R
a uneforme parti ulière etpour un modèlestru turé en espa e.Le but de notre travail est d'étendre la méthode dé rite à des problèmes prenant en
ompted'autresparamètres biologiquesetenvironnementaux.Ladoublestru tureentrait
eten espa e a étéétudiée dansdiverstravaux pour omprendrel'in iden e de
l'hétérogé-néité spatiale surladynamique adaptative d'une population. En parti ulier, dans [2326 ,
143℄lesauteurs dé rivent desfrontsd'invasion pour despopulationsprésentant des
mobi-litésvariablesquisont onsidérées ommedestraits. Diversmodèles stru turésentrait et
espa e ont été abordés dans d'autres ontextes, par exemple [6,18 ,79 ,89 ,92℄. L'étude de
frontsd'invasionaaussiétéréaliséepourdespopulationssexuées[121 ,132℄.Dans[115 ,116 ℄,
diérentshabitats, mettant plutt l'a ent surl'étudede laséle tion de traitsdominants.
Des modèles de populations stru turées en trait pouvant onsommer diérents types de
nutriments ont aussiété abordés,par exemple dans[51 53,119℄.
Cettethèseest omposéedetrois hapitres:dansle hapitre 1nousnousintéressonsà
unmodèledepopulationasexuéeévoluantdansun hémostat.Le hémostatestunsystème
expérimental fermé dans lequel des individus interagissent à travers la onsommation de
ressour eslimitées.Dansle hapitre 2,nousétudionsladynamiquede on entrationd'une
population dont le taux de roissan e dépend à la fois d'une variable de trait et d'une
variablenonhéréditairemaisévoluant au oursdelavied'unindividu, ommel'âge.Dans
ledernier hapitre,nousétudionsune sériede modèlesde populationsexuéeayant omme
propriétéune asymétrie d'hérédité destraitsentremâles etfemelles.
Dynamique de on entration dans un modèle de hémostat
Dans le hapitre 1, nous étudions un modèle de hémostat initialement abordé dans [97 ℄
dansle assansmutation.Le hémostatestun bioréa teurdanslequelonobserve
l'évolu-tion d'une population de mi ro-organismes alors qu'un substrat yest versé ontinûment.
An quele volume du milieu de ulture reste onstant, l'ex ès ontenant à lafois des
in-dividusetdusubstratestéva uépar untrop-plein.Ainsi, le hémostat permetd'observer
lesphénomènesde séle tion ave un ontrle surlaquantité de ressour esdisponibles.Ce
dispositifest onsidéré parles biologistes ommeune bonne représentation delaréalité et
denombreux modèles mathématiques ont étéétudiés pour en dé rirelemé anisme.
Dansle asdu hémostat,la ompétitionentreorganismesportant destraitsdiérents
est indire te, elle se fait à travers la onsommation d'une même ressour e limitée. En
termes mathématiques, la ompétition indire te peut être représentée par un noyau de
onsommationderessour es.Desmodèlesde ompétition dire teentreindividusont aussi
étéétudiés,par exemple dans[59 ,120℄.
Nous onsidérons le modèle suivant, qui est en fait une extension du modèle
las-sique(0.1) au hémostat
ε∂
t
n
ε
(t, x) = n
ε
R(x, S
ε
(t)) + ε
2
∆n
ε
(t, x),
x ∈ R
d
, t ≥ 0,
εβ
d
dt
S
ε
(t) = Q(S
ε
(t), ρ
ε
(t)),
ρ
ε
(t) :=
Z
R
d
n
ε
(t, x)dx,
(0.2)où
n
ε
est la distribution de la population par rapport à la variable de traitx
,S
ε
est laquantité de nutriments et
ρ
ε
la densité de population totale. Le terme lapla ienrepré-sente les mutations. I i la ompétition indire te pour les ressour es est illustrée par la
deuxièmeéquationde (0.2 ).Laquantitéde nutriments évolueave lapression exer éepar
lapopulation, représentée par
ρ
ε
,etinuesurlafon tion de roissan eR
.Le paramètre
β
est utilisé i i pour mesurer la rapidité de réa tion à la ompétition.À la limite
β → 0
, nous obtenons, à partir de la deuxième équation de (0.2 ), l'égalitéQ(S, ρ) = 0
et, sous des hypothèses appropriées, nous déduisons, par le théorème desfon tions impli ites, l'existen e d'une fon tion
f
vériantS = f (ρ)
, e qui permet de seLe paramètre
ε
permet de faire un hangement d'é helle de temps et de onsidérerlesmutations rares. Le but de ette étudeest de retrouver les résultats de on entrations
énon éspourlemodèle lassique.Nousétudionslalimiteasymptotiquelorsque
ε
tendvers0pourmontrer la on entrationdeladensitédepopulationdanslesdeux adresquenous
avonsdé ritetensuivantlesidéesdesméthodesdéveloppéesdans[14,96 ,128 ℄.Parailleurs,
nous montrons également des estimations uniformes en
β
à la n de ette étude, e quipermetde passeràlalimite rigoureusement etde retrouver lemodèle lassique (0.1 ).
An d'atteindre es obje tifs, nous utilisonsles hypothèses suivantes sur
R
etQ
, quel'onsupposelips hitziennes, soit
Q(0, ρ) > 0,
max
ρ≥0
Q(S
0
, ρ) = 0,
(0.3)
Q
S
(S, ρ) ≤ −K
Q
,
Q
ρ
(S, ρ) ≤ −K
Q
,
(0.4)0 < K
1
≤ R
S
(x, S) ≤ K
1
.
