• Full Screen
  • Wide Screen
  • Narrow Screen
  • Increase font size
  • Default font size
  • Decrease font size
Ka and Broadband Communications Conference

Spesso la parola caos fa pensare impulsivamente ad una situazione o, per meglio dire, un sistema in cui vi è disordine completo, non controllabile e non predicibile in tempi futuri. Possiamo pensare ai mercati finanziari: osservando i grafici sugli andamenti degli indici di borsa o dei titoli azionari mostrati da televisione e giornali possiamo notare degli andamenti, come dire, caotici, poco o per nulla prevedibili. Possiamo pensare anche al caos mentale generato dai nostri pensieri che vagano incontrollati. Queste considerazioni portano a definizioni non corrette di caos, almeno in termini scientifici. Molti ricercatori infatti si sono cimentati nel tempo nella ricerca di ordini nascosti nel caos, studi che con il tempo hanno maturato molti risultati dando vita ad una teoria del caos.

Un esempio di fenomeno caotico può essere rappresentato dal problema della crescita della popolazione dei conigli studiato in tempi lontani da Leonardo da Pisa (meglio noto come Fibonacci). Un esempio importante di studio di fenomeni caotici è quello condotto da Edward Lorenz sulla meteorologia il quale trovò una importantissima proprietà dei sistemi caotici: essi sono fortemente dipendenti dalle condizioni iniziali. Successivamente questa caratteristica è diventata in un certo senso la definizione basilare di sistema caotico.



Un sistema caotico è caratterizzato dalla non linearità della sua evoluzione. Facciamo qualche esempio per chiarire meglio questo concetto basilare.
Un sistema è lineare quando è possibile stabilire una proporzionalità tra causa ed effetto. Un esempio è rappresentato dalla molla: se essa viene tirata (causa) viene alterato il suo equilibrio e di conseguenza c'è una forza di richiamo verso la sua posizione iniziale (effetto) che tende a ripristinare l'equilibrio. L'intensità di questa forza è proporzionale allo spostamento dalla posizione iniziale della molla (di riposo) dal momento che è stata tirata.
La formalizzazione matematica di questo fenomeno è nota come Legge di Hooke.

La non linearità entra in gioco quando questa proporzionalità viene meno. Un esempio classico è rappresentato dai fenomeni fluidodinamici in cui sono presenti gli effetti della turbolenza. Questi fenomeni sono descritti da equazioni alle derivate perziali non lineari la cui risoluzione analitica è possibile solamente in alcuni casi particolari, ragion per cui la ricerca delle loro soluzioni viene effettata per via numerica tramite l'ausilio di elaboratori elettronici.
Nei fenomeni non lineari è possibile definire un limite in cui si instaura il regime caotico.

Una teoria strettamente legata al caos è la teoria frattale: essa ha lo scopo di studiare a fondo le geometrie complesse e senza criterio. La geometria frattale trova gli ordini nascosti in quei sistemi caratterizzati da geometrie le cui dimensioni non sono intere. Facciamo un esempio: quando vediamo un sasso dalla forma irregolare tendiamo ad associarlo ad una pallina, ossia un oggetto a tre dimensioni. Questo perchè non sappiamo dargli una dimensione ben definita e per non incorrere in crisi sulla natura delle cose approssimiamo la sua dimensione. Quindi siamo portati a classificare gli oggetti come: oggetti unidimensionali (linee, dimensione = 1) bidimensionali (aree, dimensione=2) tridimensionali (volumi, dimensione = 3). Tamite la teoria frattale si può studiare l'oggetto più a fondo e dargli una dimensione non intera. Il sasso dell'esempio precedente non avrà più dimensione 3 bensì una dimensione non intera, compresa tra 2 e tre. La teoria frattale ha tuttavia applicazioni ben più complesse: un esempio può essere l'applicazione di essa ai grafici complicati degli indici di borsa.


Un ringraziamento sentito e doveroso va al mio professore di tesi, Prof. G. Gonnella (Università degli studi di Bari e INFN sez. Bari), autore della dispensa di "Lezioni di fisica non lineare" scritta per i suoi alunni, dalla quale prendo spunto per argomentare la teoria del caos.
Stampa

Leggi Evolutive

Modelli molto semplici a livello formale di sistemi dinamici sono i modelli evolutivi biologici, come quelli che descrivono le dinamiche di crescita di una popolazione di una certa specie. Le semplici relazioni matematiche che li descrivono possono presentare, infatti, dei comportamenti complessi nei quali si può instaurare entro certi limiti il regime caotico.

