Теория динамического хаоса кратко

Обновлено: 04.07.2024

Все в мире целиком и полностью имеет свои причины и последствия. Возможно, эта мысль навела меня на осознание того, что все в мире взаимосвязано. Всему есть свои причины. Даже в случайности заложено движение к какой-то цели.

События, кажущиеся случайными, происходят в определенной последовательности.

Когда был открыт Хаос? Первый истинный экспериментатор в области Хаоса был метеоролог Эдвард Лоренс. В 1960 году он работал над проблемой предсказания погоды. У него была компьютерная установка с набором из 12 уравнений, моделирующих погоду (имеются ввиду воздушные потоки в атмосфере)[уточнение тут]. Они сами по себе не предсказывали погоду. Но как бы то ни было, компьютерная программа теоретически предсказывала, какой могла быть погода.

Однажды в 1961 году он [Эдвард Лоренс] снова захотел посмотреть особенную последовательность. Чтобы сэкономить время, он начал с середины последовательности, вместо того, чтобы сделать это сначала. Он ввел числа из распечатки и запустил программу…

Когда он вернулся часом позже, закономерность была решена по-другому. Вместо той же модели, что была прежде, была модель, отклоняющаяся в конце очень сильно, отличаясь от оригинальной (см. Рисунок 1). В конце –концов он выяснил, что произошло. Компьютер поместил в память 6 чисел после запятой. Чтобы сэкономить бумагу, он вводил только 3 числа после запятой. В оригинальном порядке было число 0.0506127, а он напечатал только 0.506.

По общепринятому мнению того времени это должно было сработать. Он должен был получить порядок очень близкий к оригинальному. Ученый мог посчитать себя счастливцем, получив измерения с точностью до 3 чисел после запятой. Конечно, измерить 4-ю и 5-ю цифру, используя рациональные методы, было невозможно, и это не могло повлиять на результат эксперимента. Лоренс посчитал идею неверной. Этот эффект известен как Эффект Бабочки. Разница в начальных точках двух кривых настолько мала, что сравнима с порханием крыльев бабочки [в реальной жизни].

Этот феномен, в общем называемый Теорией Хаоса, также известен как чувствительная зависимость от начальных условий. Всего лишь маленькое изменение в начальных условиях может кардинально изменить поведение системы, рассматриваемой длительный период времени. Такая маленькая разница в измерениях может быть вызвана в эксперименте шумом, фоновым шумом или неисправностью оборудования. Этих вещей невозможно избежать даже в самой изолированной лаборатории.

Начиная с числа 2, в итоге может получиться результат, всецело отличающийся от результатов такой же системы с начальной цифрой 2.000001. Это просто невозможно- достигнуть такого уровня точности- просто попытайтесь измерить что-нибудь с точностью до миллионной доли дюйма!Исходя из этой идеи, Лоренс установил невозможность точного предсказания погоды. Как бы то ни было, это открытие привело Лоренса к другим аспектам того, что впоследствии стало известным как Теория Хаоса.

Лоренс начал наблюдать за простейшими системами, которые чувствительны к разнице в начальных условиях. Его первое открытие имело 12 уравнений, и он хотел его очень упростить, но чтобы оно все же имело этот атрибут[чувствительность к разнице в начальных условиях]. Он взял уравнения конвекции и сделал их неимоверно простыми. Эта система больше не имела отношения к конвекции, но имела чувствительность к разнице в начальных условиях, и на этот раз осталось всего лишь 3 уравнения. Позже было установлено, что эти уравнения описывают водоворот.

Уравнения для этой системы также казалось, показывали общую случайность поведения.Как бы то ни было, когда был построен график, он был удивлен [Лоренс]. Выходные параметры всегда оставались на кривой, образуя двойную спираль. До этого было известно только два типа порядка: постоянное состояние, в котором переменные никогда не меняются, и периодичное состояние, в котором система циклична, и неопределенно повторяется. Уравнения Лоренса были определенно упорядочены- они всегда следовали по спирали. Они никогда не останавливались на одной точке, но никогда не повторяли то же состояние, то есть не были периодичными. Он назвал полученные уравнеия аттрактором Лоренса(см. Рисунок 2).

