1

Știința imaginilor fractale

Heinz-Otto Peitgen Dietmar Saupe

Editori

Știința imaginilor
fractale
Michael F. Barnsley Robert L. Devaney Benoit B. Mandelbrot Heinz-Otto Peitgen
Dietmar Saupe Richard F. Voss

Cu Contribuții de către
Yuval Fisher Michael McGuire

Cu 142 de ilustrații în 277 de părți și 39 de plăci color

Springer-Verlag New York Berlin Heidelberg Londra Paris Tokyo
Heinz-Otto Peitgen
Institut fur Dynamische Systeme, Universitatea Bremen, D-2800 Bremen 33, Republica Federală Germania și

Departamentul de Matematică, Universitatea din California, Santa Cruz, CA 95064, SUA Dietmar Saupe
Institut fur Dynamische Systeme, Universitatea Bremen, D-2800 Bremen 33, Republica Federală Germania

Poza de copertă prezintă un fractal care combină cele două subiecte principale ale acestei cărți: fractali determiniști și aleatori.
Partea deterministă este dată sub forma suprafeței potențiale într-o vecinătate a mulțimii Mandelbrot. Cerul este generat
folosind fractali aleatori. Imaginea este produsă de H. Jurgens, H.-O. Peitgen şi D. Saupe.
Imaginile de pe coperta din spate sunt: Black Forest in Winter (stânga sus, M. Barnsley, F. Jacquin, A. Malassenet, A. Sloan, L.
Reuter); Estimări de distanță la limita ansamblului Mandelbrot (dreapta sus, H. Jurgens, H.-O. Peitgen, D. Saupe); Insula
plutitoare Călătoriile lui Gulliver (centru stânga, R. Voss); Peisaj cețos cu cratere fractale (centru dreapta, R. Voss);
Amenajare fractală (jos, B. Mandelbrot, K. Musgrave).

Biblioteca Congresului Cataloging-in-Publication Data Știința imaginilor fractale: editat de Heinz-Otto Peitgen și Dietmar
Saupe; contribuţii ale lui Michael F. Barnsley . . . [et al.]. p. cm.
Pe baza notelor pentru cursul Fractali - introducere, elemente de bază și
perspective oferite de Michael F. Barnsley și alții, ca parte a programului de curs
SIGGRAPH '87 (Anaheim, California).
Bibliografie: p.
Include index.
1. Fractali. I. Peitgen, Heinz-Otto, 1945- . II. Saupe, Dietmar,
1954- . III. Barnsley, MF (Michael Fielding), 1946-
QA614.86.S35 1988
516—dcl9 88-12683

ISBN-13: 978-1-4612-8349-2 e-ISBN-13: 978-1-4612-3784-6

DOI: 10.1007/978-1-4612-3784-6
© 1988 de către Springer-Verlag New York Inc; drepturile de autor ale tuturor operelor de artă și imaginilor rămân în
proprietatea autorilor individuali.
Retipărire cu copertă moale a primei ediții cu copertă rigidă, 1988
Toate drepturile rezervate. Această lucrare nu poate fi tradusă sau copiată integral sau parțial fără permisiunea scrisă a
editorului (Springer-Verlag, 175 Fifth Avenue, New York, NY 10010, SUA), cu excepția unor scurte fragmente în legătură cu
recenzii sau analize academice. Este interzisă utilizarea în legătură cu orice formă de stocare și regăsire a informațiilor,
adaptare electronică, software de calculator sau prin metodologie similară sau diferită cunoscută acum sau dezvoltată în
continuare.
Utilizarea numelor descriptive generale, a denumirilor comerciale, a mărcilor comerciale etc. în această publicație, chiar dacă
primele nu sunt identificate în mod special, nu trebuie luată ca un semn că astfel de nume, așa cum sunt înțelese de Legea
mărcilor comerciale și a mărcilor de marfă, în consecință, poate fi folosit în mod liber de către oricine.

Această carte a fost pregătită cu HI^X pe computere Macintosh și reprodusă de Springer-Verlag dintr-o copie pregătită pentru
cameră, furnizată de editori.
TjnX este o marcă comercială a Societății Americane de Matematică. Macintosh este o marcă comercială a Applq Computer,
Inc.

98765

Prefaţă

Această carte se bazează pe note pentru cursul Fractals'.Introduction,

Basics and Perspectives susținut de Michael F. B amsley, Robert L. Devan
ey, Heinz-Otto Peitgen, Dietmar Saupe și Richard F. Voss. Cursul a
fost prezidat de Heinz-Otto Peitgen și a făcut parte din programul de curs
SIGGRAPH '87 (Anaheim, California). Deși cele cinci capitole ale acestei cărți
au apărut din aceste cursuri, am încercat să facem din această carte o preze
ntare coerentă și uniform stilată cât mai mult posibil. Este prima cart
e care discută despre fractali numai din punctul de vedere al graficii
computerizate. Deși conceptele fundamentale și algoritmii nu sunt i
ntroduși și discutați cu rigoare matematică, am făcut o încercare ser
ioasă de a justifica și motiva oriunde pare să fie de dorit. Algoritmii d
e bază sunt de obicei prezentați în pseudo-cod sau într-o descriere
atât de apropiată de cod încât un cititor care este familiarizat cu graf
ica elementară pe computer nu ar trebui să găsească nicio problemă
pentru a începe.
Geometria fractală a lui Mandelbrot oferă atât o descriere, cât și un model
matematic pentru multe dintre formele și modelele aparent complexe din natură
și științe. Fractalii au înflorit enorm în ultimii câțiva ani și au contribuit la
reconectarea cercetării matematicii pure cu științele naturii și cu calcu
lul. Grafica pe computer a jucat un rol esențial atât în dezvoltarea s
a, cât și în popularitatea în creștere rapidă. În schimb, geometria fra
ctală joacă acum un rol important în redarea, modelarea și animarea
fenomenelor naturale și a formelor fantastice în grafica computerizat
ă.
Suntem mândri și recunoscători că Benoit B. Mandelbrot a fost d
e acord să scrie o prefață detaliată pentru cartea noastră. În aceste
note frumoase, Părintele fractalilor ne împărtășește o parte din istoria g
rafică computerizată a fractalilor.
Cele cinci capitole din coperta cărții noastre:
• o introducere în axiomele de bază ale fractalilor și aplicațiile acestora în
științele naturii,
• un studiu de fractali aleatori împreună cu multe pseudocoduri pentru
algoritmi selectați,

2
 3

• o introducere în fractali fantastici, cum ar fi mulțimea Mandelbr

ot, mulțimile Julia și diferiți atractori haotici, împreună cu o dis
cuție detaliată a algoritmilor;
• modelarea fractală a obiectelor din lumea reală.
V
Capitolele 1 și 2 sunt dedicate fractalilor aleatorii. În timp ce cap
itolul 1 oferă, de asemenea, o introducere în conceptele de bază și
potențialul științific al fractalilor, capitolul 2 este în esență dedicat
algoritmilor și fundației lor matematice. Capitolele 3, 4 și 5 tratează
fractalii determiniști și dezvoltă un punct de vedere al sistemelor din
amice. Prima parte a capitolului 3 servește ca o introducere la capit
olele 4 și 5 și, de asemenea, descrie câteva legături către teoria rece
ntă a haosului.

Anexa cărții noastre are patru părți. În Anexa A, Benoit B. Mande

lbrot contribuie cu unele dintre ideile sale noi pentru a crea fractali
aleatori care sunt direcționați către simularea peisajelor, inclusiv m
unți și râuri. În Anexa B vă prezentăm o colecție de fotografii magnif
ice create și introduse de Michael Me Guire, care lucrează în tradiți
a lui Ansel Adams. Celelalte două anexe au fost adăugate în ultimul
moment. În Anexa C, Dietmar Saupe oferă o scurtă introducere în sis
temele de rescriere, care sunt utilizate pentru modelarea modelelor
de ramificare a plantelor și desenarea curbelor fractale clasice. Aces
tea sunt subiecte care altfel nu sunt tratate în această carte, dar cu s
iguranță își au locul în grafica computerizată a fractalilor. Anexa D fi
nală de Yuval Fisher de la Universitatea Cornell ne împărtășește baz
ele unui nou algoritm pentru setul Mandelbrot, care este foarte efici
ent și, prin urmare, are potențialul de a deveni popular pentru exper
imentele bazate pe PC.

Aproape pe parcursul cărții oferim pseudocoduri selectate pentr

u cei mai fundamentali algoritmi care sunt dezvoltați și discutați, un
ii dintre ei pentru începători și alții pentru cititorii avansați. Aceste c
oduri sunt menite să ilustreze metodele și să ajute la o primă implem
entare, prin urmare nu sunt optimizate pentru viteză.

Centrul cărții afișează 39 de plăci color care exemplifică potenți

alul algoritmilor discutați în carte. Acestea sunt denumite în text
Placă urmată de un singur număr N. Legendele plăcuței color se găse
sc pe paginile imediat premergătoare și următoare lucrării color. Ac
olo descriem, de asemenea, imaginile din față și din spate ale cărții.
Toate figurile alb-negru sunt listate ca Figura NM Aici N se referă la nu
mărul capitolului și M este un număr care rulează în cadrul capitolul
ui.

După prima noastră publicare în Scientific American, august 1985, s

etul Mandelbrot a devenit una dintre cele mai strălucitoare vedete al
e matematicii amatoare. De atunci, am primit numeroase e-mailuri d
e la entuziaști din întreaga lume.
VI
Am reprodus unele dintre cele mai frumoase experimente (folosind
MSetDEM (), vezi Capitolul 4) la paginile 20 și 306. Acestea au fost su
gerate de David Brooks și Daniel N. Kalikow, Framingham, Massach
usetts.
Bremen, martie 1988
Heinz-Otto Peitgen și Dietmar Saupe

Mulțumiri
Michael F. Barnsley recunoaște colaborarea cu Laurie Reuter și Alan
D. Sloan, ambii de la Georgia Institute of Technology. Robert L. Dev
aney îi mulțumește lui Chris Frazier de la Universitatea din Bremen
pentru că și-a pus figurile alb-negru în formă finală. Chris Frazier a p
rodus și figurile 0.2, 5.1, 5.2 și 5.17. Heinz-Otto Peitgen recunoaște
colaborarea cu Hartmut Jurgens și Dietmar Saupe, Universitatea din
Bremen și îi mulțumește lui Chris Frazier pentru unele dintre imagin
ile alb-negru. Dietmar Saupe îi mulțumește lui Richard F. Voss pentr
u că și-a împărtășit experiența cu privire la fractalii aleatori. Pe lâng
ă autori, mai multe persoane au contribuit la plăcuțele color ale ace
stei cărți, ceea ce este recunoscător. O listă detaliată a creditelor es
te dată în secțiunea Placă de culoare.

Michael F. Barnsley Rob

ert L. Devaney Yuval Fis
her Benoit B. Mandelbro
t Michael McGuire Hein
z-Otto Peitgen Dietmar
Saupe Richard F. Voss

VII
Michael F. Barnsley. *1946 în Folkestone (Anglia). Ph. D. în Chimie Teoretică, Universitatea din Wisconsin (Madison) 1972. Profesor de
matematică, Georgia Institute of Technology, Atlanta, din 1983. Fost la Universitatea din Wisconsin (Madison), Universitatea din Bradford
(Anglia), Centrul de Studii Nucleari de Saclay (Paris). Ofițer fondator al Iterated Systems, Inc.

RobertL. Devaney. *1948 în Lawrence, Mass. (SUA). Ph. D. la Universitatea din California, Berkeley, 1973. Profesor de matematică, Universitatea
din Boston 1980. Fost la Universitatea Northwestern și la Universitatea Tufts. Interese de cercetare: dinamică complexă, sisteme hamiltoniene.

4
 5

Yuval Fisher. *1962 în Israel. 1984 BS în Matematică și Fizică, Universitatea din California, Irvine. 1986 Master în Informatică, Universitatea
Cornell. 1988 Doctorat în Matematică (prevăzut), Universitatea Cornell.

Benoit B. Mandelbrot. *1924 la Varşovia (Polonia). S-a mutat la Paris în 1936, în SUA în 1958. Diploma 1947, Ecole Polytechnique, D. Sc. 1952,
Paris, Dr. Sc. (hc) Syracuse, Laurențian, Boston, SUNY. 1974 IBM Fellow la Thomas J. Watson Research Center și 1987 Abraham Robinson
profesor adjunct de științe matematice, Universitatea Yale. Medalia Barnard 1985, Medalia Franklin 1986. Membru al Academiei Americane de
Arte și Științe și al Academiei Naționale de Științe din SUA.

Michael McGuire. *1945 în Ballarat, Victoria (Australia). Doctor în fizică, Universitatea din Washington (Seattle), 1974. A lucrat în domeniul
standardelor de frecvență atomică la Universitatea din Mainz, Germania, NASA, Goddard Space Flight Center și Hewlett Packard Laboratories.

Heinz-Otto Peitgen. *1945 la Bruch (Germania). Dr. rer. nat. 1973, abilitare 1976, ambele de la Universitatea din Bonn. Cercetări privind analiza
neliniară și sistemele dinamice. 1977 Profesor de matematică la Universitatea din Bremen și din 1985 și profesor de matematică la Universitatea
din California din Santa Cruz. Profesor invitat în Belgia, Italia, Mexic și SUA.
Dietmar Saupe. *1954 la Bremen (Germania). Dr. rer. nat. 1982 la Universitatea din Bremen. Profesor asistent invitat de matematică la
Universitatea din California, Santa Cruz, 1985-87 și din 1987 la Universitatea din Bremen. Acolo este cercetător la Laboratorul de grafică a
sistemelor dinamice. Interese de cercetare: grafică pe computer și matematică experimentală.

Richard F. Voss. *1948 în St. Paul, Minnesota (SUA). 1970 BS în fizică de la MIT 1975 doctorat în fizică de la UC Berkeley. 1975-prezent:
Membru al personalului de cercetare la IBM Thomas J. Watson Research Laboratory din Yorktown Heights, NY. Cercetări în fizica materiei
condensate.
VIII
Cuprins

Prefața V
Cuvânt înainte: Oameni și evenimente din spatele „Știință a imaginilor fractale”
1
Benoit B.Mandelbrot
0.1 Preistoria unor viitori fractali: Poincare, Fricke, Klein și Escher
2
0,2 Fractali la IBM 5
0.3 Munții fractali de RF Voss .............................................6
0.4 Filme vechi 8
0,5 Star Trek II 8
0.6 Deplasarea punctului mediu în geometria greacă: construcția
lui Arhimede pentru parabolă 11
0,7 nori fractali 12
0,8 Arbori fractali 13
0.9 Iterație, matematica uscată de ieri și noile forme fractale ciudate și
minunate de astăzi și „Proiectul de supercomputer de geometrie”
...........................................................................................14
0.10 Devaney, Barnsley și Bremen „Frumusețea fractalilor”...17
1 Fractali în natură: de la caracterizare la simulare21
Richard F.Voss
1.1 Introducere vizuală în fractali: Linii de coastă, munți și nori22
1.1.1 Monștri matematici: moștenirea fractală 25
1.1.2 Fractali și auto-asemănarea 25
1.1.3 Un monstru timpuriu: curba fulgilor de zăpadă von Ko
ch ...26
1.1.4 Auto-asemănarea și dimensiunea 28
1.1.5 Auto-asemănarea statistică 30
1.1.6 Peisaje Mandelbrot 30
1.1.7 Cratere distribuite fractal 31
1.1.8 Planetă fractală: mișcarea browniană pe o sferă 33
1.1.9 Fulgi și nori fractali 33
 1.2 Fractali în natură: un scurt studiu de la agregare la muzică..3
5
1.2.1 Fractali la scară mare 36
1.2.2 Fractali la scară mică: materie de condensare 36
IX
1.2.3 Scalarea aleatoriei în timp: ^-zgomote 39
1.2.4 Muzică fractală ....................................................40
1.3 Modele matematice: mișcare browniană fracțională 42
1.3.1 Auto-afinitate 44
1.3.2 Seturi de zero 45
1.3.3 Autoafinitatea în dimensiuni superioare: peisaje
și nori Mandelbrot 45
1.3.4 Densitățile spectrale pentru fBm și exponentul spectral /?47
1.4 Algoritmi: Aproximarea fBm pe o grilă finită 47
1.4.1 Mișcarea browniană ca tăieturi independente 48
1.4.2 Filtrarea rapidă cu transformată Fourier 49
1.4.3 Deplasarea aleatorie a punctului mijlociu 51
1.4.4 Adunări aleatorii succesive 54
1.4.5 Funcția fractală aleatorie Weierstrass-Mandelbrot . ...55
1.5 Laputa: O poveste de încheiere 57
1.6 Detalii matematice și formalism 58
1.6.1 Mișcare browniană fracțională 58
1.6.2 Auto-asemănarea exactă și statistică 59
1.6.3 Măsurarea dimensiunii fractale D 61
1.6.4 Auto-afinitate 62
1.6.5 Relația dintre D și H pentru mișcarea browniană
fracțională autoafină ..........................................63
1.6.6 Traseele fBm 64
1.6.7 Autoafinitatea în dimensiunile E 64
1.6.8 Densitățile spectrale pentru fBm și exponentul spectral /?65
1.6.9 Măsurarea dimensiunilor fractale: Mandelbrot măsoară .66
1.6.10 ......................................................Lacunaritatea 67
1.6.11 Tăieri aleatorii cu H ^ j: teorema lui Campbell . . . . 69
1.6.12 ....................Filtrarea FFT în 2 și 3 dimensiuni 69
2 Algoritmi pentru fractali aleatori71
Dietmar Saupe
2.1 Introducere 71
2.2 Primul studiu de caz: mișcarea browniană unidimensională 74
2.2.1 Definiții 74
2.2.2 Integrarea zgomotului alb 75
2.2.3 Generarea numerelor aleatoare gaussiene 76
2.2.4 Metoda deplasării aleatoare a punctului mijlociu 78
2.2.5 Salturi independente 80
2.3 Mișcare browniană fracțională: Aproximare prin metode spațiale 82
2.3.1 Definiții 82
2.3.2 Metode de deplasare a punctului de mijloc 84
2.3.3 Deplasarea punctelor interpolate 87

X
2.4 Mișcare browniană fracțională: Aproximare prin sinteză spec
trală 90
6
 7

2.4.1 Reprezentarea spectrală a funcțiilor aleatoare . . . .

90
2.4.2 Exponentul spectral (3 în mișcare browniană fracțional
ă 91
2.4.3 Metoda de filtrare Fourier 93
2.5 Prelungiri la dimensiuni mai mari 95
2.5.1 Definiții 95
2.5.2 Metode de deplasare 96
2.5.3 Metoda de filtrare Fourier .......................................
105
2.6 Subdiviziunea stocastică generalizată și sinteza spectrală a v
alurilor oceanice109
2.7 Grafică computerizată pentru suprafețe netede și fractale11
2
2.7.1 Vedere de sus cu cote mapate color112
2.7.2 Metoda orizontului plutitor extins113
Plăcuțe colorate și legende 114
2.7.3 Datele și proiecția 126
2.7.4 Un model de iluminare simplu127
2.7.5 Redarea128
2.7.6 Manipularea datelor130
2.7.7 Culoare, anti-aliasing și umbre130
2.7.8 Considerații privind stocarea datelor131
2.8 Variabile aleatoare și funcții aleatoare133
3 Modele fractale care apar în sistemele dinamice haotice137
Robert L.Devaney
3.1 Introducere137
3.1.1 Sisteme dinamice 138
3.1.2 Un exemplu din ecologie139
3.1.3 Iterație141
3.1.4 Orbite143
3.2 Sisteme dinamice haotice145
3.2.1 Instabilitate: Setul haotic145
3.2.2 Un set haotic în planul 146
3.2.3 Un turtă dulce haotic149
3.3 Sisteme dinamice complexe150
3.3.1 Hărți complexe150
3.3.2 Mulțimea Julia152
3.3.3 Julia stabilește ca limite ale bazinului 154
3.3.4 Alte seturi Julia155
3.3.5 Seturile explozive Julia159
3.3.6 Intermitența163

XI
4 Fractali determiniști fantastici169
Heinz-Otto Peitgen
4.1 Introducere169
4.2 Familia pătratică170
4.2.1 Mandelbrot set 177
4.2.2 Vânarea K c în plan – rolul punctelor critice .180
 4.2.3 Seturi de niveluri182
4.2.4 Curbele echipotenţiale183
4.2.5 Estimatori de distanță 192
4.2.6 Unghiuri externe și descompuneri binare192
4.2.7 Setul Mandelbrot ca dicționar de o pagină pentru seturile Julia..199
4.3 Generalizări și extensii207
4.3.1 Metoda lui Newton207
4.3.2 Clasificarea Sullivan210
4.3.3 Familia pătratică revăzută210
4.3.4 Polinoame212
4.3.5 O hartă specială de gradul patru212
4.3.6 Metoda lui Newton pentru ecuații reale213
4.3.7 Efecte speciale214
5 Modelarea fractală a imaginilor din lumea reală219
Michael F. Barnsley
5.1 Introducere219
5.2 Referințe generale și comentarii introductive221
5.3 Introducere intuitivă în IFS: Haos și măsuri223
5.3.1 Jocul Haosului: „Capetele”, „Cozile” și „Latura” . . . . 223
5.3.2 Cum două frunze de iederă întinse pe o foaie de hârtie pot specifica o tra
nsformare afină227
5.4 Calcularea imaginilor din codurile IFS228
5.4.1 Ce este un cod IFS228
5.4.2 Modelul de bază asociat unui cod IFS..229
5.4.3 Cum sunt definite imaginile din modelul de bază..230
5.4.4 Algoritmul de calcul al imaginilor redate231
5.5 Determinarea codurilor IFS: Teorema colajului233
5.6 Demonstrații 238
5.6.1 Nori238
5.6.2 Peisaj cu coșuri și fum238
5.6.3 Vegetaţia239
A Peisaje fractale fără cute și cu râuri 243
Benoit B.Mandelbrot
A. 1 Variante non-Gauss și non-aleatoare ale deplasării punctului
mijlociu244 A. 1.1 Construcții de deplasare a punctului mijl
ociu pentru paraboloizi 244 A. 1.2 Deplasarea punctului mijl
ociu și fractali sistematici: curba fractală Takgi, înrudirea ace
steia și suprafețele aferente . . . . 2 4 6
X I I
A. 1.3 Deplasări aleatoare ale punctului mijlociu cu o
distribuție a deplasărilor brusc negaussiană .............248
A.2 Peisaje aleatorii fără cute .............................................250
A.2.1 O clasificare a schemelor de subdiviziune: Se pot deplasa
punctele medii fie ale firelor de cadru, fie ale plăcilor. . 250 A.2.2
Independența contextului și textura „încrețită” . . . . 251 A.2.3 Un
nou algoritm care utilizează deplasarea punctului mijlociu al
plăcilor triunghiulare ....................................................252
A.2.4 Un nou algoritm care utilizează deplasarea punct
ului de mijloc al plăcilor hexagonale ..............254
A.3 Peisaj aleatoriu construit pe rețele de râuri prescrise 255
A.3.1 Construirea pe o hartă non-aleatorie formată din
râuri drepte și bazine hidrografice, cu bazine de drenaj
pătrate 255

8
 9

A.3.2 Construind pe harta non-aleatorie prezentată în

partea de sus a
Planșa 73 din „Geometria fractală a naturii” ............258
B Un ochi pentru fractali261
Michael McGuire
C O abordare unificată a curbelor fractale și a plantelor 273
Dietmar Saupe
C. 1 Sisteme de rescriere a șirurilor ...................................273
C.2 Curba fulgului de zăpadă von Koch revizuită ............275
C. 3 Definiții formale și implementare279
D Explorarea ansamblului Mandelbrot287
Yuval Fisher
D. l Limitarea distanței la M288
D.2 Găsirea discurilor în interiorul M .................................294
D.3 Iulia conectată seturi .....................................................296
Bibliografie 297
Indexul 307

XIII
cuvânt înainte

Oameni și evenimente din spatele

„Știință a imaginilor fractale”

Benoit B.Mandelbrot
 Este o încântare să-l urmărești pe Heinz-Otto Peitgen cum se întâlne
ște cu câțiva dintre prietenii noștri comuni și spun lumii secretele de
senării fractalilor pe computer. Un pedant ar proclama, desigur, că p
rima publicare în fiecare ramură a fractalilor a dezvăluit imediat
fiecare secret care contează. Așa că permiteți-mi să reformulez ceea ce s-a spus:
scopul acestei cărți este să spună lumii cum să deseneze fractalii de bază fără a
redescoperi dureros ceea ce este deja cunoscut.
Cartea nu are nevoie de o prefață, dar a fost rugată să ofere una,
fără limitare a spațiului, a dezlănțuit un val de amintiri despre unii B
ărbați și unele Idei implicate în Știința Imaginilor Fractale, inclusiv at
ât Arta de dragul artei, cât și Arta de dragul Ştiinţă. Câteva dintre aceste
amintiri pot fi chiar calificate ca istorie, sau poate doar ca ceea ce fran
cezii numesc la petite histoire. După cum unii cititori știu deja, pentru m
ine istoria este pentru totdeauna parte a prezentului.
Poate ca o recompensă pentru păstrarea acestei convingeri, însuș
i faptul de a scrie pentru această carte amintirile mele referitoare la f
alsificarea fractală a peisajelor m-a făcut din nou nemulțumit de o ca
racteristică a tuturor falsurilor de fractali din trecut, că nu reușesc să
combine relieful cu râurile. În cele din urmă, am făcut ceva în legătur
ă cu acest defect, precum și cu alte trăsături ale falsurilor de subdivi
ziune descrise în corpul acestei cărți. Noile direcții sunt schițate în
Anexa A și au fost adăugate la această carte în ultimul moment.

1
cuvânt înainte

0.1 Preistoria unor viitori fractali: Poincare, Fricke, Klein

și Escher

Pentru început, în timp ce geometria fractală datează din 1975, este

important în multe privințe să știm că un număr de forme numărate
acum ca fractali sunt cunoscute de mult timp. Dar, în mod surprinzăt
or, puțini fuseseră de fapt desenați înainte de era computerului. Maj
oritatea erau auto-asemănătoare sau auto-afine și reprezintă munca
fără artă a desenatorilor de pe statul de plată al editorilor de știință.
De asemenea, există interpretări ale mișcării browniene fizice și sim
ulate în cartea lui Jean Perrin, LesAtomes și Introduction to Probability a lui
William Feller. Aceste redări m-au ajutat să visez în moduri fructuoase
(așa cum se spune în cartea mea din 1982 The Fractal Geometry of Nature
[68] p. 240), dar nu sunt frumoase. Viitorii fractali apar în lucrările lui
Fatou și Julia în jurul anului 1918, dar nu au condus la nicio ilustrare
în timpul lor.
Cu toate acestea, lucrările și mai timpurii ale lui Poincare din jurul anului
1890 includ multe schițe, iar două povești frumoase foarte diferite sunt legate
de ilustrații care au apărut la scurt timp după aceea, în cartea clasică intitulată
Vorlesungen ttber die Theorie der automorphenFunktionen[43], publicată de
10
 11

Fricke & Klein . în 1897. Textul acestei cărți și prefața ei sunt de mâna lui
Fricke, R. Robert Fricke, dar (vezi p. vi) marele Felix Klein, „un profesor și
prieten drag” pare să fi consimțit cu bunăvoință să i se adauge numele. pe p
agina de titlu. Ilustrațiile au devenit și mai faimoase decât textul. Ele
au fost reproduse la nesfârșit în cărți de matematică, iar în bine și în
rău au afectat intuiția nenumăraților matematicieni.
O legendă tenace susține că studenții de la desenul industrial de la Technische Hochsc
hule din Braunschweig, unde Fricke preda matematică, au desenat aceste cifre ca teme,
sau poate chiar ca examen. S-au scris cuvinte neplăcute despre unele dintre rezultate. De
fapt, mi-am făcut partea mea în a detalia defectele celor care pretind că reprezintă seturile de limite
fractale ale anumitor grupuri kleiniene (determinând pe unii să se întrebe care dintre studenții lui
Fricke ar trebui să fie eșuat în mod postum) . Aceste cifre dubioase au fost desenate cu ajutoru
l algoritmului original al lui Poincare, care este foarte lent, prea lent chiar și pentru comp
uter. Totuși, lucrarea mea [70] din The Mathematical Intelligencer din 1983 a oferit un nou algoritm
explicit și rapid pentru construirea unor astfel de seturi de limite, ca complemente ale anumitor
„discuri sigma”, și a comparat Figura 156 a lui Fricke cu forma reală desenată de un program de
calculator ce folosește noul algoritm. Comparația este rezumată în Geometria fractală a naturii, pagi
na 179. Așa cum era de așteptat, forma reală este de departe cea mai detaliată și mai raf
inată dintre cele două, dar asta nu este tot: împotriva tuturor așteptărilor, nu este nec . -

percepută în mod esențial ca fiind mai complicată. Simt că este mai armonios și poate fi
înțeles ca un întreg, prin urmare este perceput ca mult mai simplu decât imaginile vechi
stângace. Cu toate acestea, un matematician celebru (cu 15 ani mai mare cu mine) și-a
exprimat consternarea când a văzut fundamentul încă vibrant al intuiției sale doborât de
o simplă mașinărie.
cuvânt înainte

De un interes popular mai larg sunt, de departe, desenele lui Fricke cu „teselații hiperbolice”,
motivul fiind că acestea au devenit foarte populare în spatele diverselor ornamente datori
tă stiloului lui Maurits C. Escher, așa cum se vede, de exemplu, în cartea The World of MC.
Escher [33], Mulți oameni percep imediat o conexiune „evidentă, dar greu de descris” între n Escher ș
i fractali și este bine de știut că aceste teselații sunt într-adevăr strâns legate de fractali.
De fapt, ele au fost declanșate cu bună știință de Poincare, așa cum este bine documen
tat de HSM Coxeter în lucrarea sa Leonardo [22] din 1979. După ce a văzut unele dintre
lucrările timpurii ale lui Escher, acest geometru binecunoscut i-a scris și a primit următorul răspuns:
„ Ți-am mulțumit vreodată...? Am fost atât de încântat de această broșură și mândră de cele două
reproduceri ale modelelor mele de avion!... Deși textul articolului dvs. [în trad. Royal Soc. Canada,
1957] este mult prea învățat pentru un simplu model de avion ca mine, unele dintre ilustrații... mi-au
dat un șoc. ... De multă vreme sunt interesat de modele cu „motivele” care devin din ce în ce mai mici
până ating limita micii infinite... dar nu am reușit niciodată să fac un model în care fiecare „pătă” să
devină mai mică treptat. de la un centru spre limita cercului exterioară, după cum arătați... Am încercat
să aflu cum a fost construită geometric această figură , dar am reușit doar să găsesc centrele și r
azele celor mai mari cercuri interioare. Dacă ai putea să-mi dai o explicație simplă..., a ș f
i extrem de mulțumit și foarte recunoscător! Există și alte sisteme în afară de acesta pen
tru a atinge o limită de cerc ? Cu toate acestea,... am folosit modelul tău pentru o gravură mare”.
Aceasta a fost tabloul său „Circle Limit I”, despre care a scris cu altă ocazie: „Această gravură în lemn
Circle Limit I , fiind o primă încercare, prezintă tot felul de neajunsuri”.
În răspunsul său, Coxe ter i-a spus lui Escher despre nenumăratele modele care țeseau un plan
euclidian sau non-euclidian prin triunghiuri alb-negru. Caietele de schițe ale lui Escher arată că el a
urmărit cu sârguință aceste idei înainte de a finaliza Circle Limits II, III, IV. El a scris: „În gravura în le
mn colorată Circle Limit III, majoritatea defectelor [a Circle Limit I] au fost eliminate”. În Magic
Mirror of MC Escher (1976), Bruno Ernst a scris: „cel mai bun dintre cele patru este Circle Limit III, dat
at 1959... Pe lângă arcuri plasate în unghi drept față de circumferință (cum ar trebui să fie),
sunt și niște arce care nu sunt așa așezate”. [Revenind acum la Coxeter], „De fapt, toate arcurile albe
„ar trebui” să taie circumferința la același unghi, și anume 80° (ceea ce fac, cu o precizie remarcabilă).
Astfel, opera lui Escher, bazată pe intuiția sa, fără niciun calcul, este perfectă, chiar dacă descrierea lui
poetică a ei a fost doar aproximativă”.
Cititorul este încurajat să citească lucrarea lui Coxeter dincolo de aceste citate scurte, dar o lecție
importantă rămâne s. După cum sa spus deja, imaginile Coxeter care l-au făcut pe Escher s
ă adopte stilul pentru care a devenit celebru, de unde în cele din urmă 0,2 Fractali la IBM

au afectat estetica multora dintre contemporanii noștri, nu au fost creația pură a minții unui artist. Au v
enit direct de la Fricke & Klein, au fost în mare parte inspirați de Henri Poincare și aparți
n aceluiași univers geometric ca și fractalii. Rețineți, de asemenea, că povestea precede
ntă este una dintre cele două din această lucrare care implică o persoană care a fost pre
gătită profesional ca artist.

0.2 Fractali la IBM

Primii pași ai dezvoltării unei geometrii fractale sistematice, inclusiv aspectele ei grafice,
au fost făcuți la Centrul de Cercetare IBM TJ Watson sau oriunde s-a întâmplat să vizitez
din această bază IBM. Următoarea sarcină, așadar, în succesiune istorică, este să ne ami
ntim despre proiectul IBM fractali.
Acest proiect a fost întotdeauna un exemplu de știință foarte mică, de fapt, sa redus l
a mine în primii zece din cei treizeci de ani la IBM. De atunci, a inclus, în principiu, un
programator full-time; de fapt, au existat suprapuneri scurte și perioade lungi fără programator.
Asistenții lui JM Berger (pe care îl „împrumutasem” în 1962), precum și primul asistent al proiectului
meu, Hirsh Lewitan, erau angajați IBM „de carieră”, dar toți ceilalți erau proaspăt absolven
12
 13

ți sau chiar studenți cu contract scurt. Iată o listă cronologică completă a celor care au
stat peste câteva săptămâni: GBLichtenberger (part-time), MSTaqqu, JLOneto, SWHande
lman, MRLaff, P.Moldave (part-time), DMMcKenna, JAGiven, E.Hironaka, L. Seiter, F.Gud
er, R.Gagne și K. Musgrave. Acordarea bursei IBM în 1974 a adus și un secretar cu jumăt
ate de normă: HCDietrich, apoi JT Riznychok și mai târziu V.Singh, iar astăzi L.Vasta este
secretarul meu cu normă întreagă.
RFVoss este din 1975 un prieten de neprețuit și (după cum voi spune pentru momen
t) un partener apropiat atunci când nu era ocupat cu fizica lui la temperaturi scăzute. M
atematicienii J.Peyriere, J.Hawkes și VANorton și meteorologul S. Lovejoy (intermitent) au
fost vizitatori post-doctorali de un an sau doi fiecare, și doi „IBM'eri”, hidrologul JR Wallis și
lingvistul FJDamerau , au petrecut perioade scurte ca vizitatori de facto între proiecte. În ceea ce
privește echipamentele, dincolo de proiectoare de diapozitive, terminale și PC-uri și (desigur) o alocare
bună, dar nu fastuoasă de cicluri de calculator, proiectul meu deține un înregistrator de film de înaltă
calitate din 1983. Desigur, câțiva colegi IBM din afara proiectului meu au de asemenea, ocazional, a
lucrat pe scurt la fractali.
Aceste liste foarte scurte merită detaliate, din cauza anchetelor care au început să vină la începutul
anului 1986, când s-a afirmat în tipărire, fără nicio intenție de a lăuda, că „IBM a cheltuit pe fractali o
proporție perceptibilă din întreaga sa cercetare.
Prefață buget”. Absolvenții proiectului sunt surprinși, dar nesfârșit mândri de faptul că percepția
bizară că fractalii au devenit vreodată mare știință la IBM ar trebui să fie atât de larg acceptată cu
bună-credință. Dar adevărul aproape uzat este și mai interesant pentru mulți observatori ai scenei
științifice de astăzi. A o accepta și a găsi că merită recunoștință, a fost prețul plătit pentru libertatea
academică din mediul academic.

Scurtitatea acestor liste care acoperă douăzeci de ani din cei treizeci de când m-am
alăturat IBM explică și recunoștința mea nemărginită pentru acești câțiva oameni.