La loro dinamica di crescita temporale può essere studiata a tempi discreti, trascurando la sovrapposizione delle generazioni (ad. es. padre, figlio, etc.). In questo modo tra una generazione e la successiva intercorre un tempo discreto \Delta t che per semplicità può essere posto pari ad 1.

Una relazione che considera la variabile temporale a valori discreti viene detta mappa. Nei sistemi in cui possono instaurarsi dinamiche caotiche ha la sua importanza fondamentale una particolare mappa, detta Mappa Logistica, che ha un certo carattere di universalità per i sistemi caotici. Essa è rappresentata dalla seguente relazione

x_{n+1} = rx_{n}\left(1-x_{n}\right)


e come vedremo a breve, ad essa può essere ricondotta la legge di evoluzione di una popolazione, con la quale si spiegheranno anche i significati delle variabili e coefficienti. Nei post successivi saranno descritte le caratteristiche della mappa logistica.

Modelli evolutivi

Un semplice modello evolutivo è quello introdotto anni addietro da Leonardo da Pisa, meglio noto con il nome Fobonacci, il quale cercò di studiare la crescita di una popolazione di conigli. Egli partì dalla semplice considerazione che in un certo periodo temporale t un numero di coppie di conigli si riproducano, dando luogo al tempo t+1 ad una nuova generazione. Se N_{t} rappresenta la popolazione di conigli al tempo t, la generazione successiva N_{t+1} sarà legata alla precedente tramite una certa relazione

N_{t+1} = f\left(N_{t}\right)
 
dove f rappresenta la forma funzionale caratteristica del sistema che si vuolstodiare. Fibonacci nel suo studio trovò che la relazione
 
f\left(N_{t}\right) = N_{t} + N_{t-1}

ossia la popolazione al tempo t+1 dipende dalla somma delle popolazioni al tempo t e t-1. Questa non è altro che la nota successione di Fibonacci, che dà luogo ai numeri di Fibonacci

1, 1, 2, 3, 5, 8, 13, 21, 34, 55,...

I modelli evolutivi successivi hanno cercato di risolvere alcuni problemi di carattere concettuale, come considerare certi limiti alla crescita dipendenti dalla quantità di cibo a disposizione e altri fattori che rendono più realistiche le dinamiche evolutive.

Un modello che tiene conto di questi fatori è il ben noto modello evolutivo di Verhulst
 
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right).
 

Con esso si può descrivere, ad esempio, l'evoluzione di una popolazione d'insetti:

il fattore r è, ad esempio, il numero di uova che in media un insetto depone in un anno mentre i fattore \left(1 - N/K\right) descrive l'autolimitazione del sistema. Se infatti N=K si ha variazione temporale nulla. K è quindi un numero critico, oltre il quale non c'è più crescita; questo può ad esmpio capitare quando non c'è più cibo.

Possiamo allora considerare il modello di Verhlust a tempo discreto (indicando la variabile t con n)

N_{n+1} = rN_{n}\left(1 - \frac{N_{n}}{K}\right)

nel quale possiamo dividere ambo i membri per K e porre x_{n} = \frac{N_{n}}{K} ottenendo

x_{n} = rx_{n}\left(1-x_{n}\right)

che è proprio la mappa logistica di cui si è dato un accenno inizialmente.

Tale modello è stato ulteriormente ampliato considerando la diffusione di una specie per via dei fenomeni migratori. Si tratta del modello di Fisher-Kolmagoroff che introduce nel modello di Verhulst il termine diffusivo

\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right) + D\nabla^{2}N

con D costante di diffusione.