Рисунок 2 – Аттрактор Лоренса

В 1963 Лоренс опубликовал статью, описывающую его открытие. Он включил туда статью о непредсказуемости погоды и обсудил все типы уравнений, вызвавших этот тип поведения. К несчастью, единственным журналом, в котором он мог опубликовать свою статью, был метеорологический журнал, так как он был не физиком или математиком, a метеорологом. В результате открытия Лоренса не были известны до тех пор, пока не были открыты снова другими людьми. Лоренс открыл нечто революционное, и ждал, пока кто-то откроет его.

Другая система, в которой есть чувствительность к разнице в начальных условиях- бросание монетки. Есть две переменные в бросании монетки: как скоро она упадет и как быстро она вращается. Теоретически, возможно контролировать эти две переменные полностью, и контролировать- как монетка упадет. На практике невозможно контролировать абсолютно точно скорость вращения монеты и то, насколько она подлетит. Возможно только поместить эти переменные в определенном диапазоне, но невозможно контролировать их настолько, чтобы знать результат.

Схожая проблема имеет место в экологии и предсказании биологических популяций. Уравнение простое, если популяция растет определенно, но хищники и ограниченность в пище делают это уравнение неверным. Самое простое уравнение имеет вид:

next year's population = r * this year's population * (1 — this year's population) [где next year's population-популяция в следующем году, this year's population- популяция в этом году]

В этом уравнении популяция описывается числом между 1 и 0, где 1 представляет собой максимально возможную популяцию, а 0- вымирание. R- показатель роста. Вопрос состоял в том, как этот параметр влияет на популяцию? Очевидный ответ- высокий показатель роста популяции значит установление высокого уровня, в то время как низкий означает, что популяция упадет. Это условие истинно для некоторых показателей роста, но не для всех.

Как только параметр повышался далее, линия бифурцировала(раздваивалась) снова. Бифуркации происходили быстрее и быстрее, до тех пор, пока неожиданно не становились хаотичными. Устанавливая точный показатель роста невозможно предсказать поведение уравнения. Как бы то ни было, при ближайшем исследовании можно увидеть белые полоски. Посмотрев на эти полоски ближе обнаруживаем ряд маленьких окон, где через бифуркации проходит линия, перед тем, как вновь вернуться к состоянию хаоса. Эта похожесть на саму себя,- факт того, что график- точная копия его самого, спрятанного глубоко внутри.Это стало очень важным аспектом хаоса.(рисунок 3)

Рисунок 3- Бифуркация

Служащий IBM Бенуа Мандельброт был математиком, изучавшим эту самопохожесть. Одной из областей, которые он изучал, было колебание цен на хлопок. Неважно, как были проанализированы данные о ценах на хлопок, результаты не были распределенными нормально. Мандельброт в конечном счете получил все доступные данные о ценах на хлопок, вплоть до 1900 года. Когда он проанализировал данные с помощью ЭВМ, он заметил поразительный факт:число с точки зрения нормальных продаж было симметрично относительно точки зрения в масштабе. Каждая отдельная цена менялась случайно и непредсказуемо. Но расчет изменений был независим от масштабов: кривые дневных и месячных колебаний цен абсолютно совпадали. Поразительно, но проанализированные Мандельбротом изменения цен оставались постоянными на протяжении всего шумного периода 60-х, Второй Мировой и депрессии.( James Gleick, Chaos — Making a New Science, стр. 86)

Мандельброт проанализировал не только цены на хлопок, но и другие явления. Одним из них была протяженность береговой линии. Карта побережья показывает множество заливов. Но как бы то ни было, при подсчете длины береговой линии будут упущены мелкие заливы, которые слишком малы, чтобы быть показанными на карте. Это подобно тому, как при прогулке по берегу мы пропускаем микроскопические промежутки между песчинками. Неважно, насколько увеличить линию побережья, будет больше видимых промежутков при приближении.

