← 返回 资料库 › 微分方程与动力系统 › 动力系统 微分方程与动力系统
混沌理论 对初始条件极为敏感的确定性系统,产生长期不可预测的行为。
直观 为什么我们无法预测两周后的天气? 无论预测明天还是下个月,天气预报使用的是同一套物理定律——牛顿方程、热力学——但预报在大约十天后就变得毫无用处。原因不是方程错了,也不是计算机太慢:而是大气是混沌的 。巴西的一只蝴蝶扇动翅膀,让气温发生极微小的变化,原则上就可能改变几周后大西洋上是否会形成飓风。这并非神秘主义,而是一个精确的数学性质,称为对初始条件的敏感依赖,由亨利·庞加莱在19世纪90年代研究三体问题时独立发现,并由气象学家爱德华·洛伦兹在1963年将计算机打印结果从小数点后六位舍入到三位时重新发现。
逻辑斯谛映射 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r x_n(1 - x_n) x n + 1 = r x n ( 1 − x n ) r r r 2.5 2.5 2.5 3.2 3.2 3.2 2 2 2 3.8 3.8 3.8 大学 敏感依赖性与洛伦兹系统 定义: 对初始条件的敏感依赖
一个动力系统若具有对初始条件的敏感依赖,是指两条起点相距 δ 0 \delta_0 δ 0 ∣ δ n ∣ ≈ ∣ δ 0 ∣ e λ n |\delta_n| \approx |\delta_0|\,e^{\lambda n} ∣ δ n ∣ ≈ ∣ δ 0 ∣ e λn λ \lambda λ 李雅普诺夫指数 。当 λ > 0 \lambda>0 λ > 0 δ 0 \delta_0 δ 0
x ˙ = σ ( y − x ) y ˙ = x ( ρ − z ) − y z ˙ = x y − β z \begin{aligned} \dot x &= \sigma(y-x) \\ \dot y &= x(\rho - z) - y \\ \dot z &= xy - \beta z \end{aligned} x ˙ y ˙ z ˙ = σ ( y − x ) = x ( ρ − z ) − y = x y − β z 这就是洛伦兹系统 ,是对大气对流的大幅简化:x x x y y y z z z σ \sigma σ ρ \rho ρ β \beta β σ = 10 \sigma=10 σ = 10 ρ = 28 \rho=28 ρ = 28 β = 8 / 3 \beta=8/3 β = 8/3 洛伦兹吸引子 )上,但在给定时刻处于哪一侧翅膀上,基本上是无法提前预测的。
x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) 一个简单得多的系统也表现出同样的现象:逻辑斯蒂映射 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) x n ∈ [ 0 , 1 ] x_n\in[0,1] x n ∈ [ 0 , 1 ] r r r r r r r r r 周期倍增分岔 在 r ≈ 3.5699 r\approx3.5699 r ≈ 3.5699 速率 δ ≈ 4.6692 \delta\approx4.6692 δ ≈ 4.6692
随 r 增大,逻辑斯蒂映射的长期行为 参数 长期行为 r < 3 r<3 r < 3 单一稳定不动点 r = 3.2 r=3.2 r = 3.2 稳定的2周期轨道 r = 3.5 r=3.5 r = 3.5 稳定的4周期轨道 r = 3.57 r=3.57 r = 3.57 混沌的开端(周期倍增的累积) r = 4 r=4 r = 4 完全混沌;李雅普诺夫指数 ln 2 \ln 2 ln 2