(0.5)L'hypothèse(0.3 )illustreleslimitesphysiquesdu hémostat:laquantitédenutrimentsest
limitée et
S
0
est la valeur de saturation. L'interprétation de l'hypothèse (0.4) est qu'unepopulation plus grande ou une hausse des ressour es impliquent un ralentissement du
renouvellement desressour es disponibles.
Une première onséquen e est le ontrle des quantités
ρ
ε
etS
ε
et en parti ulier unrésultatde non extin tion.
Proposition 0.1. Sous les hypothèses (0.3)(0.5 ), il existe des bornes
ρ
m
,ρ
M
etS
m
> 0
telles que
0 < ρ
m
≤ ρ
ε
(t) ≤ ρ
M
,
S
m
≤ S
ε
(t) ≤ S
0
,
où
S
m
est dénie à travers l'égalitéQ(ρ
M
, S
m
) = 0
.Cadre faible
On omplèteles hypothèsespré édentes ave les onditions sur ladonnéeinitiale
u
0
ε
u
0
ε
(x) ≤ A − K
2
p
1 + |x|
2
,
||∇u
0
ε
|| ≤ B,
∀x ∈ R
d
,
etune ondition derégularité "faible"
sup
0≤S≤S
0
kR(·, S)k
W
2,∞
(R
d
)
≤ K
2
,
où
A, B
, etK
2
ne dépendent pas deε
. Pour déduire estimationsBV
surρ
ε
etS
ε
,on abesoin del'hypothèse suivantesur leparamètre
β
,soitmin
0 ≤ ρ ≤ ρ
M
,
S
m
≤ S ≤ S
0
|Q
S
|
|Q
ρ
|
≥ 4β
max
0 ≤ ρ ≤ ρ
M
,
S
m
≤ S ≤ S
0
K
1
ρ
M
|Q
S
|
.
(0.6)Theorème 0.2. Sous les hypothèses (0.3 )(0.6 ),
ρ
ε
etS
ε
sont uniformément bornés enε
dansBV
loc
(0, ∞)
. Par onséquent, il existe des fon tions limitesρ
¯
et¯
S
telles que, àextra tionde sous-suites près, on a les onvergen es
ρ
ε
(t) −−−→
ε→0
ρ(t),
¯
S
ε
(t) −−−→
ε→0
¯
S(t),
p.p.t > 0,
eten parti ulier l'égalité
Q(¯
ρ(t), ¯
S(t)) = 0
est valable pourpresque toutt
.Ave e résultat, onobtient ensuitela onvergen e de
u
ε
.Theorème 0.3. Sous les hypothèses (0.3 )(0.6 ), il existe une sous-suite de
(u
ε
)
ε
quionverge lo alement uniformément vers une fon tion limite
u
lips hitzienne. Cettefon -tion
u
est solutionausensdela vis ositédel'équation deHamilton-Ja obisous ontrainte(
∂
t
u(t, x) = R(x, ¯
S(t)) + |∇u|
2
,
max
x∈R
d
u(t, x) = 0,
∀t > 0.
(0.7)
Ce résultat est obtenu grâ e à des estimations Lips hitz sur
u
ε
, on utilise ensuite lastabilitédessolutions de vis osité.
Cadre de on avité stri te
Onutilise leshypothèsesde on avitésuivantessurlafon tion de tness
− K
2
|x|
2
≤ R(x, S) ≤ K
0
− K
2
|x|
2
,
−2K
2
≤ D
2
R(x, S) ≤ −2K
2
.
(0.8)Demême,on supposeégalement de la on avité surladonnéesinitiale
− L
0
− L
1
|x|
2
≤ u
0
ε
≤ L
0
− L
1
|x|
2
,
−2L
1
≤ D
2
u
0
ε
≤ −2L
1
.
(0.9)Sous es hypothèses de on avité, on retrouve les résultats établis dans le théorème 0.2
surles estimations
BV
deρ
ε
etS
ε
.Ces hypothèses de on avité permettent d'obtenir lerésultatsuivant.
Theorème 0.4. Sous les hypothèses (0.8) (0.9) , à extra tion de sous-suite près, la suite
(n
ε
)
onverge faiblement enmesure vers une masse deDiran
ε
(t, x) −−−⇀
ε→0
ρ(t)δ(x − ¯x(t)).
¯
En outre, on obtient l'égalité
R(¯
x(t), ¯
S(t)) = 0
presque partout.L'idée essentiellede e théorèmeestquela on avitéde
R(·, S)
etdeladonnéeinitialeentraîne la on avité de
u
, solution de (0.7 ). De plus, la on avité deu
implique qu'ilexiste un unique point
x(t)
¯
vériant la ontrainte suru
.Ainsi, le supportden
, limiteden
ε
lorsqueε
tendvers0,est onstituéd'unpoint isolé,on endéduit la on entrationden
aupoint
(t, ¯
x(t))
pourpreque tout tempst ∈ (0, ∞)
.Sionsupposeplusderégularitésurladonnéeinitiale
u
0
ε
,onpeutétablirrigoureusementuneformed'équation anoniquesurladynamiquedutraitdominant.Onutilisel'hypothèse
suivante:
D
3
R(·, S) ∈ L
∞
(R
d
),
kD
3
u
0
ε
k
L
∞
(R
d
)
≤ C,
(0.10)Theorème0.5. Sousleshypothèses (0.8)(0.10 ) ,
x
¯
appartientàW
1,∞
(R
+
, R
d
)
etsatisfait l'équation˙¯x(t) = −D
2
u(t, ¯
x(t))
−1
.∇
x
R(¯
x(t), ¯
S(t)),
x(0) = ¯
¯
x
0
.