Один математик, Хельге вон Кох взл эту идею для математического конструирования, названного кривой Коха. Чтобы создать кривую Коха, представьте равносторонний треугольник. К середине каждой стороны дорисуйте еще по равностороннему треугольнику.Продолжайте добавлять новые треугольники к серединам каждой из сторон, и в результате получите кривую Коха.(см. Рисунок 4).

Приближенная кривая Коха выглядит точно так же, как и оригинал. Это другой пример самопохожести.

Кривые Коха заключают в себе интересный парадокс. Каждый раз, когда добавляется очередной треугольник, длина линии становится больше. Но как бы то ни было, внутренняя площадь[ограниченная] кривой Коха всегда остается меньше площади описанной окружности вокруг первого треугольника. То есть это линия неограниченной длины, заключенная в ограниченной области.

Под фракталом имеется ввиду любое изображение, имеющее в себе самопохожесть. Бифуркационная диаграмма уравнения популяции- фрактал. Аттрактор Лоренса- фрактал.Кривая Коха- тоже фрактал.

В это время ученые нашли трудным публиковать работы о Хаосе. С тех пор как они еще не показали его отношение к реальному миру. Большинство ученых не думали, что результаты экспериментов относительно Хаоса важны. Как результат, даже несмотря на то, что Хаос- математический феномен, большинство исследований в области Хаоса были сделаны людьми, являющимися специалистами в других областях, таких как метеорология и экология. Изучение области распространения Хаоса – было хобби для ученых, работающих над проблемой, что же с этим делать.

Позже, ученый по фамилии Фигенбаум снова исследовал диаграмму бифуркации.Он исследовал скорость наступления бифуркации. Он открыл, что она наступает при постоянном показателе. Он вычислил, что это число 4.669. другими словами, он определил точный масштаб при котором кривая бифуркации приобретает свойство самопохожести.

Уменьшенная в 4.669 раз, диаграмма выглядит как последующий регион бифуркации. Он решил посмотреть на другие уравнения чтобы увидеть, возможно ли применить фактор масштаба и к ним. К большому удивлению, фактор масштаба оказался таким же. Не только для сложных уравнений, описывающих закономерность.Закономерность была точно такой же как и у простых уравнений.Он опробовал множество функций, и они давали фактор масштабирования 4.669.

Это было революционным открытием. Он обнаружил целый класс математических функций, ведущих себя одинаково, предсказуемо. Универсальность помогла многим ученым легко анализировать уравнения хаоса. Она дала ученым первые инструменты для анализа хаотических систем. Теперь они могли использовать простые уравнения для получения результата более сложных.

Многие ученые открыли уравнения, создающие фрактальные уравнения. Самое известное изображение фрактала- является и самым простым. Оно известно как уравнение Мандельброта. Уравнение простое: z=z 2 +c. Чтобы выяснить, является ли ваше уравнение таковым, возьмите комплексное число z. Получите его квадрат и затем добавьте число. Введите в квадрат полученный результат и добавьте число. Повторяйте далее, и если число стремится к бесконечности, это не уравнение Мандельброта.

Фрактальные структуры были замечены во многих областях реального мира. Кровь разносится по кровеносным сосудам, ветвящимся дальше и дальше, ветви дерева, структура легких, графики данных о продаже акций, и другие системы раельного мира имеют нечто общее: они все обладают самопохожестью(самоповторением).

Ученые в Университете Санта Круз нашли проявления Хаоса в водопроводном кране[то, как он капает]. Записывая падение капель из крана и периоды времени, они открыли точную скорость потока, капли не падали в то же самое время. Когда они построили графики данных, они нашли, что на самом деле капли падают с определенной закономерностью.

Человеческое сердце тоже бьется с хаотической закономерностью. Время между ударами непостоянно, оно зависит от того, насколько активен человек в данный момент, и от многих других вещей. При постоянных условиях сердцебиение все равно может ускориться. При различных условиях сердце бьется неуправляемо. Это можно назвать хаотичным сердцебиением. Анализы сердцебиения могут помочь в медицинских исследованиях найти способ установить сердцебиение в определенных рамках, вместо неконтролируемой хаотичности.