大学 量化混沌:李雅普诺夫指数 λ = lim n → ∞ 1 n ∑ i = 0 n − 1 ln ∣ f ′ ( x i ) ∣ \lambda = \lim_{n\to\infty}\frac{1}{n}\sum_{i=0}^{n-1}\ln\left|f'(x_i)\right| λ = n → ∞ lim n 1 i = 0 ∑ n − 1 ln ∣ f ′ ( x i ) ∣ 李雅普诺夫指数 λ \lambda λ x 0 , x 1 , x 2 , … x_0,x_1,x_2,\dots x 0 , x 1 , x 2 , … ∣ f ′ ( x i ) ∣ |f'(x_i)| ∣ f ′ ( x i ) ∣ 平均 分离的速度,就像利率衡量平均指数增长一样。λ > 0 \lambda>0 λ > 0 λ < 0 \lambda<0 λ < 0 λ = 0 \lambda=0 λ = 0
对于逻辑斯蒂映射 f ( x ) = r x ( 1 − x ) f(x)=rx(1-x) f ( x ) = r x ( 1 − x ) x ∗ = 1 − 1 r x^* = 1-\tfrac{1}{r} x ∗ = 1 − r 1 1 < r < 3 1<r<3 1 < r < 3 r = 3 r=3 r = 3
为什么成立? 映射在不动点处的导数衡量一个微小扰动经过一步后是增长还是缩小;当其大小超过1时,该点由吸引变为排斥,而映射的二次迭代在该阈值处的斜率恰为 ( − 1 ) 2 = 1 (-1)^2=1 ( − 1 ) 2 = 1
证明 第一步(求不动点)。解 r x ( 1 − x ) = x rx(1-x)=x r x ( 1 − x ) = x x [ r ( 1 − x ) − 1 ] = 0 x[r(1-x)-1]=0 x [ r ( 1 − x ) − 1 ] = 0 x = 0 x=0 x = 0 x ∗ = 1 − 1 r x^* = 1-\tfrac{1}{r} x ∗ = 1 − r 1 r > 1 r>1 r > 1 ( 0 , 1 ) (0,1) ( 0 , 1 )
第二步(线性化)。求导得 f ′ ( x ) = r − 2 r x f'(x)=r-2rx f ′ ( x ) = r − 2 r x f ′ ( x ∗ ) = r − 2 r ( 1 − 1 r ) = r − 2 r + 2 = 2 − r f'(x^*) = r - 2r\left(1-\tfrac1r\right) = r - 2r + 2 = 2-r f ′ ( x ∗ ) = r − 2 r ( 1 − r 1 ) = r − 2 r + 2 = 2 − r f ′ ( x ∗ ) = 2 − r f'(x^*) = 2-r f ′ ( x ∗ ) = 2 − r
第三步(稳定性判据)。不动点局部稳定当且仅当 ∣ f ′ ( x ∗ ) ∣ < 1 |f'(x^*)|<1 ∣ f ′ ( x ∗ ) ∣ < 1 ∣ 2 − r ∣ < 1 |2-r|<1 ∣2 − r ∣ < 1 1 < r < 3 1<r<3 1 < r < 3 x ∗ x^* x ∗
第四步(r = 3 处的分岔)。恰好在 r = 3 r=3 r = 3 f ′ ( x ∗ ) = − 1 f'(x^*)=-1 f ′ ( x ∗ ) = − 1 r r r ∣ f ′ ( x ∗ ) ∣ > 1 |f'(x^*)|>1 ∣ f ′ ( x ∗ ) ∣ > 1 x ∗ x^* x ∗ f ∘ f f\circ f f ∘ f x ∗ x^* x ∗ r = 3 r=3 r = 3 f ′ ( x ∗ ) 2 = 1 f'(x^*)^2=1 f ′ ( x ∗ ) 2 = 1 f ∘ f f\circ f f ∘ f r r r f ∘ f f\circ f f ∘ f f f f
在 r = 4 r=4 r = 4 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) x 0 ∈ ( 0 , 1 ) x_0\in(0,1) x 0 ∈ ( 0 , 1 ) ln 2 \ln 2 ln 2
为什么成立? r = 4 处的映射乍看之下与简单的倍增映射毫无相似之处,但通过巧妙的变量替换(一个光滑共轭),它恰好变成了倍增映射,而后者在每一点的伸缩率显然都是2——变量替换引入的额外畸变,在长时间平均下会消失。