Deplus,S(t) ∈ W
¯
1,∞
(R
+
, R
d
)
eton endéduit que
S(t)
¯
est une fon tion dé roissante etS(t) −−−→
t→∞
S
m
,
x(t) −−−→
¯
t→∞
0.
L'uni ité estsouventune question ouverte,saufdans ertains asparti uliers.Dans le
as on ave, l'uni itéa étéprouvéepourl'équation(0.1 ).Ontrouveégalement unrésultat
d'uni itédansunmodèlestru turéenespa eeten traitdans[117℄quipermetdesepasser
desestimations
BV
.Pour terminer,lagure0.2montrele omportementdeladensité
n
ε
pour deuxvaleursde
ε
,ave une donnéeinitiale dépendant aussideε
,soitn
0
ε
= C
mass
exp(−(x − 0.8)
2
/ε)
.
Figure0.2: Dynamiquedeladensité
n
ε
pourβ = 2 ·10
3
et(a)
ε = 10
−3
,(b)ε = 5 ·10
−4
.Dynamique de on entration dans un modèle stru turé en âge
et en trait
Dans le hapitre 2,nous étudionsun modèle de population stru turée en trait eten âge.
Nousnousréféronsàl'âge,maisleshypothèsessontassezgénéralespourpouvoir onsidérer
d'autresvariables biologiques :lataille par exemple.Néanmoins ette variable biologique
n'est pasune ara téristique héréditaireet doitavoir ommepropriété d'évoluerau ours
delavie d'unindividu.Divers modèles stru turésen âge ont ététraités [37,38,60 ,74℄.
Le but de etteétude estde déterminerl'évolution d'unepopulationlorsque ses
para-mètresdémographiquesdépendent àlafoisd'unevariabled'âgeetd'unevariabledetrait.
En parti ulier, nous her hons à identier les traitsdominants d'une tellepopulation. La
questiondu ouplagedesstru turesd'âgeetdetraitestnaturelle, ar ertainsgènes
onfé-rant unavantageséle tifàunjeuneâgepeuvents'avérermoinsavantageux,voiredélétères
àdesâgesplusavan és.Ils'agitdon dedéterminerlestraitsquiorentlemeilleur
ompro-misséle tif lorsque leurs eetsévoluent en fon tion del'âge. Diversmodèles stru turésen
traitsetenâge ont étéabordés dansdiérents ontextes [34,69 ,70 ,100 ,133 ℄, ainsiquedes
extensionsà ladivision ellulaire [111 ℄ et aux stadesproliférantset quies entsde ellules
tumorales [83℄. On retrouve le même type d'équations par passage à lalimite en grandes
Dans etarti le,nousproposonsunealternativeàlaméthodeWKBquiaétéexpliquée
dansle hapitre pré édent.Onpartd'uneéquationderenouvellement àlaquelleon ajoute
lastru turede traitetletermede ompétition
ε∂
t
m
ε
(t, x, y) + ∂
x
[A(x, y)m
ε
(t, x, y)] + (ρ
ε
(t) + d(x, y)) m
ε
(t, x, y) = 0,
A(x = 0, y)m
ε
(t, x = 0, y) =
1
ε
n
Z
R
+
Z
R
n
M (
y
′
− y
ε
)b(x
′
, y
′
)m
ε
(t, x
′
, y
′
)dx
′
dy
′
,
ρ
ε
(t) =
Z
R
+
Z
R
n
m
ε
(t, x, y)dxdy,
m
ε
(t = 0, x, y) = m
0
ε
(x, y) > 0.
Pré isons les notations :
x
est la variable d'âge ety
la variable de trait, on notem
ε
ladistributiondelapopulation.Lafon tion
A
désigne lavitessedevieillissement,lafon tionb
letauxdenaissan eetlafon tiond
letauxdemortalité.I iρ
ε
estletermede ompétition.Onsupposequel'eetdesmutationsestobservéàlanaissan e,l'apparitiondesmutations
estmesuréepar lenoyau
M
surladistan eentreletraitduparent et elui dudes endant.Le paramètre
ε
estintroduitd'une partpour onsidérerdespetitesmutations, d'autrepart pour ee tuer un hangement d'é helle de temps
t 7→
t
ε
an de se pla er sur uneé helle de temps évolutive etobserverles mutations.
L'étudede emodèleestdiviséeendeux as:lepremier assansmutation,ledeuxième
ave mutations.
Cas sans mutation
Nous ommençons par le assans mutation, 'est-à-dire lorsque
M (z) = δ
0
(z)
,on obtientainsilemodèlesimplié
ε∂
t
m
ε
(t, x, y) + ∂
x
[A(x, y)m
ε
(t, x, y)] + (ρ
ε
(t) + d(x, y)) m
ε
(t, x, y) = 0,
A(x = 0, y)m
ε
(t, x = 0, y) =
Z
R
+
b(x
′
, y)m
ε
(t, x
′
, y)dx
′
,
ρ
ε
(t) =
Z
R
n
Z
R
+
m
ε
(t, x, y)dxdy,
m
ε
(t = 0, x, y) = m
0
ε
(x, y) > 0.