 


Stampa

Mappa Logistica - Introduzione


La mappa logistica è definita dalla seguente relazione

x_{n+1} = rx_{n}\left(1 - x_{n}\right)

definita nell'intervallo \left[0,1\right] per 1\leq r \leq 4. Questa definizione assicura che le traiettorie rappresentative della mappa siano sempre confinate nell'intervallo \left[0,1\right]; nel caso r=4 infatti questo confinamento verrebbe meno: se partiamo da un valore iniziale x_{0} = 1/2 si avrebbe
x_{n}\longrightarrow^{n\rightarrow\infty} \infty.
 
Al variare di r nell'intervallo di definizione della mappa logistica si possono illustrare tutti i regimi dinamici pre e post caos.

Solitamente si può scrivere la relazione funzionale della mappa nella forma generale

x_{n+1} = M\left(x_{n}\right)

e per una mappa iterata m volte

x_{n+m} = M^{m}\left(x_{n}\right) \equiv M\left(M^{m-1}\left(x_{n}\right)\right).

Un vaolre particolare di r per la mappa logistica è r=4: per tale valore la mappa logistica è riconducibile ad una mappa particolare detta mappa a tenda, il cui studio è molto utile per evidenziare alcune proprietà dei sistemi dinamici. La sua definizione è

x_{n+1} = 1 - 2|x_{n} - 1/2| con  0\leq x_{n}\leq 1


dove la scelta dell'intervallo di definizione assicura l'azione della mappa in un intervallo chiuso e limitato.
Si dimostra che la mappa a tenda, o la mappa logistica per r=4, rappresenta un sistema caotico. Un'altra proprietà importante evidenziata dalla mappa a tenda è quella di rimanere confinata nell'intervallo \left[0,1\right] (quindi limitata) tramite la sua azione di stiramento e ripiegamento: la prima consiste in uno stiramento dell'intervallo \left[0,1\right] di una lunghezza doppia rispetto a quella iniziale. Successivamente l'operazione di piegatura dell'intervallo su se stesso riporta ad un intervallo della stessa lunghezza di quello iniziale.


Stampa

Alcune definizioni importanti


Prima di studiare le caratteristiche delle mappe è opportuno conoscere alcune definizioni utili per la comprensione dei concetti che verranno trattati.

Consideriamo una legge dinamica nel continuo rappresentata dall'equazione differenziale

\dot{x} = M\left(x\right)

x\left(t_{0}\right) = x_{0}

dove M(x) funzione reale a valori reali non dipendente in modo esplicito dal tempo. La soluzione dell'equazione differenziale sarà una funzione x\left(t\right)

Lo spazio che rappresente l'insieme dei possibili valori di x è detto spazio delle fasi;
M(x) è un campo che genera il flusso delle x 'trasportate' dal tempo iniziale al tempo t;
L'insieme delle x(t) rappresenta un'orbita e rappresenta tutti quei punti delle linee di flusso, o per meglio dire, tutti quei punti che rappresentano lo stato del sistema dinamico nel tempo.
Un punto \bar{x} è un punto fisso per M(x) se M\left(\bar{x}\right) = \bar{x};
Un punto x_{s} è detto stazionario se f\left(x_{s}\right) = 0, cioè se rendono nulla la derivata \dot{x};
Sia M^{m}\left(x\right) una mappa iterata m-volte; diremo che x è un punto periodico di periodo N se M^{m}\left(x\right) = x
La mappa corrispondente prende allora il nome di mappa periodica e il punto periodico rappresenta un punto fisso per la mappa iterata m-volte M^{m}\left(x\right).



Stampa

Studio della mappa logistica - Regime non caotico


Analizziamo ora la mappa logistica al variare di r, vedendo i diversi comportamenti dinamici non caotici. Consideriamo l'equazione

x_{n+1} = rx_{n}\left(1 - x_{n}\right)

con x_{n+1} = x_{n} = M\left(x\right) i cui punti fissi risultano essere

x_{f1} = 0 \mbox{ e } x_{f2} = 1 - \frac{1}{r}

In generale la stabiltà dei punti fissi la si può studiare effettuando il valore assoluto della derivata della mappa |dM/dx| e studiando il segno:

|dM/dx|_{x=x_{f}} > 1 \Rightarrow x_{f} Instabile

|dM/dx|_{x=x_{f}} < 1 \Rightarrow x_{f} Stabile

Studiamo il caso r > 1; in particolare analizziamo il caso particolare r = 2,6. Il punto fisso x_{f1} = 0 è un punto fisso stabile o repulsore in quanto scegliendo una condizione iniziale x_{0} prossima al valore x_{f1} = 0 e iterando la mappa, il punto x_{n} si allontanerà da x_{f1} = 0, come si può osservare dalla figura seguente


Il punto fisso x_{f2} = 1 - \frac{1}{r} è invece un punto fisso stabile o attrattore in quanto tutte le traiettorie che partono nelle sue vicinanze tendoo a ritornare su di esso.
La figura seguente illustra in generale il comportamento generale della mappa logistica per r = 2,6. La retta bisettrice interseca la curva nei punti fissi e la sua funzione è quella di determinare graficamente la stabilità dei punti fissi.



In generale x_{f1} = 0 risulta essere instabile per tutti i valori di r mentre x_{f2} = 1 - \frac{1}{r} risulta essere stabile o un attrattore solo per 1 < r < 3.

Si dimostra che nell'intervallo di valori 1 < r < 3 non ci sono orbite con periodo maggiore di uno, per cui per ogni condizione iniziale x_{o} compresa nell'intervallo di valori 0 < x_{0} < 1 si avranno traiettorie che si avvicinano all'attrattore x_{f2} = 1 - \frac{1}{r}.
In questo caso l'intervallo \left[0,1\right] è detto Bacino di attrazione per l'attrattore x_{f2} = 1 - \frac{1}{r}.



Stampa

Studio della mappa logistica - Regime caotico e mappa a tenda

La mappa logistica per r=4 mostra una dinamica caotica. Questo lo si evince tramite lo studio della mappa a tenda: si dimostra infatti che la mappa logistica per r=4

x_{n+1} = 4x_{n}\left(1 - x_{n}\right)

è riconducibile alla mappa a tenda, definita dalla seguente relazione

x_{n+1} = 1 - 2|x_{n} - 1/2|

tramite un opportuno cambio di variabili. Se infatti introduciamo y_{n} a valori in \left[0,1\right] definita tramite la relazione seguente

sin^{2}\frac{y_{n}\pi}{2}

la mappa logistica assume la seguente forma (dopo gli opportuni calcoli)

x_{n+1} = 4x_{n}\left(1 - x_{n}\right) \Rightarrow sin^{2}\frac{y_{n}\pi}{2} = sin^{2}y_{n}\pi

che ha le seguenti soluzioni

\frac{y_{n}\pi}{2} = \pm y_{n}\pi + k\pi con k intero.

Imponendo l'appartenenza a \left[0,1\right] si ottiene

y_{n+1} = 2y_{n} \mbox{ per 0\leq y_{n}\leq 1/2}

y_{n+1} = 2 - 2y_{n} \mbox{ per 1/2\leq y_{n}\leq 1}

che è la definizione di mappa a tenda.

L'operazione di coniugazione topologica ci assicura che se almeno una delle due mappe è caorica lo è anche l'altra. In particolare se M(x) e T(x) sono due mappe

M: A\rightarrow A

T: B\rightarrow B

con A e B chiusi e limitati ed esiste un omeomorfismo O: A\rightarrow B che soddisfi

O\left(M\left(x\right)\right) = T\left(O\left(x\right)\right)

la mappa M è topologicamente coniugata.

Ritornando alla mappa a tenda, si dimostra che la trasformazione precedente è un omeomorfismo, per cui se la mappa a tenda è caotica lo è anche la mappa logistica per r=4.

Si può dimostrare che la mappa a tenda è caotica. Essa è caratterizzata da due azioni: stiramento e piegatura. Lo stiramento è responsabile dell'allontanamento delle orbite (inizialmente molto vicine), caratteristica dei sistemi fortemente sensibili alle condizioni iniziali (caotici) mentre la piegatura assicura che le orbite siano confinate in \left[0,1\right] (che siano quindi limitate).

Di seguito sono mostrate le figure rispettivamente della mappa a tenda, la mappa a tenda iterata due volte e la figura che mostra le operazioni di stiramento e piegatura.

     

 

 


Pagina 1 di 2

  • «
  •  Inizio 
  •  Prec. 
  •  1 
  •  2 
  •  Succ. 
  •  Fine 
  • »
Sei qui: