参数
预设
动画
理论说明
逻辑斯谛映射
xn+1 = r · xn · (1 − xn)
倍周期分岔点（近似值）
r₁≈3.000 (1→2)
r₂≈3.449 (2→4)
r₃≈3.544 (4→8)
r∞≈3.5699 (混沌起始)
费根鲍姆常数
δ = lim (r_n − r_{n-1})/(r_{n+1} − r_n) ≈ 4.6692
李雅普诺夫指数
λ > 0 → 混沌
λ < 0 → 周期解
CAE应用
非线性颤振、数值格式稳定性、湍流转捩
理论与主要公式
$$x_{n+1} = r\,x_n(1 - x_n) \quad (r \in [0,4])$$
ロジスティック写像。r：増殖率パラメータ、x_n：n世代の個体密度（0〜1の無次元量）
$$\lambda = \lim_{N\to\infty}\frac{1}{N}\sum_{n=0}^{N-1}\ln\!\left|r(1-2x_n)\right|$$
リャプノフ指数 λ。λ > 0：カオス、λ < 0：安定周期軌道、λ = 0：分岐点付近
$$\delta = \lim_{n\to\infty}\frac{r_n - r_{n-1}}{r_{n+1} - r_n} \approx 4.669$$
ファイゲンバウム定数。連続する倍周期分岐点 r_n の間隔比が収束する普遍定数
什么是分岔图与逻辑斯谛映射
🙋
这个“分岔图”看起来好复杂，像一棵树在分叉，它到底是什么呀？
🎓
简单来说，它就像一张“系统行为地图”。我们用一个超级简单的公式 $x_{n+1}= r x_n (1-x_n)$ 来模拟种群数量变化。横坐标是控制参数 $r$，纵坐标是系统最终稳定下来的状态。试着拖动上面控制 $r$ 值的滑块，从2.5慢慢拖到4，你会看到系统状态从1个点，分裂成2个点、4个点……最后变成一片模糊的“云”，这就是从有序走向混沌的路径图。
🙋
诶，真的吗？一个这么简单的公式，结果怎么会从几个点变成一片呢？这中间发生了什么？
🎓
这就是“倍周期分岔”的神奇之处。当$r$很小时，种群数会稳定在一个固定值。但当$r$超过某个临界点（比如约3.0），一个稳定点会“失稳”，分裂成在两个值之间交替振荡的周期2轨道。在实际模拟中，你改变参数后你会看到，每过一个分岔点，稳定周期的数目就翻一倍（2, 4, 8, 16…），直到周期变为无穷大，也就是混沌。
🙋
那片混沌区域里好像又不是完全乱的，有些地方有清晰的“窗口”，这是怎么回事？
🎓
问得好！混沌中隐藏着秩序。在混沌参数区（比如$r$接近3.83的地方），系统会突然短暂地回到有规律的状态，比如周期3振荡，这就是“周期窗口”。你可以把$r$滑块精确拖到3.83试试，轨道图会立刻从一片散点变成清晰的三个点。这告诉我们，混沌和有序是紧密交织的，这也是非线性系统迷人的复杂性。
物理模型与关键公式
系统的核心是逻辑斯谛映射，这是一个描述种群世代更迭的一维离散动力系统。
$$x_{n+1}= r \, x_n \, (1 - x_n)$$
其中，$x_n$ 是第 $n$ 代的种群数量（归一化到0和1之间），$r$ 是控制增长率的关键参数。这个简单的非线性项 $x(1-x)$ 体现了“密度制约”——种群增长会受到自身数量的限制。
为了量化系统的混沌程度，我们使用李雅普诺夫指数 $\lambda$。它衡量了相邻轨道随时间分离的平均指数速率。
$$\lambda = \lim_{N \to \infty}\frac{1}{N}\sum_{n=0}^{N-1} \ln |r(1 - 2x_n)|$$
$\lambda \gt 0$ 意味着系统处于混沌状态（对初始条件极端敏感）；$\lambda \lt 0$ 意味着系统稳定在周期或不动点上；$\lambda = 0$ 则对应分岔点。
现实世界中的应用
生态学与种群动力学：逻辑斯谛映射最初就是为模拟昆虫或鱼类种群数量而提出的。它可以帮助生态学家理解在有限资源下，种群数量为何不会无限增长，并预测在某些高增长率下可能出现的剧烈波动甚至崩溃。
流体力学与湍流研究：从层流到湍流的转变，与逻辑斯谛映射中从周期运动到混沌的“通往混沌之路”有深刻的类比。费根鲍姆常数所揭示的普适标度律，在湍流实验中也能观察到类似现象。
电子工程与非线性电路：在特定的非线性振荡电路（如蔡氏电路）中，通过调节一个电压或电阻参数，可以观察到清晰的倍周期分岔序列和混沌吸引子，其行为与逻辑斯谛映射高度相似。
金融与经济系统建模：虽然极其复杂，但一些简化的市场波动模型或经济增长模型会借鉴非线性动力学的思想，尝试理解经济数据中看似随机波动背后可能存在的确定性混沌机制。
常见误解与注意事项
首先，在使用此模拟器时，一个常见的疏忽是忽略“改变初始值 x0 不会改变分岔图的形态”这一事实。分岔图并非基于单一初始值进行计算，而是通过叠加多个初始值（或充分迭代后的轨道）来描绘“吸引子”的形态。因此，即使在工具中改变初始值，最终生成的分岔图整体框架（分支位置、混沌区域范围）也不会改变。这表明系统的“长期行为”不依赖于初始值（尽管在混沌区域内单个轨道对初始值敏感，但作为集合的吸引子保持不变）。
其次，关于计算的“迭代次数”与“绘图点的采样间隔”。在实时绘制中，为提升性能常会舍弃初始瞬态过程（例如，仅计算前1000次迭代而不绘制，随后再绘制接下来的1000次）。如果迭代次数过少，周期解可能尚未充分收敛就被绘制，导致图形显示模糊。反之，迭代次数过多则会加重绘制负担。调整工具参数时，请注意平衡这一点。
最后，一个实际应用中需警惕的误区是：“切勿将这一简单一维映射的结果直接套用于现实的复杂系统”。逻辑斯蒂映射是用于学习非线性动力学“原理”和“现象”的教科书式范例。实际的工程问题（如涡轮机械振动或化学反应不稳定性）涉及远更多的自由度和更复杂的方程。通过此工具应重点掌握“混沌”与“分岔”的概念，以及观察系统随参数变化的“定性行为转变”的方法。