Fraktale - ciąg dalszy
Transkrypt
Fraktale - ciąg dalszy
Fraktale - cią ciąg dalszy 1. Kolejna pró próba definicji fraktala • Kolejna pró próba definicji fraktala Jak Mandelbrot zdefiniował zdefiniował fraktal ? Co to jest wymiar fraktalny zbioru ? Benoit Mandelbrot - The Fractal Geometry of Nature, Nature, 1983. 1.1. Cechy okreś określają lające fraktal Fraktal ma trzy wł własnoś asności. • Nie jest bezpoś bezpośrednio okreś określony wzorem, lecz przy pomocy algorytmu rekurencyjnego. rekurencyjnego. • Ukł Układy odwzorowań odwzorowań iterowanych (IFS) (IFS Przykł Przykład konstrukcji pewnego zbioru. Elementy ogó ogólniejszej teorii wyjaś wyjaśniają niającej fenomen powstał powstałego zbioru. • Ma wł własność asność samopodobień samopodobieństwa (część (część faraktala przypomina cał całość). ść). • Wymiar fraktala nie jest liczbą liczbą cał całkowitą kowitą 1 2 Definicja wymiaru Hausdorffa (1919) 1.2. Wymiar fraktalny Definicja wymiaru Koł Kołmogorowa (1958) Wiadomo, że Wymiar zbioru wedł według Koł Kołmogorowa (dla R2) • punkt ma wymiar 0, Pokrywa się się zbió zbiór siatką siatką figur geometrycznych (np. kwadrató kwadratów) o boku ró równym ε i oblicza liczbę liczbę d. • odcinek ma wymiar 1, • kwadrat ma wymiar 2, ε - rozmiar „oczka” oczka” siatki N(ε N(ε) - najmniejsza liczba • sześ sześcian ma wymiar 3 • i tak dalej. „oczek” oczek”, potrzebna do pokrycia zbioru Jaki wymiar mają mają, zbió zbiór Cantora, Cantora, tró trójką jkąt Sierpiń Sierpińskiego czy zbió zbiór Mandelbrota ? ε d = lim Wydaje się się dość dość sensowne uogó uogólnienie poję pojęcia wymiaru na liczby niecał niecałkowite. ε →0 ε 3 log N ( ε ) log( 1 ) ε 4 1 Przykł Przykład 1 - tró trójką jkąt Sierpiń Sierpińskiego Przykł Przykład 2 - tró trójką jkąt ró równoboczny ε = 1, N(ε N(ε) = 1 ε = 1, N(ε N(ε) = 1 ε = 1/2, N(ε N(ε) = 3 ε ε ε ... ε = 1/4, N(ε N(ε) = 9 ε = (1/2) n, N(ε N(ε) = 3 n ε = 1/2, N(ε N(ε) = 4 ε ε = 1/4, N(ε N(ε) = 16 ... ε = (1/2) n, N(ε N(ε) = 4 n ε ε log N ( ε ) log( 3 n ) log 3 = lim = = 1 ,584962501 ... n ε → 0 log( 1 ) n → ∞ log( 2 ) log 2 ε d = lim log N ( ε ) log( 4 n ) log 4 2 log 2 = lim = = =2 n ε → 0 log( 1 ) n → ∞ log( 2 ) log 2 log 2 ε d = lim 5 2. Ukł Układy odwzorowań odwzorowań iterowanych (IFS) Wymiar fraktalny dla niektó niektórych zbioró zbiorów: • krzywa von Kocha d = log2/log3 = 0,630929... , d = log4/log3 = 1,261869... , • tró trójką jkąt Sierpiń Sierpińskiego • dywan Sierpiń Sierpińskiego d = log3/log3 = 1,584962... , d = log8/log3 = 1,892789... , • zbiór Cantora • brzeg zbioru Mandelbrota IFS - Iterated Function System 2.1. Odwzorowania afiniczne Rozważ Rozważmy nastę następują pujące odwzorowanie w R2 ϕ : ( x , y ) → ( x′ , y′ ) d= ? gdzie x, y) gdzi (x, y i ( x′, y′ ) są punktami pł płaszczyzny. aszczyzny Zastosowanie - filtracja fraktalna obrazu punkt na obrazie obszar, w kt któ órym obliczany jest d d ≤ 0 ,75 punkt usuwa się 6 Rozpatrywana bę