(0.11)Ils'agitenfaitd'uneéquationderenouvellementave unparamètre
y
.Ilestdéjàbien onnuquel'étudeentemps longdessolutions d'équationsderenouvellement reposesurl'analyse
du problème spe tral asso ié à l'équation stationnaire [72,73 ,127 ℄. Plus pré isément, on
prouveenpratiquel'existen ed'élémentspropresprin ipaux,
λ
lavaleurpropreprin ipaleet
P (x)
leve teur propre asso ié(unique par normalisation) et on her he à prouver queles solutions sont de la forme
P (x) exp(λt)
, soit d'un prol stationnaire en âge multipliépar une roissan e exponentielle, par une méthode d'entropie [112,113 ℄. En suivant ette
appro he, notre idée est d'ee tuer une fa torisation de la densitéde populationen deux
prols,l'unenâgeetl'autreentrait. Nousé rivonsladensitédepopulationsouslaforme
m
ε
(t, x, y) = p
ε
(t, x, y)e
uε(t,y)
Les prin ipaux résultats de l'analyse du modèle sans mutations sont la onvergen e du
prolenâge
p
ε
etdeu
ε
.Lalimite estdonnéepar lasolutionduproblèmespe tralsuivant
∂
x
[A(x, y)Q(x, y)] + d(x, y)Q(x, y) = Λ(y)Q(x, y),
A(x = 0, y)Q(x = 0, y) =
Z
R
+
b(x
′
, y)Q(x
′
, y)dx
′
,
Q(x, y) > 0,
Z
R
+
b(x
′
, y)Q(x
′
, y)dx
′
= 1,
(0.13)où
Λ(y)
est la valeur propre prin ipale etQ(x, y)
le ve teur propre asso ié. L'existen eet l'uni ité de es éléments propres sont obtenus par un al ul dire t. En eet, dans le
as sans mutation, la variable
y
est un paramètre, ainsi le problème aux valeurs propresdevient uneéquation diérentielle en lavariable
x
.Onobtient une formule expli itepourQ
en fon tion deΛ
,etla ondition de normalisation donne une dénitionimpli ite deΛ
.Nousutilisonsles hypothèses suivantessur les oe ients
lim
x→+∞
d(x, y) = +∞,
(0.14)
0 < r ≤ b(x, y) − d(x, y) ≤ r,
(0.15)0 < A
0
≤ A(x, y) ≤ A
∞
.
(0.16)An de réaliser une dé omposition unique de
m
ε
, on dénit d'abordu
ε
et on utilisel'uni itéde
Λ
.Ondénitu
ε
ommelasolution de l'équationsuivante(
∂
t
u
ε
(t, y) = −Λ(y) − ρ
ε
(t),
t > 0, y ∈ R
n
,
u
ε
(0, y) = u
0
ε
,
y ∈ R
n
.
(0.17)
Ainsi,on obtient l'équation sur
p
ε
ε∂
t
p
ε
(t, x, y) + ∂
x
[A(x, y)p
ε
(t, x, y)] + d(x, y)p
ε
(t, x, y) = Λ(y)p
ε
(t, x, y),
A(x = 0, y)p
ε
(t, x = 0, y) =
Z
R
+
b(x
′
, y)p
ε
(t, x
′
, y)dx
′
.
Onaalors lerésultat suivant.
Theorème 0.6. Soit
m
ε
la solution de (0.11 ),u
ε
la solution de (0.17 ),p
ε
déni par lafa torisation (0.12 ) et
(Λ, Q)
solution de (0.13 ). Sous les hypothèses (0.14 )-(0.16 ) et enutilisant des onditions adéquates sur les données initiales, les assertions suivantes sont
vériées :
1.
ρ
ε
=
R
R
n
R
R
+
m
ε
(·, x, y)dxdy
onverge vers une fon tionlimiteρ
lorsqueε
tend vers0 dans
L
∞
(0, ∞)
faible-
⋆
.2.
p
ε
onverge vers un multiple du ve teur propre normaliséQ
pour une normeL
1
3.
u
ε
onverge lo alementuniformémentquandε
tendvers 0vers unefon tion ontinueu
solutionde l'équation
∂
t
u(t, y) = −Λ(y) − ρ(t),
t > 0, y ∈ R
n
,
sup
y∈R
n
u(t, y) = 0,
∀t > 0,
u(0, y) = u
0
(y),
y ∈ R
n
.
4. Ainsi,
m
ε
onvergefaiblementlorsqueε
tendvers0versunemesureµ
dontlesupportest in lus dans l'ensemble
{(t, y) ∈ (0, ∞) × R
n
| u(t, y) = 0}
.
5. De plus, ensupposant que
u
0
et
−Λ
sontstri tement on aves, on am
ε
(t, x, y) ⇀
ε→0
ρ(t)
Q(x, y)
kQ(·, y)k
L
1
δ
y=¯
y(t)
,
oùy(t) ∈ R
¯
n
satisfaitune équation anonique.
On déduit quela populationtotale
ρ
ε
est bornée grâ e à un prin ipe de omparaisonetenutilisant la onvergen e de
m
ε
lorsquex
tendvers+∞
.La onvergen e du prolp
ε
versleve teur propre
Q
estétablie par lethéorèmesuivant.Theorème 0.7. Soit
(Q, Φ)
solution de (0.13 ), sous les hypothèses (0.14 )(0.16 ) et enutilisant des onditions adéquates sur les données initiales, les assertions suivantes sont
vériées :
1.
γ(y)Q(x, y) ≤ p
ε
(t, x, y) ≤ γ(y)Q(x, y)
pour toust ≥ 0, x ≥ 0, y ∈ R
n
,
2. de plus, le prol
p
ε
onverge vers le ve teur propreQ
pour une normeL
1
pondérée
quand
ε
tend vers0
. Plus pré isément, pourγ
0
déni dans les onditions initiales,
on a uniformément en
(t, y)
Z
R
+
p
Q
ε
(t, x, y) − γ
0
(y)
Q(x, y)Φ(x, y)dx → 0
lquandε → 0.
