Python系统仿真其一：logistics递归方程

---

前言

混沌是系统在微小的外界扰动下产生的无序的非线性动态。在基础理论的学习中，一个参数已经确定的系统在给定条件下会得到确定的解，求出系统的解后就可以确定系统过去、现在以及未来的状态，因此，求解系统等同于进行预测系统状态。随着KAM定理等理论的出现，研究系统不再局限于光滑的、确定的解，而是开始考虑混沌解，尤其是在天气播报、地震预测等描述长期行为的系统。

---

一、逻辑斯蒂映射(logistic map)

logistics映射的形式很简单，系统的下一个状态$x(n+1)$的状态由当前状态$x(n)$得出，形式如下：$$x_{n+1}=\mu x_n(1-x_n)$$用于描述三种因素对系统的影响，分别是驱动因素$\mu x_n$、耗散因素$-\mu x_n^2$和非线性因素$x_n^2$，其中$\mu$是系统控制参量。这样一个确定形式的映射，在$\mu$的不同取值下有常数解、周期解和混沌解，出现了倍周期分岔。

二、Python仿真

首先考虑最简单的仿真固定参数的结果，考虑$\mu =2.9$，输出它的波形图。

def plot1():
    x = 0.2 # 初值
    mu = 2.9
    y = np.array([])
    for i in range(25):
        x = mu * x * (1 - x)
        y = np.append(y, x)
    xp = np.array(signal.argrelextrema(y, np.greater)) 
    xn = np.array(signal.argrelextrema(-y, np.greater))
    plt.scatter(xp,y[xp], c='black')
    plt.scatter(xn,y[xn], c='black')
    plt.plot(y)

主要使用matplotlib库画图，用scipy.signal寻找极大值，加粗显示比较美观。

在这个暴力迭代的基础上，生成一个numpy数组表示$\mu$，即可以绘制分岔图。实际上每一位即是1，因此无需做过多处理。

mu = np.arange(2.9, 3.7, 0.0001)
x = 0.2  # 初值
front = 1000  # 舍去单周期前面一段，如上图
iters = 100  # 最后画出结果的迭代次数
for i in range(front+iters):
    x = mu * x * (1 - x)
    if i >= front:
        plt.plot(mu, x, ',k')

最终输出这样的结果。