będzie szczegó szczególna postać postać odwzorowania φ, tak zwane odwzorowanie afiniczne opisane wzorem punkt na obrazie obszar, w kt któ órym obliczany jest d ϕ: d > 0 ,75 punkt pozostaje 7 x′ = ax + by + c y′ = dx + ey + f 8 2 Algorytm generacji zbioru oparty na odwzorowaniach φ1, φ2, φ2, φ4 jest nastę następują pujący: Definicja 1: Odwzorowanie afiniczne nazywamy zwęż ają ącym, jeś każ odcinek poddany temu zwężaj jeśli każdy przekształ przekształceniu ulega skró skróceniu. Przykł Przykład 3 Niech bę będą dane odwzorowania afiniczne φ1, φ2, φ2, φ4 o wspó współczynnikach zapisanych w tabeli 1 oraz liczby s i p Tabela 1 φ φ φ φ φ 1 2 3 4 2. Ze zbioru czterech odwzorowań odwzorowań φ1, φ2, φ2, φ4 wylosować wylosować jedno, posł posługują ugując się się generatorem dyskretnej zmiennej losowej np. (pi =1/4; i=1, 2, 3, 4 ) a b c d e f s p -0,67 -0.02 0,00 -0,18 0,81 10,0 0,8613 0,5460 0,40 0.40 0,00 -0,10 0,40 0,0 0,6217 0,2000 -0,40 -0.40 0,00 -0,10 0,40 0,0 0,6217 0,2000 -0,10 0.00 0,00 0,44 0,44 -2,0 0,6263 0,0440 s - długość ugość odcinka [0,1], poddanego odwzorowaniu φi p - pole figury o polu 1, poddanej odwzorowaniu φi 1. Za punkt startowy procesu generacji zbioru wybrać wybrać 2 dowolny punkt pł płaszczyzny R . 3. Uż Używają ywając wylosowanego odwzorowania wyliczyć wyliczyć wspó współrzę rzędne nowego punktu pł płaszczyzny R2 4. Przyjąć Przyjąć wyliczony punkt, jako nowy punkt startowy i powtó powtórzyć rzyć krok 2. 9 Po wykonaniu 10.000 iteracji obraz uzyskanego zbioru wyglą wygląda tak: 10 a po wykonaniu 10.000.000 iteracji tak: 11 12 3 Wniosek: Przykład 4 Bardzo skomplikowany obiekt jest moż możliwy do opisania przy pomocy stosunkowo niewielkiego zbioru informacji: • 24 liczby ( współczynniki odwzorowań φ1, φ2, φ3, φ4), • prosty algorytm obliczeniowy. Pytanie 1: Czy i jak otrzymany po duż dużej liczbie iteracji zbió zbiór zależ zależy od punktu startowego algorytmu i jakie są są własnoś asności tego zbioru ? Niech będzie dane następujące odwzorowanie ϕ ( A ) = ϕ1 ( A ) ∪ ϕ 2 ( A ) ∪ ϕ 3 ( A ) ∪ ϕ 4 ( A ) gdzie A jest podzbiorem przestrzeni R2 a φ1, φ2, φ2, φ4 odwzorowaniami określonymi w tabeli 1. Zbiór „choinki” można otrzymać przy pomocy algorytmu deterministycznego w następujący sposób. 1. Za punkt startowy procesu generacji obrać dowolny podzbiór A0 płaszczyzny R2 , w szczególności punkt . Pytanie 2: Jaka jest rola czynnika losowego wystę występują pującego w algorytmie ? Czy moż możliwa jest generacja zbioru przy pomocy algorytmu deterministycznego ? 2. Wygenerować podzbiór A1 A1 = ϕ( A0 ) 13 2.2. Podstawy analizy funkcjonalnej 3. Generować Generować kolejne podzbiory wedł według reguł reguły Ak +1 = ϕ ( Ak ) Niech bę będzie dany zbió zbiór pewien zbió zbiór X. czyli inaczej Definicja 2: Metryką Metryką w zbiorze X nazywamy funkcję funkcję d : X × X → R speł spełniają niającą nastę następują pujące warunki: A0 - 1 punkt φ1 φ2 φ3 φ4 ... ... φ1 φ2 φ3 A1 - 4 punkty φ4 ... ... φ1 ... 14 φ2 φ3 • d( x1 ,x2 ) = 0 ⇔ x1 = x2 • d( x1 , x2 ) = d( x2 ,x1 ) • d( x1 , x2 )+ d( x2 , x3 ) ≥ d( x1 , x3 ) A2 - 16 punktó punktów φ4 Dla przykł przykładu X=R2 i tzw. metryka euklidesowa Ak - 4k punktó punktów d [( x1 , y1 ),( x2 , y2 )] = W granicy powstanie ten sam zbió zbiór co poprzednio. 15 ( x1 − x2 )2 + ( y1 − y2 )2 16 4 Definicja 3: Przestrzenią Przestrzenią metryczną metryczną nazywamy parę parę (X, d). Definicja 4: Cią Ciąg {x1,x2,…,xi,…} elementó elementów metrycznej (X, d) jest cią ciągiem Cauchy’ Cauchy’ego jeż jeżeli d ( xn , xm ) → 0 gdy przestrzeni d [ f ( x1 ), f ( x2 ) ] ≤ λ d ( x1 , x 2 ) n→∞ Definicja 5: Jeż Jeżeli dla każ każdego cią ciągu Cauchy’ Cauchy’ego {xi} istnieje w x∞ przestrzeni metrycznej (X, d) element taki, że d ( xn , x∞ ) → 0 gdy Definicja 6: Operację ają ącą w przestrzeni Operację f nazywamy zwęż zwężaj metrycznej (X, d) jeż jeżeli dla dowolnego x ∈ X zachodzi f ( x )∈ X i jeż jeżeli istnieje taka liczba λ ∈ (0 , 1) ,ż ,że dla dowolnych x1 ,x2 ∈ X speł spełniony jest warunek Lipschitza w postaci n→∞ to przestrzeń przestrzeń (X, d) jest zupeł zupełna a x∞ nazywa się się granicą granicą cią ciągu Cauchy’ Cauchy’ego. ego. Definicja 7: Rozwią Rozwiązanie x∞ ró równania x=f(x) nazywane jest punktem stał stałym operacji f . Twierdzenie (Banacha o odwzorowaniu zwęż ają ącym) zwężaj W przestrzeni metrycznej zupeł ają ąca zupełnej (X, d) operacja zwęż zwężaj ma dokł dokładnie jeden punkt stał stały. 17 • 0dległ 0dległość zbioru od zbioru 2.3. Odległość pomiędzy zbiorami R2 18 Niech (X, d) będzie przestrzenią przestrzenią metryczną metryczną zupeł zupełną (np. z metryką metryką euklidesową euklidesową ) a H(X) przestrzenią przestrzenią, któ której d ( A, B ) = max{d ( x , B ) : x ∈ A} A x d(A,B) d(A,B) elementami są są zwarte i niepuste podzbiory X. d(B,A) d(B,A) Pytanie : Jak okreś określić lić metrykę metrykę w przestrzeni H(X) czyli odległ odległość pomię pomiędzy zbiorami ? B d ( B , A ) = max {d ( y , A ) : y ∈ B } y • 0dległ 0dległość punktu od zbioru • 0dległ 0dległość pomię pomiędzy zbiorami (metryka Hausdorffa) A d ( x , B ) = min {d ( x , y ) : y ∈ B} x y d(x,B) d(x,B) d ( y , A ) = min {d ( x , y ) : x ∈ A} d(y,A) d(y,A) B y x 19 h( A , B ) = max { d ( A , B ), d ( B , A ) } h(A, h(A, B) speł spełnia trzy warunki metryki. 20 5 2.4. Wnioski • W zbiorze H(X) okreś określono metrykę metrykę h, czyli (H(X), h) jest przestrzenią przestrzenią metryczną metryczną. • Dla „choinki” choinki” generowanej wedł według algorytmu z rysunku, moż można pokazać pokazać, że kolejne zbiory Aj są elementami H(X) oraz, że odwzorowanie φ(A) jest zwęż ają ące. zwężaj A0 - 1 punkt φ1 φ2 φ3 φ4 ... A1 - 4 punkty ... φ1 φ2 ... φ3 φ4 • Speł Spełnione są są wię więc zał założenia twierdzenia Banacha, czyli „choinka” choinka” w granicy jest zawsze taka sama i nie zależ zależy od tego jaki jest zbió zbiór A0. 21 6