主页 模型库 竞赛 学习中心 工具箱 论文库 前沿 建模空间 AI建模
学习中心 探索专题 分形 复平面上的分形

本页实验台

  1. 曼德博集合
  2. 朱利亚集
  3. 牛顿分形
  4. 逃逸时间与着色
LAB 01

曼德博集合

点击放大,逐级深入边界,看同样的形状在不同尺度反复出现

问题
一个只有一行的迭代式,为什么能在复平面上画出一个无限复杂、放大多少倍都不重复的边界?曼德博集合的定义比它的图像简单得离谱——这个反差本身就是这一页要讲的事。
模型
对每个复数 c,从 z₀ = 0 开始迭代,看轨道是否有界。
zn+1 = zn² + c,  M = { c ∈ ℂ : supn |zn| < ∞ },  判据:|zn| > 2 即逃逸
|z| > 2 之后必然发散,所以 2 是一个可靠的逃逸半径。M 的边界的豪斯多夫维数是 2(Shishikura 1998)——它"细"到把平面填满的程度。
中心—
放大倍数—
每像素跨度—
点图放大,注意边界上重复出现的小曼德博。放大到 10⁵ 倍以上你还会看到和全景一模一样的形状,只是被拉扯过。这不是巧合:边界上每一点附近的动力学都"复制"了整体的动力学。另外留意放大倍数越高、需要的迭代次数越多——这是判定"是否属于集合"本身就不可约的一个直接表现。
LAB 02

朱利亚集

在曼德博平面上拖动 c,右边的朱利亚集实时跟着变形、连通性在边界上翻转

问题
曼德博集合和朱利亚集用的是同一条迭代式,区别只在于"谁是变量"。而两者之间有一条惊人的对应:c 在曼德博集合里面,对应的朱利亚集就连通;c 在外面,就碎成尘埃。
模型
固定 c,对每个起点 z₀ 看轨道是否有界。
Jc = ∂{ z₀ : 轨道有界 };  Jc 连通 ⟺ c ∈ M(基本二分定理)
这就是曼德博集合的真正定义:它是"朱利亚集连通"的那些 c 构成的集合,而不是一张好看的图。这一台让你拖动 c,实时看右边的朱利亚集在边界上翻转。
曼德博平面 · 拖动选 c
朱利亚集 J(c)
当前 c—
朱利亚集是否连通—
0 的逃逸步数—
左边的黑色区域,正好就是"右边连通"的那些 c。这是曼德博集合真正的定义:c 属于曼德博集合 ⟺ J(c) 是连通的 ⟺ 从 0 出发的轨道不跑到无穷。把光标停在边界上试试——只要挪出去一点点,右边的朱利亚集就会从一整块炸成一把尘埃。
LAB 03

牛顿分形

解 z³−1=0:每个像素按收敛到哪个根上色,三片流域的边界处处是分形

问题
牛顿法解方程时,初值决定收敛到哪个根。那么"哪个初值去哪个根"这张地图长什么样?答案让十九世纪的数学家困惑了很久:三片流域的边界上,任何一点的任意小邻域内都同时有三种颜色。
模型
对 f(z) = z³ − 1 用牛顿迭代,按收敛到的根上色。
zn+1 = zn − f(zn) ⁄ f′(zn) = zn − (zn³ − 1) ⁄ (3zn²)
三个根是 1, e2πi/3, e4πi/3。边界是 Julia 集,具有"三重点"性质:三片流域在边界上处处相邻——这在实数轴上是不可能发生的。
根的个数—
最慢收敛像素—
未收敛像素占比—
三块流域的边界上,每一点都同时挨着三种颜色。这叫"三重交点性质":任取边界上一点,它的任意小邻域里都同时含有收敛到三个根的点。这件事的实际含义是——牛顿法的初值只要落在边界附近,结果就完全不可预测,哪怕方程本身干净得只有三个根。
LAB 04

逃逸时间与着色

换迭代上限、换着色函数,看「同一个集合」能呈现出多少种样子

问题
同一个集合,换一种上色方法就像换了一张图。那么我们看到的"分形之美"里,有多少是数学的,有多少是渲染的?这一台把迭代上限和着色函数单独拎出来,让你看清哪一部分是自己加上去的。
模型
逃逸时间着色,以及消除色带的平滑修正。
nsmooth = n + 1 − log₂( log|zn| ) (|zn| 首次超过逃逸半径时)
直接用整数 n 上色会出现明显的同心色带;上面这个修正把逃逸时间变成连续量,色带就消失了。迭代上限决定了你能看多深——上限太低,边界附近的结构会被误判成"属于集合"。
判为内部的像素—
平均逃逸步数—
可见色阶数—
集合没变,变的只是你怎么看它。"只分内外"丢掉了迭代次数这个信息,图就成了一团黑;分带把它捡回来,于是边界结构显形;连续着色再把带间的锯齿抹掉。这是所有科学可视化都要面对的同一件事:数据没变,编码方式决定了你能看见什么——也决定了你可能误以为看见了什么。

这一页想说的

一行迭代式,四种看法,四张完全不同的图。值得记住的是最后那件事:曼德博集合的复杂度并不"存放"在公式里,公式只有 z²+c;复杂度是迭代这个过程生成的。这跟元胞自动机那一页说的是同一件事——规则的简单与行为的复杂之间,没有必然联系。建模时这意味着:一个模型看起来简单,不等于它的行为好预测。

接着看

← 返回模块 ← 返回探索专题