证明 第一步(共轭)。令 x = sin 2 ( π y ) x=\sin^2(\pi y) x = sin 2 ( π y ) 4 x ( 1 − x ) = 4 sin 2 ( π y ) cos 2 ( π y ) = sin 2 ( 2 π y ) 4x(1-x)=4\sin^2(\pi y)\cos^2(\pi y)=\sin^2(2\pi y) 4 x ( 1 − x ) = 4 sin 2 ( π y ) cos 2 ( π y ) = sin 2 ( 2 π y ) T ( y ) = 2 y m o d 1 T(y)=2y \bmod 1 T ( y ) = 2 y mod 1 y ′ = T ( y ) y' = T(y) y ′ = T ( y ) sin 2 ( π y ′ ) = sin 2 ( 2 π y ) \sin^2(\pi y') = \sin^2(2\pi y) sin 2 ( π y ′ ) = sin 2 ( 2 π y ) f ( h ( y ) ) = h ( T ( y ) ) f(h(y)) = h(T(y)) f ( h ( y )) = h ( T ( y )) h ( y ) = sin 2 ( π y ) h(y)=\sin^2(\pi y) h ( y ) = sin 2 ( π y )
第二步(倍增映射的李雅普诺夫指数)。倍增映射在可微之处处处满足 T ′ ( y ) = 2 T'(y)=2 T ′ ( y ) = 2 任意 轨道、对任意 n n n 1 n ∑ i = 0 n − 1 ln ∣ T ′ ( y i ) ∣ = ln 2 \tfrac1n\sum_{i=0}^{n-1}\ln|T'(y_i)| = \ln 2 n 1 ∑ i = 0 n − 1 ln ∣ T ′ ( y i ) ∣ = ln 2 ln 2 \ln 2 ln 2
第三步(通过共轭传递指数)。对 f ( h ( y ) ) = h ( T ( y ) ) f(h(y))=h(T(y)) f ( h ( y )) = h ( T ( y )) f ′ ( h ( y ) ) h ′ ( y ) = h ′ ( T ( y ) ) T ′ ( y ) f'(h(y))h'(y)=h'(T(y))T'(y) f ′ ( h ( y )) h ′ ( y ) = h ′ ( T ( y )) T ′ ( y ) x = h ( y ) x=h(y) x = h ( y ) ln ∣ f ′ ( x ) ∣ = ln ∣ h ′ ( T ( y ) ) ∣ + ln ∣ T ′ ( y ) ∣ − ln ∣ h ′ ( y ) ∣ \ln|f'(x)| = \ln|h'(T(y))| + \ln|T'(y)| - \ln|h'(y)| ln ∣ f ′ ( x ) ∣ = ln ∣ h ′ ( T ( y )) ∣ + ln ∣ T ′ ( y ) ∣ − ln ∣ h ′ ( y ) ∣ y 0 , y 1 , … , y n − 1 y_0,y_1,\dots,y_{n-1} y 0 , y 1 , … , y n − 1 n n n 1 n ∑ i = 0 n − 1 ln ∣ f ′ ( x i ) ∣ = ln 2 + 1 n [ ln ∣ h ′ ( y n ) ∣ − ln ∣ h ′ ( y 0 ) ∣ ] \tfrac1n\sum_{i=0}^{n-1}\ln|f'(x_i)| = \ln2+\tfrac1n\big[\ln|h'(y_n)|-\ln|h'(y_0)|\big] n 1 ∑ i = 0 n − 1 ln ∣ f ′ ( x i ) ∣ = ln 2 + n 1 [ ln ∣ h ′ ( y n ) ∣ − ln ∣ h ′ ( y 0 ) ∣ ]
第四步(边界项趋于零)。由于 h ′ ( y ) = π sin ( 2 π y ) h'(y)=\pi\sin(2\pi y) h ′ ( y ) = π sin ( 2 π y ) π \pi π h ′ h' h ′ ln ∣ h ′ ( y n ) ∣ − ln ∣ h ′ ( y 0 ) ∣ \ln|h'(y_n)|-\ln|h'(y_0)| ln ∣ h ′ ( y n ) ∣ − ln ∣ h ′ ( y 0 ) ∣ n → ∞ n\to\infty n → ∞ n n n 0 0 0 ln 2 \ln 2 ln 2