Хаос имеет применение даже в науке. Компьютерные изображения становятся более реалистичными при применении Хаоса и фракталов. Сейчас с помощью простой формулы можно создать на компьютере красивое реалистично выглядещее дерево. Вместо того, чтобы следовать нормальной закономерности, ветки деревьев могут быть созданы по формуле, которая почти, но не точно повторяет себя.

ДИНАМИ́ЧЕСКИЙ ХА́ОС, нерегулярное, непредсказуемое изменение состояния полностью детерминированной системы, обладающее осн. свойствами случайного процесса . Рождение случайного в неслучайном выглядит парадоксальным, поскольку противоречит интуитивным представлениям о том, что система, живущая по простым правилам, ведёт себя просто (т. е. регулярно), а поведение сложной системы должно быть сложным и непредсказуемым.

Итак, в математике и физике под хаосом понимают сложную систему, в которой незначительные изменения начальных условий приводит к весьма значительному отклонению результата.

Над теорией описывающей закономерности развития внешне хаотических систем (например, полета большой стаи ворон или поведения толпы) работали многие математики. Все же честь именоваться первым настоящим теоретиком хаоса досталась метеорологу Эдварду Лоренцу.

Почему метеорологи часто ошибаются

То, что на 3 метеорологов имеется сразу 7 достоверных прогнозов погоды, причем среди них нет истинного, известно многим. А Лоренцу удалось это доказать. В 1960 году Эдвард занимался привычной для синоптика работой — он пытался предсказать погоду. В распоряжении специалиста имелась электронно-вычислительная машина, в которую он загрузил 12 дифференциальных уравнений описывающие движения атмосферных потоков. Неожиданно выяснилось, что небольшое упрощение начальных условий серьезно изменяет итоговый прогноз.

В 1961 году Лоренц решил проверить особенную числовую последовательности, но желая сэкономить время, мужчина ввел данные примерно со средины предыдущих расчетов именно этой последовательности. Загрузив данные, мужчина отправился по своим делам. Вернувшись через час Эдвард с удивлением обнаружил, что машина выдала совершенно иной итог.

Взмах крыльев бабочки

Озадаченный метеоролог взялся за поиски причин расхождения результатов. Спустя некоторое время причина сильно изменившегося результата была обнаружена, что вызвало немалое удивления синоптика. В предыдущей компьютерной распечатке, с которой Эдвард Лоренц вводил данные, значилось число 0,506127, а сам специалист ради экономии времени ввел 0,506. Разница составляла ничтожные 0,000127, но именно эта разница до неузнаваемости исказила конечный результат.

В математике точка в которой небольшое усилие может резко изменить конечный результат называется точкой бифуркации. На самом деле на графиках функций процессов таких точек обычно немного. Так что бабочке придется постараться, чтобы конкретно попасть в точку бифуркации и вызвать ураган. И все же подобное явление вполне осуществимо.

Сам Лоренц взял описанные выше 12 уравнений и начал математическими методами их упрощать, иногда делая округления (люди детально изучавшие дифференциальные уравнения поймут автора статьи, остальных прошу поверить мне на слово). По итогам упрощений осталось только 3 уравнения. Самое интересное, что оттолкнувшись от метеорологических явлений, Лоуренц создал в итоге систему из 3 дифференциальных уравнений, описывающих . водоворот. Вот к какому неожиданному итогу привели внешне незначительные округления.

Дальнейшие исследования привели к созданию системы уравнений, способных предсказать результат внешне хаотических явлений. Так успешно были просчитаны колебания цен на хлопок в США в 1900 году. Сравнение результата выданного ЭВМ (не цен, а именно их колебаний по месяцам) с реальной картиной рынка выдало практически полную их идентичность.

Хаотическая закономерность кажется далекой от жизни. В самом деле, никому в здравом уме (разве что кроме математиков) не придет в голову строить систему дифференциальных уравнений, описывающих полет стаи ворон. Но она гораздо ближе, чем это можно себе представить. Именно так падают капли и бьется ваше сердце. При постоянных условиях оно бьется неравномерно. Но если построить график зависимости количества ударов сердца от времени, то цикличность хаотичности станет очевидной.