Contrairement au hapitre 1 et aux as lassiques évoqués, le problème sur
u
ε
estsimple etnouspermetd'é rire une formule expli ite pour
u
ε
.En fait, toute ladi ulté aétéreportéesur
p
ε
.Lapreuvedela onvergen edep
ε
reposesurdesestimationsd'entropie.Il s'agitd'une méthode lassiquepour montrer que leprol en âge serappro he duprol
stationnaire en temps long. I i, on a besoin d'une onvergen e quand
ε
tend vers 0. Ondénitalors e qu'on appellel'entropie relative généralisée
E
ε
(t, y) :=
Z
R
+
p
ε
Q
(t, x, y) − γ
0
(y)
Q(x, y)Φ(x, y)dx.
On montre que l'entropie
E
ε
dé roît en temps pour touty
, elle est don bornée par sadonnéeinitiale. En supposant que ette donnée initiale onverge vers
0
uniformément enPar ailleurs,
p
ε
estbornéuniformément enε
, e qui permetd'en déduire la ontraintesur
u ≤ 0
.Une ondition de non extin tion imposemax u = 0
. La onvergen e deu
ε
esttrivialeà extra tionde sous-suiteprès. Par ailleurs,on aun résultat d'uni ité
Z
t
0
ρ(s)ds = sup
y∈R
n
[u
0
(y) − tΛ(y)],
∀t ≥ 0.
(0.18)Cette uni ité permet d'armer que les résultats de onvergen e s'appliquent aux suites
entières, et non plus seulement à extra tion de sous-suite près. On en déduit ainsi la
onvergen e au sens des mesures de
m
ε
vers une mesure dont le support est donné parl'ensemble des points d'annulation de
u
. Le même type de résultat d'uni ité est obtenudans[117 ℄.
En omparaisonave laméthodeWKBappliquée aumodèlede hémostat, laméthode
d'entropie relative etle résultatd'uni ité (0.18 )permettent de ontourner ladi ulté des
estimations
BV
etde démontrer a posteriori la onvergen e deu
ε
.On a formellement la on entration de la densité de population. L'étude de la
dyna-miqueévolutive estdiérentedes as lassiques ar latness est donnéei i par lavaleur
propre prin ipale
Λ
. Cette tness est don déterminée de manière impli ite, e qui rendl'étudede ladynamiquede on entrationplus di ile.
La on entration estétudiée àtravers lavaleurpropreprin ipale del'opérateur(0.13 ).
Uneéquation anoniquepeutêtreobtenue; dans e as,elle a laformesuivante:
˙¯
y(t) = −D
2
u(t, ¯
y(t))
−1
.∇Λ(¯y(t)),
y(0) = ¯
¯
y
0
.
Cas ave mutations
Le asave mutationsest plus omplexe.Nous étudionsunproblème appro hé et
démon-trons un résultat d'uni ité de la solution du problème au sens de la vis osité. L'intérêt
de e problème onsiste à trouver un résultat de stabilité alors que le hamiltonien n'est
pasdonné expli itement. Enappliquant latransformation
m
ε
= p
ε
e
u
ε
/ε
et enpassantà la
limite
ε → 0
,onobtient formellement leterme de renouvellement limiteA(x = 0, y)p(t, x = 0, y) =
Z
R
n
M (z)e
∇
y
u(t,y)·z
dz
Z
R
+
b(x
′
, y)p(t, x
′
, y) dx
′
.
Ave ladénitionη(t, y) :=
Z
R
n
M (z)e
∇
y
u(t,y)·z
dz,
l'équationlimite surle prol
p
s'é rit
∂
x
[A(x, y)p(t, x, y)] + d(x, y)p(t, x, y) = −(ρ(t) + ∂
t
u(t, y))p(t, x, y),
A(x = 0, y)p(t, x = 0, y) = η(t, y)
Z
R
+
b(x
′
, y)p(t, x
′
, y) dx
′
,
Ainsi,on en déduitleproblème spe tral
∂
x
[A(x, y)Q(x, y, η)] + d(x, y)Q(x, y, η) = Λ(y, η)Q(x, y, η),
A(x = 0, y)Q(x = 0, y, η) = η
Z
R
+
b(x
′
, y)Q(x
′
, y, η) dx
′
,
Q(x, y, η) > 0,
Z
R
+
b(x, y)Q(x, y, η) dx = 1,
où
η
est un paramètre. L'existen e etl'uni ité d'éléments propres prin ipaux sont établisparlesmêmesargumentsquedansle assansmutation.Enutilisantlamêmefa torisation
que dans le as sans mutation et en dénissant
H(y, p) = −Λ y,
R
M (z)e
∇
y
p·z
dz
, on
her he à montrer quelalimiteformelle
u
est solutionde l'équation∂
t
u(t, y) = H(y, ∇
y
u(t, y)) − ρ(t) = −Λ
y,
Z
R
n
M (z)e
∇
y
u(t,x)·z
dz
− ρ(t).
Pour ontourner ladi ulté de larégularité de
ρ
ε
,ondénitU
ε
= u
ε
+
R
t
0
ρ
ε
qui vérie∂
t
U
ε
(t, y) = −Λ
y,
Z
R
n
M (z)e
Uε (t,y+εz)−Uε(t,y)
ε
dz
.
(0.19)On her he à onstruire unesolution
U
ε
qui appro he lasolution del'équation limite. Ona besoin des hypothèses suivantes : pour tout intervalle fermé
I
, on suppose qu'il existedeux onstantes
L
0
etL
1
> 0
,dépendant deI
,tellesque∀y ∈ R
n
, ∀η ∈ I,
(
|Λ(y, η)| ≤ L
0
,
|∂
η
Λ(y, η)| ≤ L
1
.
(0.20) Onsupposeaussi|Λ(y, η)| → +∞
quandη → +∞
ouη → 0,
uniformément par rapportày ∈ R
n
.
