Литмир - Электронная Библиотека
Содержание  
A
A

Если параметр

Математические модели в естественнонаучном образовании - _51.jpg
 логистической модели окажется больше только что рассмотренных значений, то популяция не приблизится к равновесию. Когда
Математические модели в естественнонаучном образовании - _223.jpg
, получится
Математические модели в естественнонаучном образовании - _224.jpg
 и поэтому ранее устойчивое равновесие
Математические модели в естественнонаучном образовании - _216.jpg
 становится неустойчивым. Таким образом, происходит резкое качественное изменение поведения численности популяции по мере дальнейшего увеличения параметра
Математические модели в естественнонаучном образовании - _51.jpg
. Отсюда возникает интересный вопрос, каковы возможности модели с двумя неустойчивыми равновесиями и без устойчивых. Какое поведение тогда можно ожидать в долгосрочной перспективе?

Компьютерный эксперимент показывает, что для значений

Математические модели в естественнонаучном образовании - _51.jpg
 чуть больше 2 популяция попадает в 2-цикл, её численность бесконечно прыгает взад и вперед между значением выше 1 и значением ниже 1. По мере дальнейшего увеличения
Математические модели в естественнонаучном образовании - _51.jpg
 значения в 2-цикле меняются, но наличие 2-цикла сохраняется до тех пор, пока не достигнем другого значения
Математические модели в естественнонаучном образовании - _51.jpg
, при котором происходит еще одно внезапное качественное изменение. На этот раз видим, что 2-цикл становится 4-циклом. Дальнейшее увеличение
Математические модели в естественнонаучном образовании - _51.jpg
 производит 8-циклы, затем 16-циклы и так далее.

Эта модель приводит к неожиданному, но интересному выводу: одна и та же популяция может демонстрировать разные циклы в своей численности, даже когда окружающая среда совершенно неизменна. Считая, что теоретические предположения в построении математической модели были верны и популяция имеет достаточно большое значение

Математические модели в естественнонаучном образовании - _51.jpg
, на практике она может никогда не достигать ни одного из теоретически существующих равновесных значений.

Хороший способ понять влияние изменения параметра

Математические модели в естественнонаучном образовании - _51.jpg
 на рассматриваемую модель заключается в изображении диаграммы бифуркации на рисунке 1.6. В Maple это изображение легко получить следующей серией команд:

with(IterativeMaps):with(ImageTools):

Logistic := Bifurcation([x], [x + r*x*(1 – x)], [0.99], 1.5, 3):

ArrayTools:-Dimensions(Logistic)

ColouringProcedures:-HueToRGB(Logistic):Embed(Logistic)

 

Математические модели в естественнонаучном образовании - _225.jpg

Рисунок 1.6. Бифуркационная диаграмма логистической модели

Математические модели в естественнонаучном образовании - _226.jpg
. По горизонтальной оси слева направо меняется значение параметра
Математические модели в естественнонаучном образовании - _51.jpg
, а по вертикальной снизу вверх отложены циклические аттракторы значений соответствующей популяции.

Рисунок 1.6 получен следующим образом. Для каждого значения

Математические модели в естественнонаучном образовании - _51.jpg
 на горизонтальной оси выбирается некоторое значение
Математические модели в естественнонаучном образовании - _27.jpg
 и выполняется итерация модели на несколько временных шагов, чтобы пройти этап переходного процесса, например, раз 200. На практике это означает повторение итераций столько раз, пока не надоест. Затем продолжаются итерации на серии дополнительных шагов, раз 100, но теперь все значения
Математические модели в естественнонаучном образовании - _17.jpg
 наносятся на вертикальную ось над конкретным используемым
Математические модели в естественнонаучном образовании - _51.jpg
. Это значения будут концентрироваться вокруг своеобразных точек притяжения, формируя так называемые циклические аттракторы.

Чтобы проиллюстрировать процесс для дискретной логистической модели, положим

Математические модели в естественнонаучном образовании - _227.jpg
. Тогда, независимо от
Математические модели в естественнонаучном образовании - _27.jpg
, после первого набора большого числа итераций,
Математические модели в естественнонаучном образовании - _17.jpg
 будет очень близок к стабильному равновесию
Математические модели в естественнонаучном образовании - _228.jpg
. Таким образом, когда строим следующий набор из многих итераций, просто многократно строим точки, которые будут выглядеть так, будто они находятся в
Математические модели в естественнонаучном образовании - _228.jpg
. На рисунке 1.6 точки фрагмента этой горизонтальной прямой выделены розовым цветом.

Если теперь продолжить процесс построения диаграммы при

Математические модели в естественнонаучном образовании - _51.jpg
 чуть большем чем 2, то первый набор итераций устремляет значения
Математические модели в естественнонаучном образовании - _17.jpg
 в 2-цикл, и затем, когда строится график на последующем наборе итераций, появляются точки, которые циклически перескакивают назад и вперед между двумя значениями, поэтому кажется, будто построили две точки. На рисунке 1.6 точки сформировавшихся в результате ветвей выделены синим.

На этой диаграмме заметно несколько особенностей. Во-первых, интервал значений

Математические модели в естественнонаучном образовании - _51.jpg
, через который получаем
Математические модели в естественнонаучном образовании - _229.jpg
-цикл, будет короче, чем для предыдущего
Математические модели в естественнонаучном образовании - _230.jpg
-цикла. Таким образом, как только
Математические модели в естественнонаучном образовании - _51.jpg
 становится достаточно большим, небольшие дополнительные увеличения его значения имеют более радикальные последствия.

Во-вторых, если

Математические модели в естественнонаучном образовании - _51.jpg
 продолжает увеличиваться после определенной точки (≈2.692…), на рисунке 1.6 этот фрагмент подсвечен красным, то все бифуркации на
Математические модели в естественнонаучном образовании - _230.jpg
-циклах произошедшие ранее начинают смешиваться, обнаруживается принципиально иной тип поведения аттракторов. Создается впечатление, что предельные значения модели изменяются более или менее случайным образом. Однако такое поведение, конечно, не случайно – существует полностью детерминированная формула, воспроизводящая его. Техническая терминология для описания того, что произошло, заключается в том, что поведение модели стало хаотичным. Выбор слова «хаос» для описания этого процесса, возможно, неудачен, поскольку вызывает ассоциацию с элементами случайности и изначальной путаницы, которых на самом деле нет. Тем не менее, данная математическая модель прекрасно находит себе практическое применение в современных цифровых криптосистемах и аналоговых системах радиоэлектронной борьбы, поскольку достаточно просто реализуется на аппаратном уровне.

Подобный «хаос» в действительности имеет довольно точное техническое определение, но не будем его приводить. Вместо этого просто неформально укажем на два требования, которые математики предъявляют к употреблению этого слова: 1) модель должна быть детерминированной, то есть в ней не может быть случайности; и 2) прогнозы модели чрезвычайно чувствительны к начальным условиям.

Чтобы увидеть, как именно дискретная логистическая модель проявляет свою хаотичность, например, зафиксировав

Математические модели в естественнонаучном образовании - _231.jpg
, достаточно проиллюстрировать проявление второго требования. На рисунке 1.7 показаны значения
Математические модели в естественнонаучном образовании - _17.jpg
, которые возникают из двух разных, но достаточно близких друг к другу значений
Математические модели в естественнонаучном образовании - _232.jpg
 и
Математические модели в естественнонаучном образовании - _233.jpg
.

13
{"b":"788195","o":1}