大学 实际应用与典型例题 混沌理论不仅仅关乎天气:它解释了为什么心律监护仪要监测混沌性颤动的发生,为什么安全的混沌通信系统会把信息混入一个混沌载波信号中,只有拥有完全相同参数的接收方才能解码,为什么繁殖率 r r r
例题: 永远振荡的种群:r = 3.2 处的2周期轨道
某渔业用逻辑斯蒂映射 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) r = 3.2 r=3.2 r = 3.2 r = 3 r=3 r = 3
解答 2周期轨道上的点满足 f ( f ( x ) ) = x f(f(x))=x f ( f ( x )) = x f ( f ( x ) ) − x f(f(x))-x f ( f ( x )) − x f ( f ( x ) ) − x f(f(x))-x f ( f ( x )) − x f ( x ) = x f(x)=x f ( x ) = x f ( f ( x ) ) = x f(f(x))=x f ( f ( x )) = x x = 0 x=0 x = 0 x ∗ = 1 − 1 / r x^*=1-1/r x ∗ = 1 − 1/ r r 2 x 2 − r ( r + 1 ) x + ( r + 1 ) = 0 r^2x^2-r(r+1)x+(r+1)=0 r 2 x 2 − r ( r + 1 ) x + ( r + 1 ) = 0
这是关于 x x x x = ( r + 1 ) ± ( r − 3 ) ( r + 1 ) 2 r x=\dfrac{(r+1)\pm\sqrt{(r-3)(r+1)}}{2r} x = 2 r ( r + 1 ) ± ( r − 3 ) ( r + 1 )
代入 r = 3.2 r=3.2 r = 3.2 r + 1 = 4.2 r+1=4.2 r + 1 = 4.2 ( r − 3 ) ( r + 1 ) = 0.2 × 4.2 = 0.84 (r-3)(r+1)=0.2\times4.2=0.84 ( r − 3 ) ( r + 1 ) = 0.2 × 4.2 = 0.84 0.84 ≈ 0.9165 \sqrt{0.84}\approx0.9165 0.84 ≈ 0.9165 2 r = 6.4 2r=6.4 2 r = 6.4 x ≈ { 0.513 , 0.799 } x\approx\{0.513,\ 0.799\} x ≈ { 0.513 , 0.799 }
因此渔业资源会稳定进入一种振荡,逐年在约 51.3 % 51.3\% 51.3% 80.0 % 80.0\% 80.0%
例题: 为什么是十天?估算天气的可预报时限
大气模型的李雅普诺夫指数估计约为每天 λ ≈ 0.9 \lambda\approx0.9 λ ≈ 0.9 δ 0 = 10 − 6 \delta_0=10^{-6} δ 0 = 1 0 − 6 n = 10 n=10 n = 10
解答 根据李雅普诺夫指数的定义,微小误差(平均而言)按 δ n ≈ δ 0 e λ n \delta_n \approx \delta_0\,e^{\lambda n} δ n ≈ δ 0 e λn
取 λ ≈ 0.9 \lambda\approx0.9 λ ≈ 0.9 n = 10 n=10 n = 10 λ n ≈ 0.9 × 10 = 9 \lambda n \approx 0.9\times10=9 λn ≈ 0.9 × 10 = 9 e 9 ≈ 8103 e^{9}\approx8103 e 9 ≈ 8103
从 δ 0 = 10 − 6 \delta_0=10^{-6} δ 0 = 1 0 − 6 δ 10 ≈ 10 − 6 × 8103 ≈ 8.1 × 10 − 3 \delta_{10}\approx10^{-6}\times8103\approx8.1\times10^{-3} δ 10 ≈ 1 0 − 6 × 8103 ≈ 8.1 × 1 0 − 3