(0.21)
Pour tout ompa t
K
p
⊂ R
n
,onsupposequ'il existe
C > 0, γ
1
∈ [0, 4), γ
2
∈ [0, 1)
tels que∀y ∈ R
n
, ∀p ∈ K
p
,
(
|∇
y
H(y, p)| ≤ C (1 + |y|
γ
1
) ,
|∇
p
H(y, p)| ≤ C (1 + |y|
γ
2
) .
(0.22)
Theorème0.8. Sousleshypothèses(0.20) (0.22 ),ilexisteuneuniquesolution
U
ε
àl'équa-tion (0.19 ) .De plus, quand
ε
tend vers 0,U
ε
onverge lo alement uniformément vers unefon tionlimite
U
quiest solution,au sensdelavis osité,del'équation deHamilton-Ja obi∂
t
U (t, y) = H(y, ∇
y
U (t, y)) = −Λ
y,
Z
R
n
M (z)e
∇
y
U (t,x)·z
dz
.
LeséquationsdeHamilton-Ja obi omportantune roissan esur-linéaireenlegradient
delasolution ontmotivé denombreuxtravaux surlarégularité dessolutions [10,41 43℄.
Nousprouvonsla onvergen e de
U
ε
vers l'uniquesolutionde l'équationlimiteausensdelavis osité.Pour ela,nousutilisonslaméthodedessemi-limitesrelaxées[8℄.Ondénit
U (t, y) = lim sup
x→y
s→t
ε→0
U
ε
(s, x),
U (t, y) = lim inf
x→y
s→t
ε→0
Par stabilité des solutions de vis osité dis ontinues,
U
etU
sont respe tivementsous-solutionetsur-solution.Leprin ipal résultatestl'uni itéfortedelasolutiondel'équation
limite.
Theorème0.9. Sous les hypothèses (0.20 )(0.22 ), on a
U = U
.Cerésultatd'uni itépermetdedéduireaposteriori la onvergen euniformede
U
ε
versU = U = U
. Le point- lé de la preuve du résultat d'uni ité est le ara tère lips hitzienau sens de la vis osité de la sur-solution
U
. La preuve de e résultat reposesur la borneuniformede
∂
t
U
ε
.La onvergen e duprol
p
ε
dans e asreste une question ouverte.Populations sexuées
Dans le hapitre 3 , nous étudions une série de modèles de populations sexuées. On
sup-pose que mâles et femelles sont identiés par la même distribution. Cette hypothèse est
valable lorsque laproportion dessexes dansla population reste onstante en touttemps,
ou lorsque la population est hermaphrodite par exemple. Cette simpli ation permet de
réduire le problème une seule équation au lieu d'un système. Nous supposons également
quel'a ouplement sefaitdemanièrealéatoireetuniforme.Lesmodèlesquenousétudions
s'é riventsous laforme générale
ε∂
t
n
ε
(t, x) =
Z
R×R
K
ε
(x, y, z)
n
ε
(t, y)
ρ
ε
(t)
n
ε
(t, z) dy dz − R(x, ρ
ε
(t))n
ε
(t, x).
(0.23)Lafon tion
K
ε
estlenoyaudereprodu tionet ontientaussilesmutations.R
estletermede saturation, omprenant un taux de mortalité dépendant de la variable de trait et le
terme de ompétition
ρ
ε
, la taille de population. On onsidérera toujours la variabley
ommeletraitde lafemelle,et
z
ommeletrait dumâle.Les prin ipales di ultés te hniques de e modèle sont liées au fa teur
1
ρ
ε
dans leterme de naissan e. Ce terme de naissan e est ainsi non linéaire et non lo al, bien que
1
-homogène. Cela vient du fait que le nombre de naissan es doit être proportionnel à ladensitéde population.Celapeutaussis'interpréter parlefaitquele hoixd'unpartenaire
sefaitde manièreuniformedans toutelapopulation.
L'étudedemodèlesdepopulationssexuéesestplus omplexequedansle asasexué.En
eet,lareprodu tion sexuéeassureunbrassagegénétiqueetdon unevariabilité
phénoty-piqueplusgrandedanslapopulation.L'obje tifde etteétudeestde omprendreleseets
delareprodu tionsexuéesurladynamiqueadaptatived'unepopulationstru turéeentrait.
Nous her honsnotamment àobtenirdespropriétésetméthodesgénéralespourtraiterdes
modèles de populations omprenant un terme de naissan e non linéaire etnon lo al ave
unaspe tquadratique.Notonsque ettestru tured'équationapparaît égalementdansdes
modèles d'é hange d'information génétique [20,21 ,99,102℄ou de protéines[84,101 ℄.
Des modèles de reprodu tion sexuée ont déjà été étudiés dans diérents ontextes.
Des études numériques de modèles individu- entrés sexués ont été faitesan de
détermi-nerles onditions né essaires au bran hement évolutif dans des populations sexuées, par
exemple[71,134 ℄.
Du tésto hastique,on trouve divers travauxsurdesmodèles depopulations
D'un point de vue populationnel, un ertain intérêt s'est porté vers le modèle
in-nitésimal [17℄. Il s'agit d'un modèle stru turé en phénotype de la forme (0.23 ) ave une
distribution destraits de la progéniture de type gaussien entré en la moyenne destraits
des parents et une varian e onstante. Dans le as où
R
est onstant, on a existen e etuni ité d'unétat stable qui est gaussien [32 ,144 ℄. Dans le as où
R
dépend dex
,lesau-teursde [28℄étudient deuxmodèles,l'un stru turéen trait etl'autre enâge etentrait, et
obtiennent l'existen ed'élémentspropres prin ipauxasso iésauxproblèmesstationnaires.