Диаграмма раздвоения логистической карты, где x → r x (1 - x). Каждый вертикальный сектор показывает аттрактор определённого значения r. Диаграмма отображает удвоение периода когда r увеличивается, что в конечном итоге производит хаос

Тео́рия ха́оса — математический аппарат, описывающий поведение некоторых нелинейных динамических систем, подверженных при определённых условиях явлению, известному как хаос. Поведение такой системы кажется случайным, даже если модель, описывающая систему, является детерминированной.

Примерами подобных систем являются атмосфера, турбулентные потоки, биологические популяции, общество как система коммуникаций и его подсистемы: экономические, политические и другие социальные системы. Их изучение, наряду с аналитическим исследованием имеющихся рекуррентных соотношений, обычно сопровождается математическим моделированием, эффект Коновала — распределение частот выпадения положительных результатов, или принятия правильных решений.

Теория хаоса — область исследований, связывающая математику и физику.

Содержание

Основные сведения

Теория хаоса гласит, что сложные системы чрезвычайно зависимы от первоначальных условий и небольшие изменения в окружающей среде ведут к непредсказуемым последствиям.

Пионерами теории считаются французский физик и философ Анри Пуанкаре (доказал теорему о возвращении), советские математики А. Н. Колмогоров и В. И. Арнольд и немецкий математик Ю. К. Мозер, построившие теорию хаоса, называемую КАМ (теория Колмогорова — Арнольда — Мозера). Теория вводит понятие аттракторов (в том числе, странных аттракторов как притягивающих канторовых структур), устойчивых орбит системы (т. н. КАМ-торов).

Понятие хаоса

Пример чувствительности системы к первоначальным условиям, где x → 4 x (1 — x) и y → x + y, если x y Чувствительность к начальным условиям

Чувствительность к начальным условиям в такой системе означает, что все точки, первоначально близко приближенные между собой, в будущем имеют значительно отличающиеся траектории. Таким образом, произвольно небольшое изменение текущей траектории может привести к значительному изменению в её будущем поведении. Доказано, что последние два свойства фактически подразумевают чувствительность к первоначальным условиям (альтернативное, более слабое определение хаоса использует только первые два свойства из вышеупомянутого списка).

Топологическое смешивание

Тонкости определения

Аттра́ктор (англ. attract — привлекать, притягивать) — множество состояний (точнее — точек фазового пространства) динамической системы, к которому она стремится с течением времени. Наиболее простыми вариантами аттрактора являются притягивающая неподвижная точка (к примеру, в задаче о маятнике с трением) и периодическая траектория (пример — самовозбуждающиеся колебания в контуре с положительной обратной связью), однако бывают и значительно более сложные примеры. Некоторые динамические системы являются хаотическими всегда, но в большинстве случаев хаотическое поведение наблюдается только в тех случаях, когда параметры динамической системы принадлежат к некоторому специальному подпространству.

Наиболее интересны случаи хаотического поведения, когда большой набор первоначальных условий приводит к изменению на орбитах аттрактора. Простой способ продемонстрировать хаотический аттрактор — это начать с точки в районе притяжения аттрактора и затем составить график его последующей орбиты. Из-за состояния топологической транзитивности, это похоже на отображения картины полного конечного аттрактора. Например, в системе описывающей маятник — пространство двумерное и состоит из данных о положении и скорости. Можно составить график положений маятника и его скорости. Положение маятника в покое будет точкой, а один период колебаний будет выглядеть на графике как простая замкнутая кривая. График в форме замкнутой кривой называют орбитой. Маятник имеет бесконечное количество таких орбит, формируя по виду совокупность вложенных эллипсов.

Странные аттракторы

Аттрактор Лоренца как диаграмма хаотической системы. Эти два графика демонстрируют чувствительную зависимость от первоначальных условий в пределах занятого аттрактором региона

Большинство типов движения описывается простыми аттракторами, являющиеся ограниченными циклами. Хаотическое движение описывается странными аттракторами, которые очень сложны и имеют много параметров. Например, простая трехмерная система погоды описывается известным аттрактором Лоренца (Lorenz) - одной из самых известных диаграмм хаотических систем, не только потому, что она была одной из первых, но и потому, что она одна из самых сложных. Другим таким аттрактором является — отображение Рёслера (Rössler), которая имеет двойной период, подобно логистическому отображению. Странные аттракторы появляются в обеих системах, и в непрерывных динамических (типа системы Лоренца) и в некоторых дискретных (например отображения Хенона (Hénon)). Некоторые дискретные динамические системы названы системами Жулиа по происхождению. И странные аттракторы и системы Жулиа имеют типичную рекурсивную, фрактальную структуру. Теорема Пуанкаре–Бендиксона доказывает, что странный аттрактор может возникнуть в непрерывной динамической системе, только если она имеет три или больше измерений. Однако это ограничение не работает для дискретных динамических систем. Дискретные двух- и даже одномерные системы могут иметь странные аттракторы. Движение трёх или большего количества тел, испытывающих гравитационное притяжение при некоторых начальных условиях может оказаться хаотическим движением.

Простые хаотические системы

Хаотическими могут быть и простые системы без дифференциальных уравнений. Примером может быть логистическое отображение, которое описывает изменение количества населения с течением времени. Логистическое отображение является полиномиальным отображением второй степени и часто приводится в качестве типичного примера того, как хаотическое поведение может возникать из очень простых нелинейных динамических уравнений. Ещё один пример — это модель Рикера, которая также описывает динамику населения.

Показать хаос для соответствующих значений параметра может даже одномерное отображение, но для дифференциального уравнения требуется три или больше измерений. Теорема Пуанкаре — Бендиксона утверждает, что двумерное дифференциальное уравнение имеет очень стабильное поведение. Zhang и Heidel доказали, что трехмерные квадратичные системы только с тремя или четырьмя переменными не могут демонстрировать хаотическое поведение. Причина в том, что решения таких систем являются асимптотическими по отношению к двумерным плоскостям, и поэтому представляют собой стабильные решения.

Математическая теория

Теорема Шарковского — это основа доказательства Ли и Йорке (Li and Yorke) (1975) о том, что одномерная система с регулярным тройным периодом цикла может отобразить регулярные циклы любой другой длины так же, как и полностью хаотических орбит. Математики изобрели много дополнительных способов описать хаотические системы количественными показателями. Сюда входят: рекурсивное измерение аттрактора, экспоненты Ляпунова, графики рекуррентного соотношения, отображение Пуанкаре, диаграммы удвоения и оператор сдвига.

Хронология

Фрактальный папоротник, созданный благодаря игре хаоса. Природные формы (папоротники, облака, горы и т. д.) могут быть воссозданы через систему повторяющихся функций

Почти вся более ранняя теория, под названием эргодическая теория, была разработана только математиками. Позже нелинейные дифференциальные уравнения изучали Г. Биргхоф, A. Колмогоров, M. Каретник, Й. Литлвуд и Стивен Смэйл. Кроме С. Смэйла, на изучение хаоса всех их вдохновила физика: поведение трёх тел в случае с Г. Биргхофом, турбуленция и астрономические исследования в случае с А. Колмогоровым, радиотехника в случае с М. Каретником и Й. Литлвудом. Хотя хаотическое планетарное движение не изучалось, экспериментаторы столкнулись с турбуленцией в жидкости и непериодическими колебаниями в радиосхемах, не имея достаточной теории чтобы это объяснить.

Одним из пионеров в теории хаоса был Эдвард Лоренц, интерес которого к хаосу появился случайно, когда он работал над предсказанием погоды в 1961 году. Погодное Моделирование Лоренц выполнял на простом цифровом компьютере McBee LGP-30. Когда он захотел увидеть всю последовательность данных, тогда, чтобы сэкономить время, он запустил моделирование с середины процесса. Хотя это можно было сделать введя данные с распечатки, которые он вычислил в прошлый раз.