由于实际测量与建模误差在相对量级上早已远大于 10 − 6 10^{-6} 1 0 − 6 λ \lambda λ
常见错误. "混沌"并不意味着"随机"。逻辑斯蒂映射 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) x 0 x_0 x 0 x n x_n x n 我们 永远无法以无限精度知道 x 0 x_0 x 0 λ > 0 \lambda>0 λ > 0 历史注记
1890年,亨利·庞加莱在角逐瑞典国王奥斯卡二世设立的、关于太阳系稳定性的奖项时,在研究限制性三体问题的过程中发现,方程可能产生错综复杂到实际上无法进行长期预测的轨道——这是对后来被称为混沌现象的最初数学一瞥。这一想法在很大程度上沉寂了下来,直到1963年,气象学家爱德华·洛伦兹重新运行一个12变量的天气模型时,从一份将小数点后位数从计算机内部的六位舍入到三位的中间打印结果重新出发,发现新的运行结果在模拟一个月内就与原始结果完全不同;他1963年的论文《确定性非周期流》提出了三方程洛伦兹系统与蝴蝶效应的比喻。1975年,由生物学家转行为数学家的罗伯特·梅所写的综述《具有极其复杂动力学的简单数学模型》表明,朴素的逻辑斯蒂映射就已经包含了通向混沌的完整周期倍增路径,使这一主题为广大科学界所知,并点燃了现代非线性动力学这一领域。
亨利·庞加莱
研究 研究前沿:严格的混沌与高维湍流 研究前沿 截至 2026 年
证明某个计算机模拟出的吸引子真的 是混沌的——而非一个极长但最终仍是周期性的数值假象——出人意料地困难,因为浮点舍入误差本身就是一种扰动,会被正的李雅普诺夫指数放大。洛伦兹吸引子作为一个稳健、真正混沌(奇异)吸引子的存在性,直到2002年才由沃里克·塔克严格证明,他使用区间算术来追踪流的严格包络区域,而不是单条浮点轨道——这是一个计算机辅助证明,解决了史蒂夫·斯梅尔面向21世纪问题清单中的第14个问题。这类严格的计算机辅助方法如今已成为高维乃至无穷维系统的一个活跃研究领域:支配湍流的纳维-斯托克斯方程是否具有维数有限、定义良好的混沌吸引子,在完全一般的情形下仍是开放问题;帕利斯猜想("大多数"动力系统要么是双曲的,要么只有有限多个吸引子)在特殊情形之外是否成立仍未解决;而基于机器学习的替代模型——用于预测湍流的发生并严格界定大型耦合系统(从电网到神经群体模型)中的李雅普诺夫指数——截至2026年是一个快速发展的子领域。
对于非平凡不动点为 x ∗ = 1 − 1 r x^* = 1-\tfrac{1}{r} x ∗ = 1 − r 1 f ( x ) = r x ( 1 − x ) f(x)=rx(1-x) f ( x ) = r x ( 1 − x ) r r r f ′ ( x ∗ ) f'(x^*) f ′ ( x ∗ )
2 − r 2-r 2 − r r − 2 r-2 r − 2 1 − r 1-r 1 − r r r r 两次天气预报从相差 δ 0 = 10 − 6 \delta_0=10^{-6} δ 0 = 1 0 − 6 δ n ≈ δ 0 e λ n \delta_n\approx\delta_0 e^{\lambda n} δ n ≈ δ 0 e λn λ ≈ 0.9 \lambda\approx0.9 λ ≈ 0.9 n = 10 n=10 n = 10
≈ 8 × 10 3 \approx 8\times10^{3} ≈ 8 × 1 0 3 ≈ 9 \approx 9 ≈ 9 ≈ 0.8 \approx 0.8 ≈ 0.8 ≈ 10 − 6 \approx 10^{-6} ≈ 1 0 − 6 逻辑斯蒂映射的非平凡不动点 x ∗ = 1 − 1 r x^* = 1-\tfrac{1}{r} x ∗ = 1 − r 1 r r r
r = 2 r=2 r = 2 r = 3 r=3 r = 3 r = 3.57 r=3.57 r = 3.57 r = 4 r=4 r = 4 某动力系统的李雅普诺夫指数为 λ > 0 \lambda>0 λ > 0
邻近轨道随时间收敛在一起。 邻近轨道呈指数发散——这是混沌的标志。 系统是精确周期性的。 系统已稳定在一个平衡点。