Des modèles stru turés en trait et en espa e ont également été abordés. Dans [121 ℄,
la population vit dans un environnement non homogène et le résultat prin ipal est une
estimation de la vitesse d'invasion ou d'extin tion, d'après une étude asymptotique et
une simpli ation du modèle. Dans [132 ℄, une limite ma ros opique est obtenue par une
appro he faisant appel àladistan e deWasserstein,utiliséeaussidans[135 ℄.
Ons'intéresseégalement àdeuxmodèles générauxdepopulationssexuées,maisdontles
noyauxdenaissan eprésententuneasymétrie.D'abord,unmodèled'héréditéasymétrique
ouATHpour "asymmetri traitheredity" :
ε∂
t
n
ε
(t, x) =
Z
R
K
0
(x − y)
n
ε
(t, z)
ρ
ε
(t)
dz ·
Z
R
G
ε
(y − x)n
ε
(t, y)dy − R(x, ρ
ε
(t))n
ε
(t, x),
où
K
0
estun noyau symétriqueetpositif,G
ε
ladensitégaussienne entréeetd'é arttypeε
.Onpeut onsidérer pourG
ε
desnoyaux nongaussiens s'ilsvérient une onvergen e enmesureversune massede Dira .
Ons'intéresseégalement àunmodèle omportantunefé onditéasymétrique:la
fé on-ditédépend uniquement du traitde lafemelle. Dans lasuite on utilise la terminologie de
modèleAFpour "asymmetri fe undity", eton a
K
ε
(x, y, z) = B(y)α
ε
(x, y, z)
aveZ
R
α(x, y, z)dx = 1
pour touty, z.
(0.24)Ces modèles sont motivés par la problématique des maladies transmises par des
ve -teurs,en parti ulier l'espè ede moustiques Aedes aegypti, prin ipal ve teur de ladengue,
du virus Zika, du hikungunya et de la èvre jaune, qui semble développer rapidement
desrésistan es aux inse ti ides. L'hypothèse d'asymétrie de la fé ondité sejustie par le
fait queles moustiques mâles fé ondent ttdans leur vie et sur un temps ourt, la
résis-tan eauxinse ti idesauraitdon plusd'in iden esurlafé onditédelafemelle.Cetravail
fait partie d'unprogramme sur l'analyse de modèles etleur ontrle dans le ontexte de
l'épidémiologie évolutive [22 ,139℄.
Dansun premier temps,nousétudionsle modèlesimpliésuivant,
ε∂
t
n
ε
(t, x) =
Z
R
K
0
(x − z)
n
ε
(t, z)
ρ
ε
(t)
dz − νρ
ε
(t)
n
ε
(t, x),
(0.25)quiestenfaitun asparti ulierdesmodèlesATHetAF.Dans e as,onsupposequetout
individu hérite de sontraitdire tement de lamère etque l'héréditédu pèreprésenteune
variabilité mesurée par le noyau
K
0
. Nous essayons d'étendre les méthodes développéesEstimations
BV
Onobtient desestimations
BV
surρ
ε
lorsqueR = νρ
aveν > 0
une onstante. Dans eas,
R
nedépendpasdelavariablede traitetne ontientqueleseetsde la ompétition.Pour les modèlessansmutations etATH, onsupposelenoyau
K
0
symétrique, ontinuetborné. Onobtient alors le résultatsuivant.
Theorème 0.10 (Estimation
BV
pour le modèle sans mutations). SoitT > 0
etn
ε
solutionde (0.25) ave la donnée initiale
n
0
ε
.Sous des hypothèses de non extin tion de la population,
ρ
ε
est uniformément bornédans
BV (0, T )
. Ainsi, il existe une fon tionρ
¯
et une mesuren
¯
telles que, à extra tion desous-suites près, on a les onvergen es
ρ
ε
→ ¯
ρ
inL
1
(0, T )
, et
n
ε
−
⇀ ¯
n ∈ L
∞
(0, T ; M
1
)
au
sensdes mesures lorsque
ε
tend vers 0.De plus,on a l'estimation
Z
T
0
Z
R
n
ε
K
0
∗ n
ε
ρ
ε
− νρ
ε
2
dxdt
≤ Cε.
Cettedernière estimation est reliée àla notion d'ESD[88 ℄, il s'agit d'unedistribution
satisfaisant les onditions suivantes
K
0
∗ n = νρ
2
sursupp(n),
K
0
∗ n ≤ νρ
2
surR,
où
ρ =
R
n
.Lesmasses deDira peuvent justement satisfaire etype de onditions.Onalemêmetype derésultatpourles autresmodèles ave d'autreshypothèses.Dans
le asAF, ona besoin de la onditionsuivante
∃C > 0, ∀ε > 0, ∀φ ∈ M
1
avekφk
M
1
= 1,
ZZZ
α
ε
(x, y, z)B(x)B(y)φ(y)φ(z) dx dy dz −
Z
B(y)φ(y) dy
2
≥ −Cε.
Cette onditionsigniequeles variationsde lafé onditédoivent être bornées.Pourle as
ATH,onabesoindela onditionsuivante:pourtout
φ ∈ L
1
∩W
1,∞
onaG
ε
∗φ = φ+O(ε)
,danslesens
1
εkφk
Lip
kG
ε
∗ φ − φk
L
1
estuniformément bornéenε.
Dans le as où
R
est une fon tion dépendant à la fois de la variable de trait et dela taille de la population, la dérivation d'estimations
BV
uniformes pourρ
ε
est di ile.Des onditionsrestri tivesont étédétailléesdansle hapitre 3,pourlesquelleslethéorème
pré édent est toujours valable.
Appro he Hamilton-Ja obi dans le as sexué
Une stru ture d'équation de Hamilton-Ja obi apparaît pour es modèles de populations
sexuées.Après hangement de variable parla transformationde Hopf-Cole eten posant
a
ε
(t, x) =
1
ρ
ε
(t)
Z
R
K(x, z)n
ε
(t, z)dz,
b
ε
(t, x) = R(x, ρ
ε
(t)),
onobtient, dansle as du modèleATH ave unnoyau gaussien pour l'hérédité venant de lamère
∂
t
u
ε
(t, x) = a
ε
(t, x)
Z
R
1
√
π
e
−|y|
2
e
uε(t,x−εy)−uε(t,x)
ε
dy − b
ε
(t, x),
(0.26)où
K
est unnoyau plus général queK
0
mais quireste symétrique. On her he à montrerla onvergen e de
u
ε
versu
solution del'équation limite∂
t
u(t, x) = a(t, x)e
(∂
x
u(t,x))
2
/2
− b(t, x).
(0.27)Pour lemodèle AF, onobtient à
ε
xé∂
t
u
ε
(t, x) =
Z
R
B(y)q
ε
(t, y)
Z
R
α(z, y)e
uε (t,x−εy)−uε(t,x)
ε
dzdy − b
ε
(t, x),
(0.28)où
q
ε
(t, x) =
n
ε
(t,x)
ρ
ε
(t)
età lalimite
ε
tendant vers0
,∂
t
u(t, x) =
Z
R
B(y)q(t, y)
Z
R
α(z, y)e
−∂
x
u(t,x)·z
dzdy − b(t, x).
(0.29)
Pour les deuxmodèles,on réussità obtenir desestimations Lips hitz sur
u
ε
uniformesen
ε
(voir [11 ,55 ℄ pour des résultats de régularité pour les hamiltoniens sous formeinté-grale).Cependant, lerésultat de stabilitédessolutions de vis osité estassurési les
oe- ients onvergent également.Ladérivationd'estimationspourles oe ientsdeséquations
en
u
ε
pourles asATHetAFestunequestionouverte,ladi ultévenantdeladépendan eentemps.
Pour obtenir lesestimations Lips hitz sur
u
ε
,on abesoin deshypothèsessuivantes surladonnéeinitiale.
u
0
ε
(x) ≤ −A|x| + C,
k∂
x
u
0
ε
k ≤ L
0
.
(0.30)Onparvient alors aurésultat suivant.
Theorème 0.11. Sous l'hypothèse (0.30 ), pour les deux équations (0.26 ) et (0.28 ), les
solutions orrespondantes
u
ε
sontlo alement uniformément lips hitziennesenε
.De plus,on obtient une majoration globalede
u
ε
. Plus pré isément,u
ε
(t, x) ≤ ε ln
C +
C(1 + t)
ε
,
où
C
est une onstante stri tement positive.L'idée de la preuve est la suivante : on démontre d'abord que
u
ε
est lo alementuni-formément lips hitzienne en espa e. On réussit à ontrler la borne Lips hitz en espa e
par
−u
ε
qui roît au plus linéairement vers+∞
lorquex
tend vers l'inni. Ensuite,l'es-timation de la dérivée en temps de
u
ε
dé oule du ara tère lips hitzien en espa e et deladé roissan ede
K
vers 0 enl'inni. La borne globalerésulte également de l'estimationLips hitz en espa eetdes estimations sur
ρ
ε
.Comme la population totale est bornée, on obtient la ontrainte
max
x
u = 0
en touttemps, e quipermetd'identier l'ensemble despossiblespointsde on entration,
'est-à-dire
supp
n ⊂ {(t, x) ∈ (0, ∞) × R | B(x) − b(t, x) = 0}
¯
dansle asAF,
supp
n ⊂ {(t, x) ∈ (0, ∞) × R | a(t, x) − b(t, x) = 0}
¯
dansle as ATH.
L'étapesuivanteestdon detrouverleshypothèsesappropriéespour ara tériserla
Avant de ommen er
Pour résumer, le hapitre 1évoquelesdynamiquesdesmassesde Dira danslemodèledu
hémostat. Il fait l'objet de l'arti le [98℄ en ollaboration ave Alexander Lorz et Benoît
Perthame, publié dansChineseAnnals of Mathemati s, Series B.
Le hapitre 2 est onsa réaux dynamiquesde on entrationdans lemodèle stru turé
en âge et en traits phénotypiques. Il s'agit de l'arti le [125 ℄ réalisé en ollaboration ave
SamuelNordmann etBenoîtPerthame, publiédansA ta Appli andae Mathemati ae.
Le hapitre3estdédiéauxmodèlesdeséle tion-mutation ave noyauxdereprodu tion
sexuéeet ompétition. Ce travail a étéee tué en ollaboration ave Benoît Perthame et
Dira on entrations in a hemostat
model of adaptive evolution
We onsider a non-lo al paraboli equation of Lotka-Volterra type that des ribe the
evolutionofphenotypi allystru turedpopulations. Nonlinearitiesappearinthesesystems
to model intera tions and ompetition phenomena leading to sele tion. In this paper,
the equation on the stru tured population is oupled with a dierential equation on the
nutrient on entration that hangesasthetotal population varies.
We review dierent methods aimed at showing the onvergen e of the solutions to a
moving Dira mass. Using either weak or strong regularity assumptions we study the
on entration of the solution. To this end, we state
BV
estimates in time onappropri-ate quantities and derive a onstrained Hamilton-Ja obi equation to identify where the