Турбулентные потоки воздуха от крыла самолета, образующиеся во время его посадки. Изучение критической точки, после которой система создает турбулентность, были важны для развития теории Хаоса. Например, советский физик Лев Ландау разработал Ландау-Хопф теорию турбулентности. Позже, Дэвид Руелл и Флорис Тейкнс предсказали, вопреки Ландау, что турбулентность в жидкости могла развиться через странный аттрактор, то есть основную концепцию теории хаоса

Доступность более дешевых, более мощных компьютеров расширяет возможности применения теории хаоса. В настоящее время, теория хаоса продолжает быть очень активной областью исследований, вовлекая много разных дисциплин (математика, топология, физика, биология, метеорология, астрофизика, теория информации, и т.д.).

Применение

Теория хаоса применяется во многих научных дисциплинах: математика, биология, информатика, экономика, инженерия, финансы, философия, физика, политика, психология и робототехника. В лаборатории хаотическое поведение можно наблюдать в разных системах, например электрические схемы, лазеры, химические реакции, динамика жидкостей и магнитно-механических устройств. В природе хаотическое поведение наблюдается в движении спутников солнечной системы, эволюции магнитного поля астрономических тел, приросте населения в экологии, динамике потенциалов в нейронах и молекулярных колебаниях. Есть сомнения о существовании динамики хаоса в тектонике плит и в экономике.

Одно из самых успешных применений теории хаоса было в экологии, когда динамические системы похожие на модель Рикера использовались, чтобы показать зависимость прироста населения от его плотности. В настоящее время теория хаоса также применяется в медицине при изучении эпилепсии для предсказаний приступов, учитывая первоначальное состояние организма. Похожая область физики, названная квантовой теорией хаоса, исследует связь между хаосом и квантовой механикой. Недавно появилась новая область, названная хаосом относительности, чтобы описать системы, которые развиваются по законам общей теории относительности.

Различия между случайными и хаотическими данными

Только по исходным данным трудно сказать, каким является наблюдаемый процесс — случайным или хаотическим, потому что практически не существует явного чистого 'сигнала' отличия. Всегда будут некоторые помехи, даже если их округлять или не учитывать. Это значит, что любая система, даже если она детерминированная, будет содержать немного случайностей. Чтобы отличить детерминированный процесс от стохастического, нужно знать, что детерминированная система всегда развивается по одному и тому же пути от данной отправной точки. Таким образом, чтобы проверить процесс на детерминизм необходимо:

выбрать тестируемое состояние;
найти несколько подобных или почти подобных состояний; и
сравнить их развитие во времени.

Погрешность определяется как различие между изменениями в тестируемом и подобном состояниях. Детерминированная система будет иметь очень маленькую погрешность (устойчивый, постоянный результат) или она будет увеличиваться по экспоненте со временем (хаос). Стохастическая система будет иметь беспорядочно распределенную погрешность.

По существу все методы определения детерминизма основываются на обнаружении состояний, самых близких к данному тестируемому (то есть, измерению корреляции, экспоненты Ляпунова, и т.д.). Чтобы определить состояние системы обычно полагаются на пространственные методы определения стадии развития. Исследователь выбирает диапазон измерения и исследует развитие погрешности между двумя близлежащими состояниями. Если она выглядит случайной, тогда нужно увеличить диапазон, чтобы получить детерминированную погрешность. Кажется, что это сделать просто, но на деле это не так. Во-первых, сложность состоит в том, что, при увеличении диапазона измерения, поиск близлежащего состояния требует намного большего количества времени для вычислений чтобы найти подходящего претендента. Если диапазон измерения выбран слишком маленьким, то детерминированные данные могут выглядеть случайными, но если диапазон слишком большой, то этого не случится — метод будет работать.

Когда в нелинейную детерминированную систему вмешиваются внешние помехи, её траектория постоянно искажается. Более того, действия помех усиливаются из-за нелинейности и система показывает полностью новые динамические свойства. Статистические испытания, пытающиеся отделить помехи от детерминированной основы или изолировать их, потерпели неудачу. При наличии взаимодействия между нелинейными детерминированными компонентами и помехами, в результате появляется динамика, которую традиционные испытания на нелинейность иногда не способны фиксировать.

Читайте также: