L’utilisation de modèles mathématiques pour représenter des phénomènes
ou systèmes physiques s’est imposée comme une norme en ingénierie.
En effet, les opportunités offertes par de tels modèles pour la simulation,
le contrôle, l’optimisation et l’analyse semblent inépuisables. Cette
tendance s’accompagne d’un besoin sans cesse croissant d’avoir des
modèles de plus en plus complets et précis, permettant de représenter
la réalité avec une très grande fidélité. Cela est accentué par l’évolution
des technologies informatiques qui permettent, au travers de logiciels
de calcul dédiés, de générer des modèles d’une très grande précision.
Toutefois, une telle précision s’accompagne généralement d’une
grande complexité. Dans le cas des systèmes dynamiques, cette complexité
se traduit soit par un nombre d’états très important et on parle alors
de modèles de grande dimension, soit par des modèles ayant une structure
mathématique inappropriée. Dès lors, les tâches rendues possibles
par des modèles mathématiques telles que la simulation sont largement
complexifiées, voire rendues impossibles à mener du fait de contraintes
technologiques des ordinateurs en termes de mémoire et de capacité
de calcul.
C’est dans ce contexte que l’approximation ou la réduction de
modèle intervient. Il s’agit de simplifier un modèle dynamique de
grande dimension tout en préservant, au mieux, son comportement et
ses caractéristiques principales. Cet article se focalise sur le cas
des modèles dynamiques linéaires. Les outils mathématiques utiles
pour la compréhension du problème et un panel varié de méthodes existantes
pour le traiter sont détaillés.