0.3 Munții fractali de RF Voss

Următoarea mea sarcină și foarte plăcută este să povestesc cum i-am cunoscut pe coaut
orii acestei cărți și pe alți oameni care contează pentru povestea Științei imaginilor
fractale.
În primăvara anului 1975, Richard F. Voss trecea prin SUA în căutarea locului de mu
ncă potrivit. În curând avea să devină Dr. Voss, pe baza unei dizertații Berkeley, al cărei
conținut varia de la electronică la muzică, fără a fi nevoit să părăsească vreodată studiul
unui fenomen fizic larg răspândit (total derutant atunci și aproape la fel de derutant astă
zi), numit y -zgomot. Alte aspecte ale acestui zgomot, toate implicând fractali, au fost prefe
ratele mele încă din 1963, iar cartea mea Les objets fractals, care urma să fie publicată în iu
nie 1975, urma să conțină munți fractali primitivi bazați pe o generalizare a j -zgomotului
de la curbe la suprafete. Una dintre părțile cele mai izbitoare ale tezei lui Voss se referea la muzica
(compusă), despre care el a descoperit că avea multe fațete care implică zgomotele y. El a bazat chia
r și o micro-cantată pe înregistrarea istorică a deversărilor râului Nil, un subiect drag ini
mii mele.
Prin urmare, Voss și cu mine am vorbit după discuția lui despre căutarea unui loc de
muncă la IBM Yorktown și i-am oferit o înțelegere: vino aici și lasă-ne să jucăm împreun
ă; ceva cu adevărat frumos va ieși la iveală. S-a alăturat grupului de temperatură scăzută
din Yorktown și am devenit curând colegi și prieteni apropiați. Spre deosebire de ceea c
e este considerat de la sine înțeles, nu s-a alăturat niciodată micutului meu proiect și și-
a petrecut cea mai mare parte a timpului pe fizica experimentală. Cu toate acestea, cont
ribuția sa la fractali a venit într-un moment critic și a fost absolut esen țială. În primul rân
d, am vorbit despre scrierea unei cărți despre y-noise, dar acest proiect nu a demarat ni
ciodată (și nimeni altcineva nu l-a realizat, din câte știu). Într-adevăr, de fiecare dată cân
d trecea să lucreze împreună, m-a găsit implicat în ceva foarte diferit, și anume, traducer
ea și revizuirea Les objets fractals. Rezultatul final a apărut în 1977 sub numele de Fractals, ia
r pregătirea lui a continuat să ridice probleme de grafică. Voss a întrebat neîncetat ce fă
ceam eu și Sig Handelman și a tot întrebat dacă vom lua în considerare modalități mai b
une, apoi a găsit o modalitate sigură de a ne obține întreaga atenție.
0.3 Munții fractali

El a evocat un sistem de grafică computerizată în care nu trebuia să existe niciunul și a a

dus imagini cu fractali care erau mult peste ceea ce aveam de-a face până atunci. Au ap
ărut în Fractals, motiv pentru care prefața îl descrie drept coautor al imaginilor din acea c
arte.
Culoarea a venit târziu la Yorktown, unde se pare că noi, fractaliștii, am continuat să
fim singurii care au folosit grafică pretențioasă în munca noastră. Am folosit prima dată c
uloarea în următoarea mea carte, Geometria fractală a naturii din 1982. La sfârșitul anului 198
1, textul era deja în presă, dar imaginile color nu fuseseră încă livrate editorilor. Reportofonul pe care
îl folosim era al nostru cu o închiriere scurtă, iar acest fapt și orice altceva conspirau să ne facă să ne
grăbim, dar am ripostat. Întrucât „dorința este nemărginită și actul un sclav al limitării” ([68], p. 3 8),
am luptat cel mai mult de dragul Fractal Planetrise pe jacheta cărții. Curând a fost rafinat la ceea ce
(după standardele din 1981) a fost perfecțiune, dar acest lucru nu a fost suficient. Doar încă o zi de
muncă, sau încă o săptămână, am pledat, și vom realiza ceva care nu ar avea nevoie de nicio
îmbunătățire suplimentară, care nu ar trebui să fie retușat atunci când „grafic lo-fi” va dispărea, pentru
a fi înlocuit cu „ hi-fi grafic”. Spre bucuria noastră, acest Voss s-a potrivit foarte bine.
Ilustrațiile fractale au început ca fiind în întregime unitare, frumusețea percepută a c
elor vechi de Jean-Louis Oneto și Sig Handelman fiind un bonus neașteptat și necâștiga
t. Dar până în 1981 frumusețea lor s-a maturizat și merita respect, chiar și din partea no
astră, oamenii de știință, și merita un cadou al timpului nostru. Mulți oameni mi-au arăt
at, din acele vremuri, imaginile lor fractale cu sute, dar aș fi fost mai fericit în majoritatea
cazurilor cu mai puține imagini atent elaborate.
Toată lumea se uimește la imaginile lui Voss și „a vedea [le] înseamnă a crede [în geometria
fractală]”. De asemenea, specialiștii se întreabă cum au fost realizate aceste imagini, pentru că, fără a
atrage vreodată atenția asupra faptului, Voss a evocat în mod repetat trucuri tehnice care erau
echivalente cu procedurile de grafică pe computer care nu s-au dezvoltat oficial decât mul
t mai târziu. Acest lucru aduce în minte o remarcă filozofică.
Privind pe Voss artistul computerizat și pe Voss fizicianul la lucru timp de mulți ani, î
mi tot amintea de necesitatea unui stres fructuos între aspectele sociale și cele private a
le unui om de știință. Singurul mod civilizat de a fi un om de știință este să te angajezi în
procesul de a face știință în primul rând pentru plăcerea privată. A obține plăcere din rezultatele
publice ale acestui proces este o chestiune mult mai comună și cu totul diferită. Pericolul
binecunoscut este că, în timp ce dilettare înseamnă a delecta în italiană, derivatul său
diletante este un termen de dispreț. Deși nu puțini pretind individual că sunt oameni de ș
tiință serioși, dar motivați în primul rând de plăcerea personală a muncii lor, foarte puți
ni ar putea oferi
Prefață ceea ce consider singura dovadă acceptabilă a „diletantismului serios”. Aceasta este o dorință
și poate chiar o constrângere de a lăsa părți semnificative din cea mai bună lucrare nepublicată sau
neanunțată - știind foarte bine că cineva ar putea revendica meritul pentru ele. Acest lucru poate fi cel
mai ușor pentru giganții științifici; Lars Onsager a fost o legendă în acest sens. Pe de altă parte, fiecare
om de știință a fost martorul activ sau pasiv al e pisodes atunci când nu se putea sau nu s-ar p
utea lucra într-un domeniu fără a deveni complet necivilizat. Prin urmare, adevăratul test
apare atunci când comportamentul civilizat nu este nici ușor, nici imposibil. Pe aceste te
meiuri și pe alte temeiuri stricte, îl consider pe Dick Voss (ca expert în grafică și fizician)
ca fiind unul dintre cei mai civilizați oameni de știință serioși pe care-i cunosc.
14
 15

0.4 Filme vechi

Dar filmele? Eram prost echipați pentru a le produce, având la dispoziție doar un report
ofon epuizat (un Stormberg-Carlson 4020 pe bază de tub). În 1972, însă, împreună cu H
irsh Lewitan, am pregătit un clip despre crearea clusterelor de galaxii fractale, folosind m
etoda Universului Sămânțat . Apoi, în 1975, împreună cu Sig Handelman, am adăugat un clip
în care peisajul care va fi folosit ulterior ca Planșa 271 din Geometria fractală a naturii a apăr
ut lent din adânc, apoi s-a rotit maiestuos (sau cel puțin foarte încet) și în cele din urmă
a alunecat. înapoi sub apă. În mod spontan, toată lumea a numit aceasta secven ța Potop .
Dintr-o întâmplare, cea mai mare altitudine a fost atinsă în două puncte distincte, iar un
defect de programare a oprit potopul când aceste puncte erau încă vizibile. Încântat, m-
am lăsat să comentez că modelul meu fractal de relief a prezis că există două vârfuri la
Muntele Ararat, nu unul,... până când un auditor direct din Armenia a raportat foarte sec
că acest fapt era binecunoscut de toată lumea din țara lui. . Secvențele Clustering
Galaxy și Muntele Ararat Muntele Ararat , luate împreună, au fost supranumite Duminica
Concurență cu Bunul Dumnezeu. Curând au ajuns să pară depășiți și jalnic de primitivi, dar acu
m sunt de interes istoric,... antichități valoroase.
The Flood și o animație recentă a uneia dintre bazele de date ale lui Voss, realizată de R.Greenberg
Associates, ambele s-au deplasat în jurul unui peisaj, fără a mări.

0,5 Star Trek II

Dar cum rămâne cu „adevăratul Hollywood”? „Ea” și-a dat seama imediat de potențialul ilustrațiilor de
peisaj ale lui Voss în cartea mea din 1977 și a introdus curând variante ale acestor fractali în filmele
sale. Acest lucru a adus o reconstituire minunată a vechiului 0.5 Star Trek II

și mereu nouă poveste despre Frumoasa și Bestia, din moment ce se ia de la sine înțeles
că filmele sunt mai puțin despre creier decât despre frumusețe și din moment ce puțini
i matematicieni inteligenți care știau despre viitorii fractali individuali luaseră de la sine î
nțeles (până când cărți) că aceștia nu erau decât Monștri,... Fiară. Pilonii „Hollywoodului nostru
extins geografic” au fost Alain Fournier, Don Fussell și Loren Carpenter. La începutul anului 1980,
John W. van Ness, un coautor al meu în 1968, care se mutase la Universitatea din Texas din Dallas,
mi-a cerut să comentez despre proiectul doctoratului studentului său Fournier. disertație. Fournier și
Fussell ne-au scris mai devreme cerând ca programele IBM să genereze munți fractali, dar nu am vrut
să avem de-a face cu avocați de dragul unor programe care nu erau documentate și erau prea
strâns legate de un singur set de computere pentru a fi ușor. transportat oriunde altunde
va. Prin urmare, Fournier și Fussell au mers pe drumul lor și au ajuns în curând la o meto
dă alternativă care promitea calcule drastic mai rapide decât cele ale lui Voss.
Tocmai aceeași alternativă a fost lovită în același timp de Loren Carpenter, apoi la Bo
eing Aircraft, la scurt timp după aceea pentru a se muta la Lucasfilm, iar acum la Pixar. În
propriile sale cuvinte în The College Mathematics Journal din martie 1984,

„Am ieșit și am cumpărat Geometria fractală a naturii de îndată ce am citit rubrica originală a
lui Martin Gardner despre acest subiect în Scientific American. L-am parcurs cu lupa de d
ouă sau trei ori. Am descoperit că a fost inspirațional mai mult decât orice
altceva. Ceea ce am înțeles eu însumi a fost ideea că „Hei, aceste lucruri s-au terminat și
dacă pot găsi un model matematic rezonabil pentru a face imagini, pot face imagini cu
toate lucrurile în care se găsesc fractalii. De aceea am era destul de încântat de asta
„Metoda pe care o folosesc este subdiviziunea recursivă și are o mulțime de avantaje
pentru aplicațiile cu care avem de-a face aici; adică perspectivă extremă, mișcare
dinamică, control local — dacă vreau să pun o casă aici, o pot face. Procesul de s
 ubdiviziune implică o împărțire recursivă a triunghiurilor mari în triunghiuri m
ai mici.
Putem ajusta finețea preciziei pe care o folosim. De exemplu, în „Star Trek”, imaginile nu
au fost calculate la o rezoluție cât mai fină posibil, deoarece este o secvență animat
ă și lucrurile merg repede. Puteți vedea mici triunghiuri dacă vă uitați cu aten
ție, dar majoritatea oamenilor nu le-au văzut niciodată.
„Mandelbrot și alții care au studiat acest tip de procese matematic au fost conștienți de
mult timp că există aproximări recursive pentru ele, dar ideea de a folosi efectiv
aproximații recursive.
Prefață aproximări pentru a face imagini, o aplicație de tip grafică pe computer, din cât
e știm, mi-a apărut prima dată mie și Fournier și Fussel, în 1979 -

„Una dintre problemele majore cu fractalii în imaginile sintetice este problema

controlului. Au tendința de a scăpa de sub control. Ele vor merge la întâmplare peste tot
pe tine. Dacă vrei să ții un pumn strâns pe el și să-l faci să arate așa cum vrei să arate,
necesită destul de puțină reparație și experiență pentru a-l face corect. Nu sunt mulți
oameni în jur care să știe să o facă.”

Pe când încă la Boeing, Carpenter a devenit faimos în cercurile graficii pe computer

pentru că a realizat un scurt film fractal, Vol Libre, și a fost chemat la Lucasfilm pentru a av
ea un rol principal în pregătirea lungmetrajului Star Trek II: The Wrath of Khan. Mai multe secv
ențe generate de computer ale acestui film implică peisaje fractale și au devenit, de ase
menea, clasice în comunitatea de bază a graficii pe computer. Cea mai cunoscută este s
ecvența de transformare a planetei Genesis . O companie diferită, Digital Productions, a i
nclus mai târziu peisaje fractale masive în The Last Starfighter, pe care le-am văzut – fără să le
aud – într-un avion. Văzusem Star Trek într-o sală de cinema suburbană (de vreme ce mergea
m acolo la datorie, mi s-a rambursat talonul). Un asociat îl văzuse într-o zi anterioară și r
aportase că este păcat că părțile fractale au fost tăiate (adăugând ca consolare faptul că
se știe că decupau întotdeauna cele mai bune părți din suburbii). Bineînțeles, eu și soția
mea am văzut imediat de unde a început porțiunea fractală și ne-am minunat: dacă cine
va mai puțin cufundat în aceste chestiuni decât noi doi ar putea fi păcălit atât de u șor, c
um rămâne cu oamenii în general?
Mai târziu, intervievat pentru numărul din vara 1985 al revistei La lettre de V image,
Carpenter a descris constrângerile severe de cost impuse de munca sa: „Nu ne permitem să cheltuim de
două ori mai mulți bani pentru a îmbunătăți calitatea imaginilor cu 2%”. Ne-ar urî să ni se ceară să a
tașăm un procentaj numeric la îmbunătățirea calității, dar costurile computerelor continuă s
ă scadă brusc și sperăm că viitoarele filme de lung metraj care folosesc fractali vor fi iefti
ne, în timp ce vor fi plăcute chiar și celor mai deranjați dintre matematicieni.
Acest episod Frumoasa și Bestia a fost cel mai plăcut, dar ne-a atras și în câteva zgâri
eturi, golite de mult de amărăciune, dar instructive. Am fost dezamăgiți că nesfâr șitele cr
edite ale filmelor nu au inclus niciodată cuvântul fractal și nici numele noastre. Scuza era
că toți cei care contau știau, așa că nu era nevoie să spună nimic. În plus, avoca ții se te
meau că, dacă s-ar fi menționat, am fi fost puși în situația de a da în judecată o parte di
n tort. Lumea în general nu crede că oamenii de știință sunt resemnați cu faptul că cea
mai bună lucrare a lor — 0,6 geometria greacă, principiile matematicii și legile naturii — nu pot fi
brevetate, protejate prin drepturi de autor sau protejate în alt mod. Tot ceea ce oamenii de știință se pot
aștepta este să fie plătit în moneda publicului, nu privat, laudele.

16
 17

Mai târziu, am salutat cu amuzament termenul „grefat” al lui Alvy Ray Smith. Diferențele față de
„fractal” au fost cu greu suficiente pentru a justifica această variație proprie asupra monedei mele.
Fournier, Fussel și Carpenter nu sunt reprezentați în această carte. Păcat că nu am aj
uns să-i cunoaștem mai bine. Nu ne-au scris aproape niciodată, chiar și într-un moment
în care am fi putut să le ajutăm și i-ar fi plăcut să facem acest lucru, și oricum și-ar fi plăc
ut să le urmărească munca pe măsură ce a evoluat.

0.6 Deplasarea punctului mediu în geometria greacă:

Construcția lui Arhimede pentru parabolă
Zgârieturile noastre cu „Hollywoodul nostru” au dus la o varietate de impresii reciproc c
ontradictorii. Unii oameni au ajuns să creadă că peisajele fractale ale lui Fournier, Fussel
și Carpenter nu sunt, cumva, „fractali adevărați”. Desigur, sunt fractali, la fel de adevărati ca
și curba Koch în sine. Alți oameni cred că reclam creditul pentru „subdiviziunea recursive” pentru a
pretinde „deplasarea punctului de mijloc” - care este același lucru sub un alt termen - pentru mine. De
fapt , așa cum francezii se predau în geometria liceului, creditul de bază pentru procedur
a în sine (dar desigur nu pentru fractali) aparține cuiva care este mult dincolo de ambi ți
a personală, și anume lui Arhimede (287-212 î.Hr.). Vechimea referinței este o sursă de
amuzament și de mirare, dar fiți siguri că opera sa este amplu documentată. Una dintre
marile sale realizări a fost aceea de a evalua zona dintre o parabolă și o coardă AB, iar m
ulți scriitori consideră argumentul său ca primul pas documentat către calcul. Scrie ți
ecuația parabolei ca y = P ( x ) = a — b x 2 , cu direcțiile alese astfel încât b > 0. Având în vedere
punctele finale ale coardei { x a , P ( x a ) = o — b x \ } și { x b , P ( x b ) = a — b x \ }, Arhimede inte
rpolează P ( x ) recursiv la valorile lui x care formează o grilă diadică din ce în ce mai strâ
nsă. Într-un prim pas, observați asta

P [ j ( x a + X B )] ~ j [ P ( x a ) + P(xB ) ] =
= a - j ( x a + X B ) 2 - [a — j ( x a + x|]
= |( X B - X A ) 2

=
4
(prin definiția lui 6). Astfel, prima etapă de interpolare necesită o deplasare în sus a lui f
pentru a fi aplicată la mijlocul coardei originale, înlocuind
Prefață de două mai scurte. În a doua etapă de interpolare, omologul lui xb — xa este de
două ori mai mic, prin urmare această etapă necesită o deplasare în sus a punctului de
mijloc al fiecărei subcoardă, cu o valoare egală cu 4 ~ 2 <5. Etc Etapa fc-a necesită o dep
lasare în sus a punctelor medii ale 2 k ~ l acorduri cu o cantitate egală cu 4 ~ k 5. Desigur, i
deea că parabola are o ecuație nu a fost cunoscută până când Descartes a conceput ge
ometria analitică. Cu toate acestea, un argument ad-hoc ingenios i-a permis lui Arhimed
e să derive regula de mai sus a deplasărilor în sus egale cu 4 ~ k 5 .

0,7 nori fractali

Algoritmul folosit de Voss pentru a genera munți fractali se extinde până la nori, așa cu
m este descris în contribuția sa la această carte. Grafica rezultată este uimitoare, dar se î
ntâmplă să nu ofere o potrivire adecvată cu norii reali de pe cer. Aceasta este concluzia
pe care a trebuit să o tragem din munca lui Shaun Lovejoy.
Lovejoy, pe atunci student la meteorologie la Departamentul de Fizică de la Universit
atea McGill din Montreal, mi-a scris, anexând o schiță uriașă a tezei sale. Prima jumătat
e, preocupată de observarea radar, nu a fost controversată și a fost suficientă pentru a în
deplini toate cerințele. Dar a doua repriză, dedicată sarcinii de a injecta fractali în
meteorologie, a fost supusă vremii foarte grele de către unii arbitri, iar el căuta ajutor. Sentimentul meu
a fost că această lucrare era foarte promițătoare, dar avea nevoie de timp pentru a se „coace”. (Mi-am
adus aminte de propriile mele teze de doctorat , care fuseseră finalizate grăbit în 1952; mă grăb
eam să ocup un post-doctorat, motiv care în curând a încetat să mai pară convingător).
Prin urmare, recomandarea mea către Lovejoy a fost ca mai întâi să-și obțină pielea de o
aie pe baza muncii sale necontroversate, apoi să lucreze cu mine ca student post-doctor
at. Am susținut că nu trebuie să lase în publicațiile sale prea multe puncte de care s-ar
putea prinde criticii inevitabile neprietenoși.
Cel mai mult mi-a plăcut diagrama zonă-perimetru a lui Shaun, desenată conform preceptelor fr
actale din cartea mea din 1977, care sugera că perimetrele proiecțiilor verticale ale nori
lor (văzute de la zenit, de exemplu dintr-o elită sat) sunt de dimensiune fractală aproxim
ativ j . O lucrare redusă la această diagramă și o legenda detaliată a apărut în Science în
1982 și a devenit imediat celebră. O secundă din multele părți ale tezei lui Lovejoy a necesitat mult
mai multă muncă și, în cele din urmă, am intervenit. Norii din lucrarea noastră comună, care a apărut
(ani mai târziu) în Tellus pentru 1985 (vezi [62]), nu par să fi avut încă fost depășită. Până atu
nci, Lovejoy se îndepărtase de noi. Devenise nerăbdător de refuzul meu de a redeschide
vechile lupte care fuseseră câștigate într-un grad acceptabil și de preferin ța mea deliber
ată de a căuta „ acceptare blândă”, cu controverse doar atunci când este inevitabil, spre deosebire de
„greu”. acceptare”, cu victime neiertătoare.

Pentru pictorii peisagistici, norii par să reprezinte o provocare severă, dar cineva a do
bândit faima pentru priceperea sa. Numele lui era Salomon van Ruysdael (16021670) și
îmi aduce în minte o întrebare și o poveste. Întrebarea este dacă geometria fractală poat
e ajuta la compararea norilor lui Ruysdael cu cei ai Mamei Natură. Povestea nu ține cu
adevărat aici, pentru că nu implică computerul ca instrument al artistului, dar să merg mai departe.
Elizabeth Carter a fost licențiată în meteorologie la Universitatea California din Los Ange
les (UCLA), în grupul profesorului George L. Siscoe. Hobby-ul ei este să fotografieze norii
și a găsit o modalitate bună de a obține credit academic pentru asta. Ei au evaluat dimensiunea
fractală pentru multe contururi variate ale norilor (văzuți dintr-o direcție aproape orizontală, ceea ce nu
este același lucru cu vederile lui Lovejoy de la zenit). Ei au descoperit că D -ul norilor naturii variază î
ntr-un interval neașteptat de larg, în timp ce D -ul norilor lui Ruysdael este mult mai strâns grupat. În
retrospectivă, rezultatul a fost cel așteptat: pictorul a ales să picteze nori care sunt dramatici, dar nu
imposibili, prin urmare, D-urile norilor săi sunt aproape de maximul Naturii.

0,8 Arbori fractali

Înainte de a trece la fractali neliniari, mi s-a părut logic, în calitate de manager al unui gr
up mic de fractali, să efectuez câteva teste preliminare fără a perturba programele în des
fășurare. Așa a venit să lucreze cu noi pentru câteva săptămâni un senior de la Princeto
n, Peter Oppenheimer. Mai târziu și-a scris teza de specialitate despre fractali și, în cele
din urmă, s-a mutat la Institutul de Tehnologie din New York din Long Island și a devenit
expert în botanica fractalilor. Astăzi el întâlnește concurența lui Przemyslaw Prusinkiewi
cz.
Desenarea arborilor fractali non-aleatoriu este relativ ușor și există mai mul ți în
Geometria fractală a naturii. Dar desenarea arborilor fractali la întâmplare care nu sunt de „rarețe”
nerealistă prezintă o dificultate majoră, deoarece ramurile nu trebuie să se suprapună. Să presupunem
că un arbore aleatoriu urmează să fie construit recursiv. Nu se poate adăuga o creangă, s
au chiar cea mai mică creangă, fără a lua în considerare cartierul euclidian în care vor fi
atașate adaosurile. Cu toate acestea, punctele care sunt aproape în funcție de distan ța

18
 19

euclidiană pot fi departe în funcție de distanța grafică luată de-a lungul ramurilor. Prin u
rmare, o construcție recursivă aleatorie a unui copac, care merge de la trunchi la ramuri
și mai departe la crengi, este în mod necesar un proces global. Cineva poate fi atras să c
aute o construcție prin auto-
Prefață contemplare, sau prin supunerea constrângerilor impuse de computerul cuiva mai bine.

În schimb, spațiul pare iertător, mai precis oferă o tentație aproape irezistibilă de a înșela. Într-
adevăr, arată o formă descrisă ca proiecția unui copac pe un plan și provoacă mintea noastră să n
e imaginăm un copac spațial având o astfel de proiecție Chiar și atunci când ramurile s
pațiale originale se intersectează sau se încurcă, mintea noastră le va descurca cu u șuri
nță, și să-i vezi ca pe un copac.
Acum reveniți la copacii plani și la modalitățile de a le desena fără să vă face ți griji c
u privire la auto-intersecție. O metodă complet naturală a fost concepută de Tom Witten
și Leonard Sander. A apărut în ceea ce credem că este cel mai bun mod posibil, nu în ti
mpul unei căutări de efecte speciale, ci în timpul unei căutări de înțelegere știin țifică a
anumitor agregate fractale naturale asemănătoare unor rețea sau arbore. Metoda Witten
-Sander se numește agregare limitată prin difuzie. Din păcate, nu reușește să producă arbori
botanici realiști, dar ne dă speranță pentru viitor.

0.9 Iterație, matematica uscată de ieri și noile forme fractale ciudate și minunate
de astăzi și „Proiectul de supercomputer de geometrie”

Acum, de la fractalii care imită munții, norii și copacii, să trecem la fractalii care nu o fa
c. Pentru artist și profan, ele sunt pur și simplu forme noi ciudate și minunate. Scurta me
a implicare cu seturile de limite Poincare a fost deja atinsă. Inițierea mea la seturile Julia
a început la vârsta de 20 de ani, când cei puțini care le cunoșteau le numeau J-seturi. A
cest episod și începutul implicării mele efective în studiul iterației lui z —* z 2 + c, au fost a
mbele descrise într-o Contribuție invitată la The Beauty of Fractals [83] care nu trebuie repe
tată aici.
Dar vreau să menționez în această Cuvânt înainte o scurtă interacțiune cu David Mu
mford, care în cele din urmă a contribuit la o dezvoltare recentă foarte interesantă și am
plă.
Numele lui David era cunoscut de mine, ca și de toți ceilalți din matematică, datorită muncii sale în
geometria algebrică. Ne-am cunoscut când am venit la Harvard în 1979, iar în noiembrie 1979 el
a venit la un seminar pe care l-am ținut. După discuție, care a fost repetată, s-a repezit s
pre mine: - Pe baza celor spuse de dvs., ar trebui să vă uitați și la grupurile kleiniene; s-a
r putea chiar să găsiți o construcție explicită pentru setul lor de limite. - De fapt, am răs
puns eu, am deja un algoritm frumos pentru un caz special important. Te rog, vino în bir
oul meu și îți voi arăta 0,9 matematica uscată de ieri . El a venit și a văzut algoritmul care a fost
publicat în cele din urmă în The Mathematical Intelligencer în 1983, așa cum s-a spus mai devr
eme în această Prefață. - Acest lucru este atât de simplu, încât Poincare ar fi trebuit să-l
vadă, sau altcineva de la Poincare. De ce a trebuit să te aștepte descoperirea? - Pentru c
ă nimeni înaintea mea nu a folosit un nou instrument puternic, computerul! - Dar nu se p
oate dovedi nimic cu un computer! - Sigur, dar jocul cu computerul este o sursă de pres
upuneri, de cele mai multe ori neașteptate. Conjectura pe care a sugerat-o despre seturi
le de limite kleiniene a fost ușor de demonstrat; altele sunt prea grele pentru mine. - În a
cest caz, m-ați ajuta să învăț să mă joc cu computerul? - Cu plăcere, dar ar trebui să pri
mim ajutor de la ultimul meu asistent IBM, Mark Laff.
 Curând după aceea, a devenit clar că Mumford trebuia să caute asocia ți mai aproap
e, în Cambridge. A fost instruit de asistentul meu de curs Peter Moldave și a început să l
ucreze cu David Wright, pe atunci un student absolvent de matematică la Harvard, care
a încetat în acel moment să-și ascundă abilitățile excepționale de programare. În cele d
in urmă, Mumford a devenit complet cufundat în computere, mai întâi ca instrumente eu
ristice, apoi de dragul lor.
El a devenit un instrument pentru a ajuta la răspândirea conștientizării computerului
ca unealtă printre matematicieni. Nevoile rezultate au crescut atât de rapid încât, după
un interval de aproape opt ani, Fundația Națională pentru Știință a înființat acum un
proiect de supercomputer de geometrie ! Membrii fondatori sunt F. Almgren (Princeton), J. Canno
n (Brigham Young), D. Dobkin (Princeton), A. Douady (ENS, Paris), D. Epstein (Warwick),
J. Hubbard (Cornell), BB Mandelbrot (IBM și Yale), A. Marden (Minnesota), J. Milnor (IAS,
Princeton), D. Mumford (Harvard), R. Tarjan (Princeton și Bell Labs) și W. Thurston (Princ
eton). Cu riscul de a suna banal, permiteți-mi să mărturisesc că deschiderea acestui proi
ect a fost un punct culminant în viața mea.
Următorul subiect de discutat referitor la iterație este interacțiunea mea foarte fruct
uoasă cu V. Alan Norton, Ph.D. în matematică Princeton. în 1976, care a fost în grupul m
eu ca post-doctorat în 1980-82 și a rămas în personalul de cercetare la Yorktown. El a fost
unul dintre cei doi „ilustratori” principali ai Geometriei fractale a naturii, așa cum se vede în creditele
ilustrate foarte detaliate ale acelei cărți. El a dobândit o mare renume, începând cu SIGGRAPH 1982
pentru splendidele sale imagini de decor cuatemionice Julia.
Norton a lucrat, de asemenea, la lucrările finale din The Fractal Geometry of Nature, de care
atârnă o poveste care ar putea merita povestită. Aceste lucrări de final (pe care primele tipăriri ale cărții
le lasă fără legendă, o omisiune pe care o regret acum) implică o problemă importantă din teoria
iterației funcțiilor analitice, un artefact datorat limitărilor inerente ale computerului și două atingeri
decorative .

20
 21

0,10 Devaney, Barnsley și Bremen

Graficul original a fost nelimitat, iar Norton a introdus o notă decorativă: a inversa faț
ă de un cerc. Mi-a plăcut rezultatul; din păcate, deși era mărginită, nu se potrivea perfec
t pe o pagină dublă. Prin urmare, am impus o a doua atingere decorativă și mai arbitrară:
să întindeți graficul pe orizontală pentru a umple spațiul disponibil.
Problema matematică serioasă care m-a condus la acest grafic a fost utilizarea metodei lui Newton
pentru a rezolva ecuația e x p ( z ) = c. Soluțiile sunt cunoscute din calcul, dar Gaston Julia a arătat în
1917 că metoda lui Newton este un teren fructuos pentru a studia iterația funcțiilor unei variabil
e complexe z . Capitolul 19 din Geometria fractală a naturii examinează iterația z 2 + c și a altor
polinoame. Această lucrare finală se referă la iterația funcției transcendentale z — 1 +
ce~ z (vezi și Figura 0.2) .
În studiile globale de pionierat ale lui Arthur Cayley despre iterație, în 1879, interesul pentru i
terație a apărut din aplicarea metodei Newton. (Peitgen și colab. spun povestea și o ilus
trează, în The Mathematical Intelligencer în 1984[84].) Cayley a început prin a rezolva z 2 = c, c
eea ce s-a dovedit ușor, apoi a încercat z 3 = c , ceea ce l-a dezamăgit. expunând trei „zone gri”
pe care nu a găsit nicio modalitate de a le rezolva. Julia în 1917 a găsit multe fapte despre aceste zone,
iar John H. Hubbard ne-a arătat cel mai vechi grafic revelator al setului Julia corespunzător. E
ra firesc pentru noi, la sfârșitul anului 1980, să ne jucăm cu z p = c și apoi să vedem e 2 =
c ca o limită adecvată a z p = c pentru p —> oo. Am făcut multe observații interesante cu privire la
acest caz limită, dar studiul a fost departe de a fi finalizat și publicat atunci când am trecut la
o muncă foarte diferită.
Faptul final și nefericit, granițele îndrăznețe non-fractale dintre fundal și zonele solid
colorate de pe hârtiile de sfârșit din Geometria fractală a naturii sunt un artefact. Studiul iterațiilor
funcțiilor transcendentale duce foarte repede la numere întregi enorme, prin urmare atinge în curând
limite intrinseci dincolo de care computerul își ia propriile acțiuni arbitrare.

0.10 Devaney, Barnsley și Bremen „Frumusețea fractalilor”

Percepția noastră asupra iterării funcțiilor transcendentale ca un subiect dificil și foarte

bogat a fost confirmată de câțiva matematicieni eminenti, precum Robert L.Devaney. Nu
e de mirare, așadar, că ar trebui să vedem asemănări izbitoare între finalul nostru și
ilustrațiile și filmele sale frumoase și văzute pe scară largă. Lucrările lui Bob despre iterația funcțiilor
transcendentale aduseseră deja
Prefață admirând atenția pentru el, dar nu am devenit prieteni rapizi până nu am începu
t să ne ciocnim constant în emisiunile itinerante cu fractali Son et Lumidre .

Orbita vieții lui Michael Barnsley a traversat-o și pe a mea și apoi a rămas în acela și
cartier , din cauza fractalilor. Contextul amuzant, în acest caz, este în dosarul public și nu ar trebui să
îl repet. Am citit prima dată despre asta în cartea lui James Gleick, Chaos: The Birth of a New Science. M
i-a spus cum s-a întâmplat că Michael a intrat într-o zi în casa mea, plin de entuziasm și
de povești minunate. Ulterior, am avut câteva întâlniri la aeroportul din Atlanta (din toat
e locurile!), iar de atunci a fost o plăcere să țin pasul cu munca lui și a numeroșilor săi a
sociați.
 Acum reveniți la imaginile cu seturile Julia și Mandelbrot din Geometria fractală a naturii.
În vara lui 1984, ne-am pregătit să le refacem color, cu Eriko Hironaka ca programator, c
ând mailul a adus, fierbinte de presă, numărul de iunie al revistei germane GEO . Ne-am
dat seama imediat că o mare parte din ceea ce ne propuneam a fost deja realizat, de fapt realizat
dincolo de aspirațiile noastre, de către Heinz-Otto Peitgen, Peter H. Richter, Dietmar Saupe, Hartmut
Jurgens și asociații lor. Imaginile fractale anterioare ale acestui grup din The Mathematical Intelligencer,
la începutul anului 1984, au fost foarte binevenite, dar cele colorate nu au dat încă moti
ve de entuziasm. Imaginile color din GEO din 1984 au arătat un ochi priceput și artistic și o
mână sigură, una care câștigase experiență, dar nu devenise leneș sau grăbit. Ele au fos
t, fără îndoială, rezultatul căutării perfecțiunii pe care o admirasem mai devreme în lucra
rea lui Voss și pe care le încercasem întotdeauna în a mea.
Le-am scris autorilor GEO de la Universitatea din Bremen pentru a-i felicita, pentru a l
e spune despre schimbarea planurilor pe care le-a provocat succesul lor și pentru a le e
xprima speranța de a-i întâlni în curând. Mi-au spus despre o expoziție de fractali pe car
e o plănuiau și pentru care pregăteau un catalog care a condus în cele din urmă la carte
a lor The Beauty of Fractals și mi-au cerut să scriu contribuția personală menționată mai dev
reme în această Cuvânt înainte. Desigur că această carte a fost sortită să nu fie făcută de
noi, este o încântare că a venit de la ei. Mi-am câștigat acești noi prieteni când m-au invi
tat la Bremen în mai 1985, pentru a deschide prima expoziție a expoziției lor și am parti
cipat din nou la această expoziție în alte câteva orașe. Aparițiile noastre comune de atu
nci au fost prea numeroase pentru a fi numărate. Nu există anecdote de povestit, doar e
venimente foarte plăcute de reținut.
0,10 Devaney, Barnsley și Bremen

Concluzie

În timp ce prietenii mei fac echipă pentru această carte sub conducerea lui Heinz-Otto și Dietmar,
îmi amintesc că doar cu puțin timp în urmă (durerea a dispărut complet, dar amintirea rămâne) nimeni
nu a vrut să-mi scaneze primele fotografii mai mult de câteva minute . , iar acest potențial lider al
unei noi tendințe nu a avut un singur adept. Apoi (foarte încet în vechea memorie, dar a
proape peste noapte în percepția actuală) fractalii au devenit atât de interesan ți încât S
IGGRAPH a început să le dedice prelegeri, apoi cursuri de o zi întreagă. Primii fractali im
provizați de la SIGGRAPH au venit în 1985 sub conducerea mea, al doilea au fost în 198
6 sub Peter Oppenheimer, iar al treilea în 1987 au condus la acest volum.
Este probabil că această carte va fi ultimul cuvânt pe acest subiect? Nu cred. Mai mulți autori
remarcabili au fost lăsați afară din cauza originii cărții. Iar propria mea experiență, conform căreia
actul de a scrie Prefața a fost suficient pentru a mă face conștient de multe noi direcții deschise de
explorat , se va repeta pe scară largă. Să aducem cu toții cărții complimentul ridicat de a
o face cu promptitudine destul de învechită.

Capitolul 1

22
 23

Fractali în natură: de la caracterizare

la simulare

Richard F.Voss

Geometria fractală a lui Mandelbrot oferă atât o descriere, cât și un

model matematic pentru multe dintre formele aparent complexe găsite în
natură. Forme precum liniile de coastă, munții și norii nu sunt ușor
descrise de geometria tradițională euclidiană. Cu toate acestea, ele pos
edă adesea o invarianță simplificatoare remarcabilă în cazul sch
imbărilor de mărire. Această auto-asemănare statistică este calit
atea esențială a fractalilor din natură. Poate fi cuantificat printr-
o dimensiune fractală, un număr care este de acord cu noțiune
a noastră intuitivă de dimensiune, dar nu trebuie să fie un numă
r întreg. În Secțiunea 1.1, imaginile generate de computer sunt f
olosite pentru a construi intuiția vizuală pentru formele fractale
(spre deosebire de euclidiene), subliniind importanța auto-ase
mănării și introducând conceptul de dimensiune fractală. Acest
e falsuri de fractali sugerează, de asemenea, legătura puternică
a fractalilor cu formele naturale. Secțiunea 1.2 oferă un scurt re
zumat al utilizării fractalilor în științele naturii. Secțiunea 1.3 pr
ezintă o caracterizare matematică mai formală cu mișcare brow
niană fracțională ca prototip. Distincția dintre autosimilaritate ș
i autoafinitate va fi revizuită. În cele din urmă, Secțiunea 1.4 va
discuta tăieturile independente, filtrarea Fourier, deplasarea pu
nctului mediu, adunările aleatoare succesive și funcția aleatoar
e Weierstrass-Mandelbrot ca algoritmi specifici de generare pen
tru fractali aleatori. Multe dintre detaliile matematice și o discuț
ie a diferitelor metode și dificultăți de estimare a dimensiunilor
fractale sunt lăsate la concluzia Secțiunii 1.6.

21
Capitolul 1: Fractali în natură

1.1 Introducere vizuală în fractali: Linii de

coastă, munți și nori

Esența fractalilor este ilustrată în Figura 1.1 cu vederi succesive

ale unei planete fractale de pe o navă spațială care orbitează. În
căutarea unui loc de aterizare adecvat, o porțiune a vederii iniți
ale, așa cum este prezentată în stânga sus a Figurii 1.1, este măr
ită cu un factor de 4 pentru a oferi imaginea de sus din mijloc. Î
 n mod similar, fiecare imagine succesivă reprezintă o mărire a u
nei porțiuni selectate a liniei de coastă a imaginii anterioare (aș
a cum este indicată de caseta albă) până la o mărire finală de m
ai mult de 10 7 în partea de jos din mijloc. Această mărire mare p
oate fi comparată cu imaginea inițială care se repetă în dreapta
jos. Deși aceste două imagini, care diferă ca scară cu mai mult d
e 10 7 , nu sunt identice, ele par să împărtășească atât de multe
din aceleași caracteristici încât este greu de crezut că nu sunt d
oar secțiuni diferite ale aceluiași peisaj la aceeași mărire. Aceas
tă proprietate a obiectelor prin care submulțimile mărite arată c
a (sau identice) întregului și între ele este cunoscută ca auto-
asemănare. Este caracteristic fractalilor și îi diferențiază de formel
e euclidiene mai tradiționale (care, în general, devin din ce în c
e mai netede la mărire).
Figura 1.2 prezintă un alt fals generat de computer. Cele trei
forme fractale elementare ale sale, peisajul din prim-plan, distri
buția craterelor și generalizarea mișcării browniene pe o sferă c
are se ridică în fundal, toate împărtășesc această auto-similarita
te caracteristică. Subseturile mărite ale fiecăreia dintre aceste f
orme amintesc din nou de întreg. Faptul că aceste primitive ale
geometriei fractale generate de computer evocă puternic lumea
reală, este un indiciu valoros al importanței lor în Natură.
Potrivit lui Galileo (1623),

Filosofia este scrisă în această carte măreață - / univer

s înseamnă - care stă în permanență deschisă privirii
noastre, dar nu poate fi înțeleasă decât dacă cineva î
nvață mai întâi să înțeleagă limba în care este scrisă.
Este scris în limbajul matematicii, iar caracterele sale
sunt triunghiuri, cercuri și alte figuri geometrice, fără
de care este uman imposibil să înțelegem un singur c
uvânt din el; fără acestea, se rătăcesc într-un labirint î
ntunecat.

În acest citat, Galileo prezintă câteva dintre principiile de bază ale

științei moderne occidentale. În primul rând, pentru a înțelege sau a simula
natura, trebuie să cunoaștem limbile ei. În al doilea rând, limbajele naturii
sunt matematica, iar geometria este limbajul specific pentru descrierea,
manipularea și simularea formelor.
1.1 Introducere vizuală

24
 25

Galileo a greșit totuși în ceea ce privește dialectul preferat al naturii. Incapacitatea triunghiurilor și
cercurilor geometriei euclidiene (dialectul specific menționat) de a descrie în mod concis lumea
naturală nu a fost apreciată pe scară largă până de curând. Cu toate acestea, retrospectiv, este evident
că „norii nu sunt sfere, munții nu sunt conuri, coastele nu sunt cercuri, iar scoarța nu este netedă și nici
fulgerul nu călătorește în linie dreaptă” (Mandel brot, [68]) . Din fericire, există acum un nou dial
ect, o nouă ramură a matematicii, care este adecvată pentru formele neregulate ale lumii
reale, geometria fractală [68], așa cum a fost concepută și dezvoltată de Benoit Mandelbrot.
Capitolul 1: Fractali în natură
1.1 Introducere vizuală

1.1.1 Monștri matematici: Moștenirea fractală

Începutul secolului a coincis aproximativ cu o schimbare în lumea matematicii. Min ți co

ncepute din monștri ciudați aparent fără contrapartidă în natură: seturi Cantor, funcții
Weierstrass, curbe Peano, curbe fără derivate și linii care ar putea umple spațiul. După c
e au descoperit odată acești monștri (și s-au felicitat pentru o creativitate superioară nat
urii), matematicienii au alungat fiarele patologice, în cea mai mare parte nevăzute, într-o
grădină zoologică matematică. Ei nu-și puteau imagina nicio utilitate și nici interes pentru creațiile lor
ale oamenilor de știință naturală. Natura, însă, nu a fost depășită atât de ușor. După cum a arătat
Mandelbrot, mulți dintre acești „monstri” au, de fapt, omologi în lumea reală. Iluminate de grafica
computerizată, ele au fost în cele din urmă recunoscute ca unele dintre structurile de bază în limbajul
formelor neregulate ale naturii: geometria fractală a naturii.
Fractalii (un cuvânt inventat de Mandelbrot în 1975) au înflorit extraordinar în ultimii
câțiva ani și au contribuit la reconectarea cercetării matematicii pure cu știin țele natura
le și cu calculul. În ultimii 5-10 ani, geometria fractală și conceptele sale au devenit instr
umente centrale în majoritatea științelor naturale: fizică, chimie, biologie, geologie, met
eorologie și știința materialelor. În același timp, fractalii sunt de interes pentru graficieni
și realizatorii de film pentru capacitatea lor de a crea forme noi și interesante și lumi arti
ficiale, dar realiste. Imaginile fractale par complexe, dar apar din reguli simple. Grafica p
e computer a jucat un rol important în dezvoltarea și acceptarea rapidă a geometriei fra
ctale ca o nouă disciplină valabilă. Redarea computerizată a formelor fractale nu lasă nic
io îndoială cu privire la relevanța lor pentru natură. În schimb, geometria fractală joacă a
cum un rol central în redarea și modelarea realistă a fenomenelor naturale în grafica co
mputerizată.
1.1.2 Fractali și auto-asemănarea

Atunci ce sunt fractalii? Prin ce sunt diferite de formele obișnuite Eucli dean? Tabelul 1.1
rezumă unele dintre diferențele majore dintre fractali și formele euclidiene tradiționale. Primii fractali
sunt o invenție cu siguranță modernă. Deși posedă strămoși „patologici” de la începutul secolului,
aceștia au fost recunoscuți ca folositori pentru oamenii de știință naturală doar în ultimii 10
ani. În al doilea rând, în timp ce formele euclidiene au una sau cel mult câteva dimensiu
ni caracteristice sau scale de lungime (raza unei sfere, latura unui cub), fractalii, ca linia
de coastă din Figura 1.1, nu posedă dimensiuni caracteristice. Se spune că formele fract
ale sunt auto-similare și independente de scară sau scalare. În al treilea rând, geometria e
uclidiană
Capitolul 1: Fractali în natură oferă descrieri concise și precise ale obiectelor create de
om, dar este inadecvat pentru formele naturale. Oferă descrieri greoaie și inexacte. Este
probabil ca această limitare a limbajului nostru tradițional al formei să fie cel pu țin par ți
al responsabilă pentru diferența calitativă izbitoare dintre obiectele produse în masă și f
ormele naturale. Atelierele de mașini sunt în esență fabrici euclidiene: obiectele u șor de
scrise sunt ușor de construit. Fractalii, pe de altă parte, oferă o descriere excelentă a mu
ltor forme naturale și au dat deja imaginilor computerizate o aromă naturală. În cele din
urmă, în timp ce formele euclidiene sunt de obicei descrise printr-o formulă algebrică si
mplă (de exemplu, r 2 = x 2 + y 2 definește un cerc cu raza r), fractalii, în general, sunt rezult
atul unei proceduri de construcție sau al unui algoritm care este adesea recursiv ( repet
at de nenumărate ori) și ideal pentru calculatoare.
GEOMETRIE

Limbajul matematic pentru a descrie, relaționa și manipula forme

Tabelul 1.1: O comparație a geometriilor euclidiene și fractale.

1.1.3 Un monstru timpuriu: curba fulgilor de nea von Koch

Aceste diferențe pot fi ilustrate cu unul dintre primii monștri matematici: curba fulgilor d
e zăpadă von Koch (propusă pentru prima dată în jurul anului 1904). Figura 1.3 ilustreaz
ă o procedură iterativă sau recursivă pentru construirea unei curbe fractale. Un segment
de linie simplu este împărțit în treimi, iar segmentul din mijloc este înlocuit cu două seg
mente egale care fac parte dintr-un triunghi echilateral. La următoarea etapă a construc
ției, fiecare dintre aceste 4 segmente este înlocuit cu 4 noi segmente cu lungimea j a pă
rintelui lor conform modelului original. Această procedură, repetată de nenumărate ori,
dă frumoasa curbă von Koch prezentată în dreapta sus a figurii 1.3.
Demonstrează că repetarea unei reguli foarte simple poate produce forme aparent c
omplexe cu unele proprietăți extrem de neobișnuite. Spre deosebire de formele euclidi
ene, această curbă are detalii pe toate scările de lungime. Într-adevăr, cu cât se uită mai
de aproape, cu cât microscopul este mai puternic, cu atât găsești mai multe detalii. Mai i
mportant, curba posedă o asemănare exactă cu sine. Fiecare porțiune mică, atunci când este
mărită, poate reproduce exact o porțiune mai mare. Se spune că curba este invariantă la
schimbările de scară, la fel ca linia de coastă din Figura 1.1. În fiecare etapă a construc ți
ei sale lungimea curbei crește cu un factor de j. Astfel, curba de limitare înghesuie o lung
ime infinită într-o zonă finită a planului fără a se intersecta. Ca și în cazul liniei de coast
ă, la iterații succesive corespunzătoare măririlor succesive, se găsesc detalii noi și lungi
me crescândă. In cele din urma,
Capitolul 1: Fractali în natură, deși algoritmul pentru generarea curbei von Koch este co
ncis, simplu de descris și ușor de calculat, nu există o formulă algebrică care să specific
e punctele curbei.

26
 27

1.1.4 Auto-asemănarea și dimensiunea

Proprietatea auto-asemănării sau scalarea, așa cum este exemplificată de linia de coastă,
curba von Koch și mulțimea Mandelbrot este unul dintre conceptele centrale ale geome
triei fractale. Este strâns legat de noțiunea noastră intuitivă de dimensiune , așa cum este il
ustrată în Figura 1.4.
Un obiect considerat în mod normal ca unidimensional, un segment de linie, de exe
mplu, posedă și o proprietate de scalare similară. Poate fi împărțit în N părți identice, fie
care dintre ele redusă cu raportul r = din întreg. În mod similar, un obiect bidimensional,
cum ar fi o zonă pătrată în plan, poate fi împărțit în N părți auto-similare, fiecare dintre a
cestea fiind redusă cu un factor r = .A
Un obiect tridimensional, cum ar fi un cub solid, poate fi împărțit în N cuburi mici, fiecar
e dintre ele redus cu un raport r = . Cu auto-asemănarea, generalizarea la dimen
siunea fractală este simplă. Un obiect autosimilar D-dimensional poate fi împăr țit în N co
pii mai mici ale lui însuși, fiecare dintre ele redusă de un factor r unde r = sau tf-p?
oi)
Dimpotrivă, având în vedere un obiect auto-similar de N părți scalat cu un raport r din în
treg, dimensiunea sa fractală sau similară este dată de log(iV)
jurnal(i)
Dimensiunea fractală, spre deosebire de noțiunea mai familiară de dimensiune euclidia
nă, nu trebuie să fie un număr întreg. Orice segment al curbei von Koch este compus din
4 sub-segmente, fiecare dintre ele redus cu un factor de j de la părintele său. Dimensiun
ea sa fractală este D = sau aproximativ 1,26.... Această dimensiune non-întreg, mai mare
decât unu, dar mai mică de două, reflectă proprietățile neobișnuite ale curbei. Cumva u
mple mai mult spațiu decât o linie simplă (D = 1), dar mai puțin decât o zonă euclidiană
a planului (D = 2) . Mandelbrot [68] oferă multe variații ale construcției von Koch și alte
două sunt prezentate în Figura 1.3. În mijloc un segment este înlocuit cu 8 noi segmente
fiecare j din cel inițial pentru a ceda
D=
1.1 Introducere vizuală
Fig. 1.4: Interpretarea cifrelor de dimensiuni întregi standard în termeni de auto-asemăn
are exactă și extensie la fractalii cu dimensiuni neîntregi.

În partea de jos fiecare segment este înlocuit cu 9 segmente noi fiecare j din originalul p
entru
D=

Pe măsură ce D crește de la 1 la 2, „curbele” rezultate trec de la „asemănător unei linii” la

„umplerea” unei mari părți a planului. Într-adevăr, limita D —> 2 dă o curbă Peano sau „de umplere a
spațiului”. Astfel, dimensiunea fractală D oferă o măsură cantitativă a ondulației curbelor. Deși aceste
curbe von Koch au dimensiuni fractale între 1 și 2, toate rămân o „curbă” cu o dimensiune topologică
de unu. Îndepărtarea unui singur punct taie curba în două bucăți.
Capitolul 1: Fractali în natură
1.1.5 Auto-asemănarea statistică
Curba von Koch exact auto-similară poate fi considerată un model brut pentru o linie de
coastă, dar diferă de linia de coastă într-un aspect semnificativ. După mărire, segmentel
e liniei de coastă arată ca, dar niciodată exact ca, segmente la scări diferite. Conceptul d
e dimensiune fractală, totuși, poate fi aplicat și unor astfel de obiecte auto-similare statistic .
Într-o măsurătoare a lungimii unei linii de coastă, cu cât se urmăresc cu mai multă aten ți
e mișcările mai mici, cu atât aceasta devine mai lungă. O plimbare de-a lungul unei plaje
este mai lungă decât drumul de-a lungul autostrăzii de coastă corespunzătoare. Mai mul
t, fiecare mică secțiune a unei linii de coastă arată ca (dar nu exact ca) o por țiune mai
mare. Când se folosește un mler de mărimea r pentru a măsura lungimea unei linii de coastă,
lungimea totală este egală cu dimensiunea riglei r ori numărul de pași de dimensiunea r, JV(r), l
uați în trasarea coastei.
Lungimea = r ■ N ( r ) . (1,3)
Ca și în cazul fulgilor de nea, N ( r ) variază în medie ca ^ și

Lungime <xr ■ (1,4)

Cu D > 1, pe măsură ce dimensiunea riglei folosite pentru a măsura o coastă scade, lungi
mea acesteia crește. Variația lungimii aparente a coastei cu dimensiunea mai mare a fos
t studiată de Richardson, așa cum este rezumat în [68]. Liniile de coastă reale pot fi, de f
apt, caracterizate prin dimensiuni fractale D de aproximativ 1,15 până la 1,25, aproape d
e tog (3) ° din curba von Koch.
Proprietatea că obiectele pot arăta similare din punct de vedere statistic, dar, în acel
ași timp, diferite în detaliu la diferite scări de lungime, este caracteristica centrală a fract
alilor în natură. Linia de coastă din figura 1.1 este aleatorie în sensul că (spre deosebire
de curba von Koch) o vedere la scară mare este insuficientă pentru a prezice detaliile ex
acte ale unei vederi mărite. Cu toate acestea, modul în care detaliul variază pe măsură c
e se schimbă scara lungimii este din nou caracterizat de o dimensiune fractală. Suprafaț
a fractală neregulată este mai mult decât o suprafață simplă (D = 2) , iar suprafața reală p
rezentată în Figura 1.1 are D = 2,2 . Dimensiunea fractală a liniei de coastă este cu o mai
mică decât cea a suprafeței în sine. Aici linia de coastă D = 1,2.

1.1.6 Peisaje Mandelbrot

Pentru peisajul fractal idealizat din Figura 1.1, auto-asemănarea statistică se extinde de l
a scale arbitrar mari la scară arbitrar mici. Peisajele reale, pe de altă parte, pot fi auto-as
emănătoare statistic doar pe o gamă finită (dar adesea destul de mare) de distan țe. Cele
mai mari variații pot fi limitate de dimensiunea
1.1 Introducere vizuală a planetei sau a forței gravitaționale (materialele pot să nu fie
suficient de puternice pentru a susține munți arbitrar înalți). Cele mai mici scari pot fi li
mitate de netezirea eroziunii, de dimensiunea granulelor de bază a rocii și a nisipului sa
u, cel puțin, de natura atomică a particulelor. Idealul matematic este o aproximare a lum
ii reale (sau invers pentru unii matematicieni). Cu toate acestea, geometria fractală a lui Mandelbrot
rămâne de departe cea mai bună aproximare și, până în prezent, cel mai utilizat model matematic de
succes.

După cum se discută mai jos, aproape toți algoritmii pentru generarea de peisaje fra
ctale adaugă efectiv neregularități aleatorii la suprafață la scari din ce în ce mai mici, si
milar cu procesul de adăugare a segmentelor de linie din ce în ce mai mici la curba von
Koch. Încă o dată, dimensiunea fractală determină cantitățile relative de detalii sau nere
guli la diferite scări de distanță. Suprafețele cu un D mai mare par mai aspre. Acest efect este
ilustrat în plăcile 11 până la 13 care arată „aceeași” suprafață, dar cu dimensiuni fractale diferite. Placa
11 are o dimensiune fractală relativ mică pentru suprafață, 0 = 2,1 5, care este adecvată pentru o
mare parte a pământului. O creștere a dimensiunii fractale la O = 2,5 este prezentată în
placa 12. O creștere suplimentară la O = 2,8 în placa 13 oferă o suprafa ță nerealist de a
spră pentru un peisaj real. Geometria fractală specifică doar variațiile relative de înăl țim
e ale peisajului la diferite scări de lungime. Pentru mostrele prezentate aici, schimbările
de culoare s-au bazat pe înălțimea deasupra nivelului apei și pe panta locală.
Imaginile din plăcile 11 și 9 (care sunt aceleași, cu excepția colorării) nu seamănă
totuși cu multe dintre văile de pe suprafața Pământului, care sunt semnificativ erodate. Cu toate
28
 29

acestea, un bazin cu fund plat poate fi aproximat matematic prin simpla luare a variațiilor de înălțime
(față de nivelul apei) și scalarea lor printr-o lege a puterii. Acest proces este ilustrat în planșa 10, unde
peisajul original al planșei 11 este „cubit”. Efectul unei astfel de puteri mai mari de 1 este de a aplatiza
cotele inferioare din apropierea apei subliniind varfurile. Scalare cu o putere mai mică de unu are efec
tul opus de aplatizare a vârfurilor în timp ce crește abruptul lângă apă. O prelucrare cu r
ădăcină cubică a plăcii 9 este prezentată în planșa 8. Acest fals dă impresia de eroziune
a râului într-o câmpie de altfel destul de netedă. O astfel de prelucrare neliniară nu modi
fică dimensiunile fractale ale liniilor de coastă.

1.1.7 Cratere distribuite fractal

Pentru a da impresia unui peisaj lunar, așa cum se arată în prim-planul din Figura 1.2, este necesar să
se adauge cratere peisajului fractal „virgin” al plăcii 11. Fiecare crater este circular cu un profi
l de înălțime similar efectului aruncând bilele în noroi. Trucul în atingerea realismului es
te să folosești corect
Capitolul 1: Distribuția fractalilor în natură a dimensiunilor craterelor. Pentru Lună, distr
ibuția reală este fractală sau legea puterii, cu mult mai multe cratere mici decât cele mar
i. Mai exact, numărul de cratere care au o zonă, o, mai mare decât un anumit număr
>) variază ca j. Simularea pe calculator este prezentată în figurile 1.5,36 și pe cop
erta din spate a acestui volum. Aceasta este aceeași suprafa ță care formează primul pla
n din figura 1.2.
1.1 Introducere vizuală

1.1.8 Planetă fractală: mișcare browniană pe o sferă

În loc să adauge detalii crescânde la scări progresiv mai mici, planeta fractală în cre ștere
din Figura 1.2 a fost generată de un algoritm diferit care este mai aproape de un model real pentru
evoluția suprafeței pământului. Suprafața sa este o generalizare a mișcării browniene sau o mers
aleatoriu pe o sferă. O mers aleatoriu este suma mai multor pași independenți, iar suprafața sferei
devine rezultatul multor deplasări sau falii independente ale suprafeței. Fiecare falie înconjoară sfera
într-o direcție aleatorie și o împarte în două emisfere care sunt deplasate una față de cealaltă în
înălțime. În interiorul computerului, suprafața sferei este mapată pe o matrice dreptunghiu
lară similară unei hărți de proiecție plată a pământului. Tabloul 1 prezintă variațiile de s
uprafață, așa cum sunt reprezentate de regiuni de culoare diferită, atât pentru sfera plin
ă, cât și pentru cea aplatizată, după doar 10 erori aleatorii. După 20 de defecte din Plan
șa 2, sfera turtită dă impresia unui tablou cubist. După 100 de greșeli din Planșa 3, mas
a de pământ este împrăștiată cu un contur care seamănă aproximativ cu un coco ș. Cu 5
00 de defecte în planșa 4, sfera a dezvoltat o masă de pământ localizată în emisfera nordică
similară cu pământul înainte de deriva continentală. Mai mult, efectul unei greșeli individuale se
pierde. După mai mult de 10.000 de defecte și adăugarea calotelor polare în placa 5, suprafața sferei d
evine o planetă plauzibilă cu D = 2,5. Cartografierea datelor de pe Plăcuța 5 înapoi pe o
sferă oferă planeta fractală din Figura 1.1 sau vederea mărită a sferei rotite prezentate în
Tabla 6. Remarcabil, aceeași sferă este, de asemenea, un bun fals al unei planete generi
ce mult mai aride. Figura 7 prezintă aceleași date, dar cu o colorare diferită și fără apă.
Orice model fractal particular este adesea eficient la simularea multor forme naturale dif
erite. Odată ce dimensiunea fractală este într-un interval adecvat, modelele matematice
rareori nu reușesc să evoce imagini naturale.

1.1.9 Fulgi și nori fractali

Falsurile anterioare de fractali au fost suprafețe pretențioase. Adăugarea de nereguli pe
scale din ce în ce mai mici ridică dimensiunile acestora peste o valoare topologică de 2 l
a o valoare fractală 2 < D < 3. Este, totuși, posibil să se genereze fractali cu o dimensiune
topologică 3 ale căror nereguli de scalare ridică dimensiunea fractală. la 3 < D <4. Mai de
grabă decât peisajele, care constau în înălțimi aleatorii în funcție de poziția suprafe ței
bidimensionale, astfel de obiecte ar putea reprezenta o temperatură aleatorie sau densit
atea vaporilor de apă în funcție de poziția tridimensională. Cel mai simplu mijloc de viz
ualizare a unor astfel de construcții este cu zerourile lor (echivalente cu liniile de coastă al
e peisajelor fractale), așa cum se arată în Figura 1.6. Pentru o distribuție de temperatură
T( x, y, z ) cu di-
Capitolul 1: Fractali în natură
1.2 Fractali în natură mențiunea 3 < D < 4 , seturile zero sunt toate punctele pentru ca
re T ( x , y , z ) — T o = 0 și au o dimensiune fractală de D — 1. Ele pot fi afișate tratând toate
punctele pentru care T ( x , y , z ) > To ca opac în timp ce toate celelalte sunt transparente. F
ulgii fractali rezultați cu D d i f e r i t sunt prezentate în Figura 1.6. În Figura 1.6(a) D — 1 i
este cel mai mare la 2,7 și fulgul aproape umple spațiul. În figura 1.6(b) D — 1 este redu
s la 2,5 și formele izolate încep să se condenseze. În Figura 1.6(c) D — 1 este redus în
continuare la 2,2 și par să apară multe forme naturale. Conturul general amintește acum de capul unui
câine, în timp ce doar partea superioară ar putea fi monstrul din Loch Ness. Formele cu o dimensiune
fractală D cu aproximativ 0,2 până la 0,3 mai mare decât dimensiunea euclidiană E par d
eosebit de favorizate în natură. Coastele au de obicei o dimensiune fractală în jurul valor
ii de 1,2, peisajele în jur de 2,2 și norii în jur de 3,3. Chiar și distribuția pe scară largă a
materiei în univers (clusters de clustere de galaxii) corespunde cu D aproximativ 1,2 . Po
ate, deci, nu este atât de surprinzător că sistemul nostru perceptiv, care evoluează într-o
astfel de lume, este deosebit de pasionat de D — E de aproximativ 0,2 .

Încă o dată, natura generică a construcțiilor fractale poate fi ilustrată permi țând împ
răștierii luminii locale și opacității să varieze continuu ca T ( x , y , z ) . În acest caz, fulgii su
nt transformați în nori fractali cu aspect realist. O combinație a unui astfel de nor fractal
deasupra unei suprafețe fractale cu cratere este afișată pe coperta din spate. Aici lumin
a împrăștiată de nor produce umbre de intensitate diferită pe peisaj. Corespondența cu
norii reali nu este surprinzătoare. Norii și zonele de ploaie sunt formele naturale în care
comportamentul fractal a fost verificat experimental pe cea mai largă gamă de scale de d
istanță în [68].

1.2 Fractali în natură: un scurt studiu de la agregare la muzică

Omul a fost întotdeauna confruntat cu o lume plină de forme neregulate aparent comple
xe și fluctuații aleatorii. În căutarea înțelegerii, știința naturii a progresat concentrându-
se în primul rând pe cele mai simple sisteme. În acest proces, s-a îndepărtat de la experi
ența directă a naturii la laboratorul instrumentat electronic. La urma urmei, cine ar pute
a descrie, darămite să înțeleagă, profilul unui munte sau forma unui nor? Cu geometria f
ractală, căutarea înțelegerii științifice și a imaginilor grafice pe computer realiste se pot întoarce
în lumea naturală de zi cu zi. După cum arată falsurile fractale generate de computer [103] din
Secțiunea 1.1, formele complexe ale naturii sunt doar aparent așa.
Capitolul 1: Fractali în natură

1.2.1 Fractali la scară mare

Diverse discipline științifice au adoptat cu ușurință limbajul geometriei fractale [15,36,6

1,85,95,97,108]. Imaginile din Secțiunea 1.1 oferă dovezi puternice ale aplicabilită ții fr
actalilor în natură la scară geologică și planetară. Cu toate acestea, geometria fractală oferă și
tehnici de cuantificare a formelor neregulate ale naturii, de obicei printr-o măsurătoare a dimensiunii
fractale [105]. Un rezumat al acestor metode este prezentat în Secțiunea 1.6. La scară mare, granițele
naturale , topografia geologică, ploaia acidă, norii, ploaia și limitele ecosistemelor, faliile s
eismice și gruparea galaxiilor sunt toate susceptibile de analiza fractală.

30
 31

1.2.2 Fractali la scară mică: Condensarea materiei

Fractalii sunt la fel de folositori la o scară mai mică decât cea umană. Varia ția rugozită ții
suprafeței cu D prezentată în plăcile 11 la 13 sugerează că D este, de asemenea, un bun
cuantificator măsurabil pentru caracterizarea suprafețelor materialelor la scară microsc
opică. Oamenii de știință din materiale au adoptat pe scară largă un vocabular fractal
pentru formele neregulate [108]. Fractalii oferă un limbaj general pentru taxonomia sau clasificarea
diferitelor „animale” (forme anterior de nedescris patologic) întâlnite în științele naturii. Ubicuitatea
lor sugerează două întrebări importante : de unde provin formele fractale și cum afectează car
acteristicile formelor fractale procesele care au loc asupra lor?
Multe dintre modurile în care materia se condensează la scară microscopică par să g
enereze fractali. Figura 1.7 prezintă o micrografie electronică cu transmisie a unei pelicule
subțiri de aur [104] cu o grosime de aproximativ 50 de straturi atomice pe un substrat amo
rf. Mai degrabă decât o acoperire uniformă, mărgele aurii se ridică din cauza tensiunii su
perficiale (ca apa pe capota unei mașini proaspăt ceară). O analiză computerizată a clus
terelor conectate (cel mai mare este prezentat evidențiat) arată structuri de ramificare n
eregulată de dimensiune finită. Pe măsură ce cantitatea de aur crește, clusterele cresc î
n dimensiune și în cele din urmă se conectează în întregul eșantion. Pe măsură ce cel m
ai mare grup atinge limitele eșantionului, forma sa este fractală pe toate scările de lungi
me deasupra dimensiunii mărgelei. Acesta este un exemplu de tranziție de percolare, un anal
og geometric al unei tranziții de fază de ordinul 2. Aici geometria fractală oferă o descrie
re alternativă la teoria scalării analitice [104], Dimensiunile fractale ale formelor caracter
istice corespund exponenților de scalare. Fractalii oferă, de asemenea, limbajul și forma
lismul pentru studierea proceselor fizice (cum ar fi difuzia și vibrația) pe astfel de structu
ri [81], Difuzia pe proteine complexe cu structuri fractale are implicații biologice import
ante.
Figurile 1.8 și placa 31 prezintă mostre de agregare limitată prin difuzie (vezi [36,95,
97]). DLA este un model simplu, ușor de implementat pe un computer, care reproduce
multe forme naturale găsite în descărcări electrostatice, depuneri electrochimice și depl
asări fluid-fluid. Structurile rezultate sunt bine caracterizate ca fractali și amintesc puter
nic de creșterile asemănătoare plantelor. Ca și în cazul setului Mandelbrot, formele rezu
ltate sunt rezultatul aplicării repetate a
Capitolul 1: Fractali în natură reguli simple neliniare. Probele de DLA din placa 31 încep
cu o singură particulă lipicioasă fixă la originea unei mări de particule care se mișcă alea
toriu. Fiecare dintre aceste particule mobile se mișcă pe calea sa aleatorie, cu propriile s
ale reguli simple. La fiecare pas de timp, se mișcă o unitate într-o direcție aleatorie, cu e
xcepția cazului în care se găsește lângă originea lipicioasă. Dacă da, devine imobil și ser
vește ca un alt site lipicios în sine. Astfel, începând de la un loc, clusterul crește odată c
u adăugarea altor particule care ajung aleatoriu la limita sa. Fiordurile deschise nu se u
mplu niciodată, deoarece o particulă care încearcă să ajungă la fund pe o cale aleatorie
lovește invariabil prima una dintre părțile lipicioase. Figura 1.8 prezintă probe de DLA c
u diferite condiții inițiale (linie lipicioasă în partea de jos) și modificări ale morfologiei d
e creștere cu probabilitate de lipire.
1.2 Fractali în natură

1.2.3 Scalarea aleatoriei în timp: ^-zgomote

Exemplele precedente au demonstrat aleatoritatea fractală în spațiu. Schimbările în tim
p, totuși, au multe dintre aceleași asemănări la scări diferite ca și schimbările în spa țiu.
Pentru fizician, modificările imprevizibile ale oricărei mărimi V care variază în timpul t sun
t cunoscute ca zgomot. Exemple grafice de zgomote tipice V ( t ) sunt prezentate în Figura
1.9. În stânga fiecărui eșantion este o reprezentare a densităților sale spectrale. Densitatea sp
ectrală, S y ( f ) , oferă o estimare a fluctuațiilor pătratice medii la frecvența / și, în conseci
nță, a variațiilor pe o scară de timp de ordinul j . Urmele făcute de fiecare dintre aceste
zgomote sunt o curbă fractală și există o relație directă între dimensiunea fractală și pan
ta logaritmică a densității spectrale care va fi discutată mai jos. Într-adevăr, în țelegerea
și simularea unor astfel de zgomote formează baza tuturor falsurilor fractale prezentate a
ici.
Figura 1.9(a) prezintă un zgomot alb, cel mai aleatoriu. Ar putea fi produs de un generat
or de numere pseudo-aleatoare și este complet necorelat de la un punct la altul. Densit
atea sa spectrală este o linie plată, reprezentând cantități egale la toate frecven țele (ca
o lumină albă). Figura 1.9(c) prezintă o mișcare browniană sau o mers aleatoriu, cea mai
corelată dintre cele trei eșantioane de zgomot. Constă din fluctuații mult mai lente (frec
vență joasă) decât rapide (frecvență înaltă), iar densitatea sa spectrală este destul de ab
ruptă. Acesta variază ca jr- Formal, mișcarea browniană din figura 1.9(c) este integrala zg
omotului alb din figura 1.9(a). În mijloc, în Figura 1.9(b) este un tip intermediar de zgom
ot cunoscut sub numele de zgomot y datorită formei funcționale a densității sale spectr
ale. În general, termenul y-zgomot se aplică oricărei mărimi fluctuante V(t) cu S v ( f ) varii
nd ca j p de-a lungul mai multor decenii cu 0,5 < ( 3 < 1,5. Atât zgomotul alb, cât și -yr- s
unt bine înțeles în termeni de matematică și fizică.Deși originea zgomotului j rămâne un
mister după mai bine de 60 de ani de investigații, el reprezintă cel mai frecvent tip de zg
omot întâlnit în natură.
Nu există modele matematice simple care să producă zgomot-y, altele decât ipoteza
tautologică a unei distribuții specifice a constantelor de timp. De asemenea, se cunosc
puține despre originile fizice ale lui y, dar se găsește în multe [102] sisteme fizice: în apr
oape toate componentele electronice, de la simple rezistențe de carbon până la tuburi v
idate și toate dispozitivele semiconductoare; în toate standardele de timp, de la cele ma
i precise ceasuri atomice și oscilatoare de cuarț până la vechea clepsidră; în fluxurile oc
eanice și modificările nivelurilor anuale ale inundațiilor râului Nil [64], așa cum au fost î
nregistrate de egiptenii antici; în tensiuni mici măsurabile peste membranele nervoase d
atorită fluxului de sodiu și potasiu; și chiar în fluxul de automobile pe un drum expres [7
8]. y-noise se găsește și în muzică.
1.2.4 Muzică fractală

Una dintre cele mai interesante descoperiri [100,101] a fost că aproape toate melodiile
muzicale imită y-noise. Muzica are același amestec de aleatoriu și predictibilitate care se
găsește în y-noise. Dacă cineva ia o partitură muzicală și trasează linii între notele succe
sive ale melodiei, se găsește un grafic remarcabil de similar ca calitate cu figura 1.9(b). U
nele dintre densitățile spectrale de melodie măsurate efectiv pentru diferen țe
1.2 Fractali în natură Diferite tipuri de muzică sunt prezentate în Figura 1.10. Există p
uține pentru a distinge aceste măsurători pe tipuri foarte diferite de muzică unele de alt
ele sau de zgomotul j din figura 1.9(b). Spectre j asemănătoare sunt de asemenea obser
vate pentru fluctuațiile de volum în toate tipurile.
Fig. 1.10: Măsurători de densitate spectrală a variațiilor de înălțime în diferite tipuri de muzică, arătând corelațiile lor comune ca zgomot
1/f.

Măsurarea limbilor vorbite arată un rezultat diferit. Deși fluctuațiile sonore păstrează
un spectru y, fluctuațiile de înălțime pentru limba engleză vorbită arată un comportame
nt lorentzian cu variații albe sau independente pentru scale de timp mai lungi decât un f
onem vorbit. Limbile orientale, pe de altă parte, arată o creștere a densității spectrale a f
luctuațiilor de înălțime la frecvențe joase, corespunzătoare unei corelații crescute (dar
mai puțin decât j ) . Densitatea spectrală y pare să apară pentru cantitățile măsurate car
e sunt mai strâns legate de „sens” (melodii muzicale, zgomot rostit).

32
 33

Acest tip de analiză este surprinzător de insensibil la diferitele tipuri de muzică. Cu e

xcepția compozitorilor foarte moderni [100] precum Stockhausen, Jolet și Carter (unde f
luctuațiile melodiei se apropie de zgomotul alb la un nivel scăzut).
Capitolul 1: Fractali în frecvențele naturii), toate tipurile de muzică împărtășesc această
bază y-noise. O astfel de viziune asupra fluctuațiilor melodiilor subliniază elementul com
un în muzică și sugerează un răspuns la o întrebare care ia tulburat de mult timp pe filosofi
[45]. În cuvintele lui Platon, „Când nu există cuvinte (muzică de însoțire), este foarte dificil să
recunoaștem sensul armoniei și ritmului sau să vezi că orice obiect demn este imitat de ele”. Filosofii
greci au fost în general de acord cu privire la natura imitativă a artelor. Părea evident că pi
ctura, sculptura sau drama imita natura. Dar ce imită muzica? Măsurătorile sugerează că
muzica imită felul în care lumea noastră se schimbă în timp. Atât muzica, cât și zgomotul
y sunt intermediare între aleatorie și predictibilitate. La fel ca formele fractale, există cev
a interesant pe toate scările (în acest caz, timp). Chiar și cea mai mică frază reflectă între
gul.

Este, desigur, posibil să folosiți fractalii, în acest caz ca ^-zgomote, atât pentru muzică, cât
și pentru falsificarea peisajului. Figura 1.11 prezintă mostre de „muzică” generate din cele trei tipuri
caracteristice de „zgomot” prezentate în Figura 1.9. Deși niciunul dintre eșantioanele din Figura 1.11
nu corespunde unei compoziții sofisticate a unui anumit tip de muzică, Figura 1.11(b) generat
ă din zgomotul y este cea mai apropiată de muzica reală. Astfel de mostre sună muzical r
ecunoscut, dar dintr-o cultură străină sau necunoscută.
Exemplele de mai sus sunt doar un mic subset al specialităților în care fractalii î și gă
sesc aplicație. Geometria fractală, ca și calculul înaintea ei, trece rapid de la o disciplină
specializată în sine la un instrument și limbaj comun necesar în multe domenii. Rămâne i
mportant să subliniem diferența dintre idealul matematic și natură. În timp ce fractalii m
atematici pot oferi un comportament de scalare pe intervale nelimitate, fractalii naturali
au întotdeauna limite. Cu toate acestea, geometria fractală rămâne cel mai bun limbaj di
sponibil pentru majoritatea formelor naturale. Ca în majoritatea disciplinelor, o investiga
ție a granițelor (care sunt ele însele adesea fractale) oferă noi perspective.

1.3 Modele matematice: Mișcare browniană fracțională

Unul dintre cele mai utile modele matematice pentru fractalii aleatorii găsiți în natură (c
um ar fi terenul muntos și norii) a fost mișcarea browniană fracțională (fBm) a lui Mandelbrot
și Van Ness [68],[63]. Este o extensie a conceptului central al mișcării browniene care a juca
t un rol important atât în fizică, cât și în matematică. Aproape toate simulările fractale de
grafică naturală pe computer [103] se bazează pe o extensie a fBm la dimensiuni mai ma
ri, cum ar fi peisajul brownian fracționat din Figura 1.1. Mișcare browniană fracțională
1.3 Modele matematice
Fig 1 .1.11: Mostre de muzică fractală compusă stocastic pe baza diferitelor tipuri de zgomote
prezentate în Figura 1.9 . A. muzica „albă” este prea aleatorie, b. „y''-muzica este cea mai apropiată de
muzica reală (și cea mai plăcută), c. „Maro” sau -jr . Muzica este prea corelată.

este, de asemenea, un bun punct de plecare pentru înțelegerea difuziei anormale și a pl

imbărilor aleatorii pe fractali. Această secțiune oferă un rezumat al utilizării fBm. Detaliil
e sale matematice sunt lăsate la Secțiunea 1.6.
După cum se poate observa din probele de urme ale fBm din Figura 1.12, o mișcare br
owniană fracțională, Vh(t ), este o funcție cu o singură valoare a unei variabile, t (de obic
ei timpul). În aparență, amintește de un orizont de munte sau de fluctuațiile unei variabi
le economice. Formal, incrementele lui fBm (diferențele dintre timpii succesivi) sunt cel
e care dau zgomotele din Figura 1.9. Comportamentul la scară a diferitelor urme din Fig
ura 1.12 este caracterizat de un parametru dacă în intervalul 0 < H < 1. Când H este apro
ape de 0, urmele sunt cele mai aspre, în timp ce cele cu H aproape de 1 sunt relativ nete
de. H raportează modificarea tipică în V, AV = V(f 2 ) — V(ti), cu diferența de timp
t\ prin legea simplă de scalare
H
AVocAt . (1,5)

În mișcarea browniană obișnuită sau mersul aleatoriu, suma increturilor independente ,

timpilor sau pașilor conduce la o variație care crește ca rădăcină pătrată a numărului d
e pași. Astfel, H = j corespunde unei urme de mișcare browniană.
1.3.1 Auto-afinitate
Proprietatea de scalare a lui fBm reprezentată de Ecn. (1.5) este diferită de auto-asemăn
area statistică a liniei de coastă din figura 1.1 și de auto-asemănarea exactă a construc ți
ilor Koch din figura 1.3. În timp ce formele auto-similare se repetă (statistic sau exact) su
b o mărire, urmele fBm din figura 1.12 se repetă statistic numai atunci când direcțiile t și
V sunt mărite cu cantități diferite . Dacă f este mărit cu un factor r (f devine rt), atunci V tre
buie mărit cu un factor r H ( V devine r H V ) . Pentru o plimbare aleatorie ( H = j) trebuie să
faci de patru ori mai mulți pași pentru a merge de două ori mai departe. Această scalare
neuniformă, în care formele sunt (statistic) invariante în cadrul transformărilor care scale
ază coordonate diferite cu cantități diferite, este cunoscută sub numele de autoafinitate. A
uto-afinitatea joacă, de asemenea, un rol important în proprietățile funcțiilor iterate, așa
cum s-a discutat în Capitolul 5.
1.3 Modele matematice

După cum se arată în Figura 1.4, conceptul de dimensiune fractală este strâns legat
de scalarea auto-similară. Deși extinderea la formele auto-afine poate fi ambiguă (vezi S
ecțiunea 1.6), o definiție utilă și consistentă se bazează pe conceptul de zeroset și calcul
ul dimensiunilor fractale [68],[71].

1.3.2 Seturi de zero

Fractalii, ca și formele tradiționale euclidiene, își reduc de obicei dimensiunea cu una s

ub intersecția cu un plan. Astfel, intersecția unei sfere solide 3-d cu un plan este o zonă
circulară 2-d. Intersecția acestei zone cu un alt plan este un segment de linie 1-d, iar int
ersecția acestui segment cu un alt plan este un punct 0-d. În mod similar, intersecția un
ei curbe fractale în plan (cu dimensiunea fractală 1 < D < 2 ) cu o linie dreaptă este un s
et de puncte de dimensiunea D — 1. Alegând direcția dreptei de intersectare pentru a eli
mina unul dintre coordonate, este posibil să se reducă o curbă auto-afină la un set auto-
similar de puncte. Setul zero al lui fBm este intersecția urmei lui Vh ( t) cu axa t : mulțimea
tuturor punctelor astfel încât Vj?(t) = 0. Setul zero este un set deconectat de puncte cu
dimensiunea topologică zero și un fractal dimensiunea Do = \ — H care este mai mică dec
ât 1 dar mai mare decât 0. Deși urma lui V h ( t ) este auto-afină, setul lui zero este auto-si
milar și estimări diferite ale lui Do dau același răspuns. Dimensiunea fractală, D = Do + 1.
a unui fBm autoafin este, prin urmare, pur și simplu legată de parametrul de scalare H ca

D = 2 - H.

1.3.3 Auto-afinitate în dimensiuni superioare: peisaje și nori Mandelbrot

Urmele fBm, în special Figura 1.12(c) cu H = 0,8, se aseamănă izbitor cu un orizont muntos.
Modelarea suprafeței neregulate a Pământului ca o generalizare a urmelor de fBm a fost propusă
pentru prima dată de Mandelbrot. Variabila unică t poate fi înlocuit cu coordonatele x și y în pl
an pentru a da V h ( x , y ) ca altitudinea suprafeței în poziția x , y așa cum se arată în Figu
34
 35

ra 1.1. În acest caz, variațiile de altitudine ale unui drumeț care urmează orice traseu în
linie dreaptă cu viteză constantă în planul xy este o mișcare browniană fracțională. Dacă
excursionista parcurge o distanță Ar în planul it/- (Ar 2 = A x 2 + D a 2 ) variaţia tipică de al
titudine AV este dată de
A7 oc A r H
Capitolul 1: Fractali în natură în analogie cu Eqn. (1,5). Încă o dată, dimensiunea fractală
D trebuie să fie mai mare decât dimensiunea topologică 2 a suprafeței. Aici,

D = 3 — H pentru un peisaj fractal V h ( x , y). (1,8)

Intersecția unui plan vertical cu suprafața V h ( % , y ) este o urmă fBm autoafină caracteri
zată prin H și are o dimensiune fractală cu o mai mică decât suprafața însăși.
În mod similar, setul zero al l u i V h ( x , y ), intersecția sa cu un plan orizontal, are o di
mensiune fractală D o = 2 — H . Această intersecție, care produce o familie de curbe (p
osibil deconectate), formează liniile de coastă ale peisajului V h ( x , y ). Deoarece cele do
uă coordonate x și y sunt, totuși, echivalente, liniile de coastă ale autoafinei V h ( x , y ) su
nt auto-similare. Figura 1.1 demonstrează modul în care linia de coastă auto-similară ră
mâne invariantă din punct de vedere statistic la schimbările de mărire. O vedere laterală a
aceluiași peisaj nu ar arăta, totuși, aceeași invarianță din cauza scalarii sale auto-afine. Privit din
apropiere, un peisaj fractal, cum ar fi suprafața pământului, pare relativ abrupt. Pe de altă parte , când
aceeași secțiune este privită de la mai departe (de exemplu, o vedere prin satelit a păm
ântului), suprafața este aproape plană. Aceasta este doar o consecință a proprietă ții de
scalare a Eqn. (1,7) . Dacă prim-planul corespunde A V de ordinul A r , atunci creșterea
distanței de vizualizare cu un factor F > 1 corespunde cu creșterea scării orizontale cu
F și a scării verticale doar cu F H . Deoarece H < 1 scara verticală crește cu mai puțin d
ecât orizontală și suprafața pare să se aplatească. Variațiile relative de înăl țime observa
te într-un peisaj fractal (care pot fi variate în mod arbitrar într-o simulare) sunt un indiciu
perceptiv important în estimarea înălțimii munților în raport cu scara umană.
Această generalizare a fBm poate continua la dimensiuni și mai mari pentru a produc
e, de exemplu, o distribuție fractală auto-afină de temperatură sau densitate V i f ( x , y , z ) .
Aici, variațiile unui observator care se deplasează cu viteză constantă de-a lungul oricăr
ei căi drepte în spațiul xyz generează un fBm cu scalare dată de Ecn.
(1.7) unde acum Ar 2 = A x 2 + A y 2 + A z 2 . În analogie cu Ecs. (1.6) și
(1.8) , dimensiunea fractală

D = 4 — H pentru un nor fractal V h ( x , y , z ). (1,9)

Setul zero
V h ( x , y , z ) = constantă oferă acum un fractal auto-similar cu D o = 3 — H ca fulgi fractali d
in figura
1.6.
1.4 Algoritmi

Pentru a rezuma, o funcție browniană fracțională auto-afină statistic, V h , oferă un m

odel bun pentru multe procese și forme naturale de scalare. În funcție de o variabilă ( E
= 1), fBm este un model matematic bun pentru zgomote, procese aleatorii și muzică. Pe
ntru E = 2 fBm oferă peisaje fractale și suprafețe aleatorii. Pentru E = 3 fBm generează fu
lgi și nori. În toate aceste cazuri, proprietatea de scalare poate fi caracterizată în mod ec
hivalent fie prin H , fie prin dimensiunea fractală D. O altă caracterizare este oferită de
exponentul spectral 0.
1.3.4 Densitățile spectrale pentru fBm și exponentul spectral (3

După cum sa discutat mai devreme, funcțiile aleatoare în timp V ( t ) sunt adesea caracter
izate [90],[91] prin densitățile lor spectrale S v ( f ) - Dacă V(t) este intrarea la un filtru trece-ban
dă îngust la frecvența / și lățimea de bandă A / , atunci S v ( f ) este pătratul mediu al ieșir
ii V ( f ) împărțit la A/, SV(/) = • SV(/) oferă informații despre corelațiile
de timp ale lui V ( t ). Când SV( /) crește abrupt la f s c ă z u t , V ( t ) variază mai lent. După c
um se arată în Figura 1.9, exponentul spectral ( 3 modificări odată cu apariția urmei de z
gomot similar cu variația cu H a urmelor de fBm din Figura 1.12. Secțiunile 1.6.8 și 2.4
oferă o legătură utilă între cele 3 caracterizări echivalente , D , H și /5, a unei funcții fB
m a variabilelor E
D= E+ 1 -H = E+ (1-10)

Pentru H în intervalul 0 < H < 1 , D se întinde pe intervalul E < D < E + 1 și 1 < ( 3 <
3 . Valoarea H ~ 0,8 este empiric o alegere bună pentru multe fenomene naturale.

1.4 Algoritmi: Aproximarea fBm pe o grilă finită

Secțiunea 1.1 a stabilit conexiunea vizuală dintre multe forme, aparent complexe, din lu
mea naturală și fractalii auto-similari și autoafinți statistic. Secțiunea 1.2 a indicat câtev
a dintre modalitățile prin care fractalii devin o parte integrantă a științelor naturale. Sec
țiunea 1.3 a trecut în revistă o parte din fondul matematic și a stabilit relația dintre dim
ensiunea fractală D , parametrul H al fBm și exponentul densității spectrale j3. Această
secțiune discută diferite metode pentru producerea unui eșantion finit de fBm ca zgomot (E = 1), peisaj
(E = 2) sau nor (E = 3). Ca și în cazul naturii în sine, acest eșantion va fi de obicei limitat a
tât de cea mai mică dimensiune sau rezoluție L m , n și a
Capitolul 1: Fractali în natură cea mai mare scară L max . Se va lua în considerare statisticil
e eșantionului (din punct de vedere matematic, cât de bine aproximează fBm?), caracter
isticile vizuale (pare natural?) și caracteristicile de calcul (cum variază timpul de calcul î
n funcție de dimensiunea eșantionului?). În general, cu cât un algoritm dat n se aproximează
mai aproape de fBm, cu atât imaginea rezultată arată mai „realistă”. Deși nu se va acorda o atenție
specifică redării imaginii, este important de reținut că, în majoritatea cazurilor, redarea unui eșantion
fractal necesită mult mai mult calcul decât generarea de eșantion. Acest lucru este valabil mai ales
pentru redarea pachetelor bazate pe forme euclidiene, care au un timp extrem de dificil cu numărul
„infinit” de pete de suprafață pe o suprafață fractală. Capitolul 2 din acest volum oferă, de asemenea, o
prezentare practică și detaliată a unora dintre acești algoritmi împreună cu eșantioane d
e pseudo-cod.
1.4.1 Mișcarea browniană ca tăieturi independente

Cele mai vechi simulări ale fBm s-au bazat pe ideea perturbațiilor independente. În defi
niția obișnuită, mișcarea browniană, Vs(t) = V#(t) pentru H = j, este suma incrementelor s
au impulsurilor independente. Formal, V b ( t ) este integrala unui zgomot alb gaussian W
(t),
V B (t)= f W(s)ds. (1,11)
J—OO
Deoarece un singur impuls la momentul t,- determină un salt cu funcția de treaptă de m
ărime A,- (o variabilă aleatorie gaussiană) în V( t ), mișcarea browniană poate fi considera
tă în mod echivalent ca deplasarea cumulativă a unei serii de salturi independente. Răsp
unsul la un astfel de impuls, A{P( t — ti ) are forma unei funcții pas cu
P(t) = 1 pentru t > 0 și P(t) = 0 pentru f < 0. Astfel, V b ( t )
poate fi scris și ca suma tăierilor independente la întâmplare (distribuit Poisson) ori t,
OO

Vs(t)= £ AiP(t-ti). (1-12)

t=—OO

36
 37

Această ultimă formulare a mișcării browniene este utilă, deoarece poate fi generalizată
la cercuri și sfere pentru a produce planeta fractală a plăcii 6. În generalizarea la o sferă,
V b devine o funcție a lui r, poziția pe sfera unității. Variații locale ale l u i V b imită mișca
rea browniană obișnuită, dar scările mari reflectă periodicitatea sferei. Aceasta corespun
de adunării unor emisfere aleatorii ale căror poziții polare f| sunt distribuite uniform pe s
uprafața sferei, OO

VB(f) = X) A i p ( r U ) . (1,13)
t=—OO

Aici, P(r — fi) = 1 pentru r ■ u > 0 și zero în caz contrar. Evoluția unei sfere browniene în
cadrul acestui proces de însumare este prezentată în plăcile 1 până la 6.
1.4 Algoritmi

Un relief brownian plat V b ( x , y ) poate fi construit în mod similar din adăugarea faliilo
r plasate aleator și orientate aleatoriu în plan. Profilul unei astfel de defecțiuni corespun
de funcției de treaptă a amplitudinii aleatoare A,-. O astfel de suprafață va avea o dimen
siune fractală D = 2 , 5 .
Adăugarea independentă a unor astfel de erori ale funcției de pas este extrem de co
stisitoare din punct de vedere computațional. Fiecare defecțiune necesită adăugări la a
proximativ jumătate din elementele de suprafață. Mai mult, fractalul rezultat corespund
e întotdeauna unui fBm cu H = j . Cu toate acestea, procedura este simplă și reprezintă,
din punct de vedere istoric, prima metodă utilizată pentru producerea peisajelor fractale
[68].
Prin schimbarea profilului tăieturii din funcția pas este posibil să se utilizeze metoda
tăierilor independente pentru a genera suprafețe fractale și planete cu H și D d i f e r i t . A
stfel,
P{t) = t H
~ z pentru t > 0 și
P(t) = - 1 1 \ H
~ z pentru t < 0 poate fi folosit pentr
u a genera un fBm cu H diferit de j .

1.4.2 Filtrarea rapidă cu transformată Fourier

Un alt algoritm simplu pentru fBm este construirea directă a unei funcții aleatoare cu de
nsitatea spectrală dorită -jp. f3 este legat de D sau H dorit prin Ecn. (1.10) . Pentru toate
scopurile practice, ieșirea unui generator de numere pseudoaleatoare produce un „zgomot alb” W i t ) c
u densitate spectrală constantă S w ( f ) • Filtrarea W i t ) cu o funcție de transfer T i f ) produ
ce o ieșire, V i t ) , a cărei densitate spectrală densitate,
S v ( f ) oc | T i f ) | 2 S w i f ) oc | T i f ) | 2 .
Astfel, pentru a genera un ^-zgomot dintr - u n W i t ) necesită

Pentru simularea pe calculator, o funcție continuă a timpului, V i t ) , e s t e aproximată pri

ntr-o succesiune finită de N valori, V n , definită la momente discrete t n = n A t , unde n
merge de la 0 la N — 1 și At este timpul între valori succesive. Transformata Fourier discretă
(DFT) definește V n în termenii coeficienților Fourier complecși, v m , ai seriei:
Capitolul 1: Fractali în natură unde frecvențele f m= Nlt pentru m = 0 " T " 1

Pentru o secvență fBm cu SV(/) variind ca -p coeficienții trebuie să satisfacă 1

911
<<| sunt | 2 > OC ~g OC —g (1,15)
fP mP
Relația dintre f3 și D și H este dată de Ecn. (1.10) cu E = 1. V m poate fi obținut prin înmul
țirea coeficienților Fourier ai unei secvențe de zgomot alb cu -V sau prin alegerea direc
tă a variabilelor aleatoare complexe cu media /*
amplitudine pătrată dată de Ecn. (1.15) și faze aleatorii. O variație posibilă stabile ște și
doar randomizează fazele. Cu un algoritm FFT (Fast Fourier Transform) evaluarea Eqn.
(1.14) necesită de ordin N log N operațiuni [17] pentru a produce o serie de N puncte. C
a atare, oferă o îmbunătățire semnificativă față de tăierile aleatorii descrise mai sus.
Deoarece FFT include toate componentele de frecvență posibile pe intervalul scalel
or de distanță de la L m , n la L max - N • L m , n reprezintă o aproximare precisă la fBm. Are, tot
uși, câteva dezavantaje. Întregul eșantion trebuie calculat dintr-o dată și este dificil să se
varieze gradul de detaliu de-a lungul eșantionului sau să se extindă eșantionul peste limi
tele sale originale. În plus, rezultatul este periodic în timp, V n = V n + n • Astfel de
constrângeri de frontieră devin mai evidente ca (3 —> 3, H — ► 1 și D —> 1. Acest artefact poate fi r
edus prin generarea unei secvențe mai lungi și păstrând doar o porțiune (de obicei de l
a j la j) . Transformarea FFT a fost folosită pentru a produce unele dintre cele mai izbitoar
e imagini statice ale fractalilor aleatori (așa cum se arată în plăcile color).În majoritatea c
azurilor, redarea durează mult mai mult decât generarea bazei de date fractale în sine.
Procedura este extinsă cu ușurință la funcțiile fBm spațiale ale coordonatelor E ,
Vh( x) , prin scalarea frecvențelor spațiale k corespunzătoare. Încă o dată, funcția fBm este d
efinită ca seria Fourier a componentelor sale de frecvență spațială

V H ( x ) = Y,Vke 2 * ils (1,16)

unde scalarea frecvențelor spațiale determină D, H și /?. În secțiunea 1.6 se arată că o s

uprafață browniană fracțională (E = 2 ) corespunde
„Parantezele <> indică medii pentru multe mostre.
1.4 Algoritmi

la
P = 1 + 2 H = 1 - 2 D și

« nW * < u7 >
cu 2 < D < 3. Deși nici tăierile aleatoare și nici filtrarea FFT nu reprezintă o metodă
r e c u r s i v ă de generare a fractalilor aleatorii, procesul de adăugare a tot mai multor frecv
ențe este similar cu construcția fulgului de nea von Koch. Figura 1.13 arată complexitat
ea crescândă în evoluția unei suprafețe fBm generate de FFT cu H = 0,8 și D = 2 , 2 p e
m ă s u r ă c e sunt incluse frecvențe mai mari.
În mod similar, pentru un volum brownian fracțional ( E = 3)

(1,18)

cu 3 < D < 4 . Această metodă a fost folosită pentru a produce fulgii și norii fractali din
Figura 1.6 și pe coperta din spate.

1.4.3 Deplasare aleatorie a punctului mijlociu

Deplasarea aleatorie a punctului mijlociu este o tehnică de generare recursivă care a fost aplicată
mișcării browniene normale încă din anii 1920 de către N.Wiener. Este o extensie naturală a
construcției von Koch și figurează în multe dintre eșantioanele fractale descrise de Mandelbrot [ 68
]. Utilizarea sa în grafica computerizată a fost popularizată pe scară largă de Fournier, Fu
ssell și Carpenter [19,40]. Pentru H ^ j sau E > 1, sacrifică puritatea matematică pentru
viteza de execuție în aproximarea sa la fBm.
38
 39

Luați în considerare aproximarea la un fBm simplu, V n ( t ) , unde incrementul pătrat

mediu pentru punctele separate de un timp A t = 1 este a 2 . Apoi, din Ecn. (1.5), pentru
punctele separate de un timp t ,
2 2H
<1 V f f ( t ) - V H (0) \ >=t -a 2 . (1,19)

Dacă, pentru comoditate, V h ( 0) = 0 , atunci punctele de la t = ±1 sunt alese ca eșantioane

ale unei variabile aleatoare gaussiene cu varianță <x pentru a satisface Ecn. (1,5). Având în ved
2

ere aceste condiții inițiale, se definesc punctele de mijloc la

V H ( ± j ) = 0,5 [Vff( 0 ) + F*(±l)] + A!, unde Ai este o variabilă aleatoare gaussiană cu medi
e zero și varianță A care este determinată de condiția ca incrementele de la 0 la ± trebuie
2

să satisfacă Ecn. (1,5).

22 ore
1 . 4 Algoritmi

Primul termen este varianța totală dorită de la Ecn. (1.5) în timp ce al doilea termen repr
ezintă fluctuațiile deja în

AVtf(l) = V h ( ± 1 ) - V h (0)

datorita etapei anterioare. Ca H —> 1, A —» 0, D —» 1, nu se adaugă noi fluctuații la etape

2

mai mici, iar V#(i) rămâne o colecție de segmente de linie netede care leagă punctele de plecare. În a
doua etapă,

VH ( ± j ) =0,5

unde A are varianță

2

La a n-a etapă, scara lungimii a scăzut la j * și o variabilă gaussiană aleatorie A n este

adăugată la punctele de mijloc ale etapei n — 1 cu varianță.

[1 - 2
2K
" 2] ( 1 . 20 )

Așa cum era de așteptat pentru un fBm, la o scară de lungime r = 5 ^ se adaugă aleatorie
cu variațiile pătratice medii variind ca r 2 H .
Deși acest proces produce un fractal, rezultatul nu este, din păcate, staționar [68,6
9] pentru toate H. Odată ce un punct dat la U a fost determinat, valoarea acestuia rămâ
ne neschimbată în toate etapele ulterioare. Toate etapele suplimentare se modifică t <
t, independent de t > U și corelațiile cerute de fBm cu H ^ j nu sunt prezente. Prin con
strucție creșterile

<<| Vff(±l) -Vh(0) | 2 >= a 2 .

Pentru un proces staționar, același lucru ar trebui să fie valabil pentru toate incrementel
e cu A t = 1. Cu toate acestea, absența corelației într-o etapă anterioară necesită ca

<<| | 2 >= 2 <| V h ( ^ - ) — Vff( 0 ) | >= 2 ^. 2

Aceasta dă rezultatul dorit cr numai pentru H = j mișcării browniene normale.

2

În consecință, punctele generate în diferite etape au proprietăți statistice diferite în

vecinătățile lor. Acest lucru lasă adesea o urmă vizibilă care nu dispare pe măsură ce se
adaugă mai multe etape. Efectul este mai pronunțat ca H —» 1. Aceste artefacte vizibile,
care sunt o consecință a lipsei de staționaritate a aproximării matematice, sunt vizibile în special pe
fractal.
Capitolul 1: Fractali în suprafețele naturii. Figura 1.14 prezintă o vedere zenitală a unei
astfel de suprafețe de deplasare a punctului mediu cu H = 0,8. În generarea unei supraf
ețe de deplasare a punctului mediu pe o grilă pătrată, fiecare pas se desfă șoară în două
etape. Mai întâi, punctele de mijloc ale fiecărui pătrat sunt determinate din cele 4 col țur
i ale sale și deplasate de un element aleatoriu A. Aceasta determină o nouă re țea pătrat
ă la 45 de grade față de originalul și cu dimensiunea rețelei -j- . În cea de-a doua etapă,
punctele de mijloc ale noii rețele primesc o contribuție aleatorie mai mică de la prima e
tapă. Aceasta produce noua rețea pătrată cu o scară % față de original. Urmele stadiilor
incipiente sunt ușor vizibile în Figura 1.14. Aceste artefacte, care apar în toate etapele, n
u pot fi eliminate prin netezire locală.

În ciuda deficiențelor sale matematice, viteza deplasării punctului mijlociu și

capacitatea sa de a adăuga „detaliu” unei forme existente îl fac un algoritm fractal util pentru unele
aplicații. Pentru a genera N puncte sunt necesare doar N operații de ordine. Pentru a extind
e secvența cu doar un punct la cea mai mică scară dincolo de punctele sale finale origin
ale, totuși, este nevoie de un log suplimentar N operațiuni.
2

1.4.4 Adunări aleatorii succesive

În multe privințe, artefactele non-staționare ale deplasării punctului de mijloc sunt simil
are cu efectul de scară al liniilor de afișare raster alias. Cu deplasarea punctului de mijlo
c, odată determinată, valoarea într-un punct rămâne fixă. La fiecare etapă, doar jumătate
din puncte sunt determinate mai precis. Dacă ne imaginăm procesul de mărire a unui ob
iect real, pe măsură ce rezoluția spațială crește, toate punctele sunt determinate mai precis. În ce
ea ce privește teorema de eșantionare Nyquist, pentru a aproxima N puncte reale necesi
tă y frecvențe complexe sau y componente sinus și cosinus. Când rezoluția este dublată
la 2 N puncte, componentele suplimentare de înaltă frecvență modifică toate valorile ori
ginale. Deplasarea punctului de mijloc adaugă doar componentele sinus (sau cosinus) s
uplimentare, nu ambele. În schimb, în reducerea rezoluției unei imagini, o procedură de
anti-aliasing va avea o medie pe pixelii vecini. Pur și simplu păstrând aceea și valoare ca
și centru (echivalentul deplasării punctului de mijloc) produce marginea scării inaccepta
bilă.
Eu numesc procesul de adăugare a aleatoriei la toate punctele în fiecare etapă a unui pr
oces de subdiviziune recursiv adunări aleatorii succesive . Această îmbunătățire reduce multe
dintre artefactele vizibile ale deplasării punctului de mijloc și generarea necesită încă do
ar N operații de ordine pentru a genera N puncte. Calculul punctelor de mijloc este acel
ași cu deplasarea punctului de mijloc. Singura diferență este în numărul de elemente al
eatorii. Pentru o succesiune de N elemente, y puncte din etapa finală au avut o singură a
dunare aleatorie, y puncte din etapa anterioară au avut 2
1.4 Algoritmi adunări aleatorii, y avea 3 și așa mai departe. Seria converge către cele 2
N adunări aleatorii pentru N elemente.

Secvența de zoom din Figura 1.1 a fost produsă cu adăugiri aleatorii succesive. Artef
actele rețelei pătrate nu sunt la fel de vizibile ca în cazul suprafeței de deplasare a punc
tului mijlociu din Figura 1.14. Pentru comparație Figura 1.15 arată și construcția unei s
uprafețe fBm cu H = 0,8 prin adunări aleatorii succesive.
Cu adunări aleatorii succesive, în fiecare etapă toate punctele sunt tratate în mod ec
hivalent. Acest lucru are avantajul suplimentar că rezoluția în etapa următoare se poate
modifica cu orice factor r < 1. Pentru deplasarea punctului mediu r trebuie să fie j . Astf

40
 41

el, având în vedere un eșantion de N n puncte la etapa n cu rezoluția l , etapa ni- 1 cu rez
oluția r l este determinată prin interpolarea mai întâi a punctelor jV +1 = ^ noi din valoril
n

e vechi. În practică, acest lucru poate fi realizat folosind fie interpolarea liniară, fie splin
e. La toate punctele noi se adaugă un element aleatoriu A n . La etapa n cu raportul de sc
alare r < 1, A va avea o varianță
rn 2H
Atoc( ) . (1,21)
Când i este un număr întreg, generarea unei secvențe de N puncte necesită operații de
ordine C ( r ) N . Coeficientul C(r) variază ca ]Tn( 1 — r) n pe numărul de etape.
Dimensiunea fractală D pentru obiectele generate este determinată numai de
H , r pot fi variate independent. Variațiile în r modifică lacunaritatea fractalului. Figura 1.15
prezintă două eșantioane de suprafețe de adiție aleatorie succesive (ambele cu H =
0 , 8 , D = 2 , 2 ) generate din r diferit. Secvența de zoom din Figura 1.1 și Figura 1.15(a) a
fost generată cu 1 = 2. Pe măsură ce j crește la 8 în Figura 1.15( b), puținele rezoluții
caracteristice la care a fost adăugată aleatorie devin vizibile și lacunaritatea crește. Dacă £ se apropie
de 1 suprafețele se apropie de caracteristicile probelor FFT. Din punct de vedere empiric, totuși, o
valoare de 1 mult mai mică decât 2 produce puține schimbări observabile. Alegerea liberă a
unei valori pentru r este un plus important pentru realizarea de filme. Adăugarea de nere
guli pe o suprafață poate fi realizată continuu, deoarece rezoluția crește încet de la cad
ru la cadru.

I. 4.5 Funcția fractală aleatorie Weierstrass-Mandelbrot

Fiecare etapă dintr-un proces de deplasare a punctului mediu crește frecven ța spa țială
cea mai mare cu un factor \ = 2 . Fiecare etapă de adunări aleatorii succesive crește această
frecvență cu £ > 1. Astfel, ambele sunt legate de generalizarea lui Mandelbrot [11,68] a non-ului
Weierstrass. -functie diferentiabila, V M w ( t ) - In timp ce l.SLaputa
Seria Fourier a Ecn. (1.14) implică o progresie liniară a frecvențelor, funcția W
eierstrass implică o progresie geometrică.
OO
sin 2 B
= X)
Vuwit) A nH
^ ( '"- t + 4 ,
>n) - )
(1 22
n=—oo unde A n este o variabilă aleatorie gaussiană cu a
ceeași varianță pentru toți n și 4> n este o fază aleatoar
e distribuită uniform pe [ 0,2 7 r]. Funcția originală Wei
erstrass nu includea termenii pentru n < 0 care adaugă f
recvențe spațiale mici și fluctuații la scară mare. Ca și
în cazul adunărilor aleatorii succesive, adăugarea unui
nou termen la suma Vmw scade rezoluția spațială cu r ș
i adaugă noi fluctuații cu varianța A 2 r 2 H . În ceea ce
privește densitatea spectrală, deși V m w conține doar f
recvențe discrete / n = pr, fiecare componentă are o a
mplitudine pătrată medie proporțională cu r H n sau 1 2

/ f 2 H într-o lățime de bandă A/ o a f . Astfel, densitatea s

pectrală în acord cu Ecn. (1,39).
Deși V m w suma implică un număr infinit de componente, toate aplicațiile practice intr
oduc atât tăieturi de frecvență joasă, cât și de înaltă. Pentru o gamă de scale de distan ț
ă de la L m ,„ la L max sunt necesare doar componente log 7 „“. Fre-
-kram cu o contribuție mult mai mare decât media p
ână la zero pe scale de mărime L m i n , în timp ce frecv
ențele mult mai mici decât 7 -^— contribuie doar la o c
ompensare și o pantă. Funcția fractală aleatorie Vm
w a Eqn . (1.22) permite calculul direct al lui V m w ( 0
la orice
y t dintr-un set stocat de coeficienți log de ordine y““
A n și ( f > n .
 Cu ajutorul căutării în tabel pentru sin(x), funcția fractală V m w poate fi realizată extr
em de rapid. Fractalul este reprezentat doar de câțiva coeficienți stocați și nu există nic
io penalizare pentru calcularea funcției în afara limitei sale originale. Rezoluția poate fi s
chimbată cu ușurință prin schimbarea numărului de componente utilizate. O variabilă r
permite schimbarea lacunarității independent de D . Alte funcții periodice pot fi utilizat
e în locul sin( x). De exemplu, atât deplasarea punctului mediu cât și adunările aleatoare
succesive corespund unei funcții triunghiulare. În plus, deplasarea punctului mediu stab
ilește toate 4 > n = constantă. Sunt posibile extensii la E > 1 cu funcții periodice în toate
coordonatele E .

1.5 Laputa: O poveste de încheiere

Jonathan Swift, în clasicul său din 1726, descrie modul în care căpitanul Gulliver, captur
at de pirați, a plecat în derivă și părăsit pe o insulă mică, este în cele din urmă salvat de
un
Capitolul 1: Fractali în lanțul naturii coborât din marea insulă plutitoare Laputa. Sentime
ntul lui de ușurare, totuși, se transformă rapid în consternare. Salvatorii săi, laputanii, au
doar două interese: muzica și matematica. Speculațiile lor sunt atât de exclusiviste și int
ense încât s-au retras efectiv din lumea obișnuită de zi cu zi și trebuie să angajeze servit
ori, cunoscuți sub numele de flappers, care să-i lovească la ureche sau la gură (mai degra
bă ca o formă primitivă de întrerupere I/O) ori de câte ori o societate normală . este
necesar actul sexual. Obsesia lor, de altfel, se extinde în toate sferele. Pentru prima sa masă, lui
Gulliver i se servește „un umăr de oaie, tăiat într-un triunghi echilateral; o bucată de carne de vită în
romboizi; și o budincă într-un cicloid”. Confruntat cu o dietă atât de nesănătoasă de forme eucl
idiene și locuitori ale căror obsesii matematice nu s-au extins la lumea naturii atât de iub
ită de Gulliver, el a plănuit curând să plece.

În acest scurt pasaj, Swift făcea ecou sentimentelor nenumăraților studenți la matem
atică care, la fel ca Gulliver, atunci când s-au confruntat cu o dietă de forme euclidiene, nu au reușit
să le vadă relevanța și s-au îndreptat către gânduri de evadare. Odată cu apariția geometriei fractale,
totuși, nutriția s-a îmbunătățit foarte mult. Broccoli și alte legume au acum forme „acceptabile”, iar un
Gulliver modern s-ar putea să nu părăsească niciodată insula Laputa. După cum am înce
rcat să demonstrăm în acest articol, o obsesie pentru matematică nu trebuie să se îndep
ărteze de natură. Laputanii sunt acum liberi să contemple frumusețea setului M sau geo
metria propriei insule și a împrejurimilor acesteia (copertă din spate).

1.6 Detalii matematice și formalism

Această secțiune oferă multe dintre detaliile matematice formale care au fost omise din
secțiunile anterioare.

1.6.1 Mișcare browniană fracțională

O mișcare browniană fracțională, V#(t), este o funcție cu o singură valoare a unei variab
ile, t (de obicei timpul). Creșterile sale V i i i t i ) — V h ( U ) au o distribuție gaussiană cu vari
anță
<<| Vff(t2 ) -Vff(ti) | 2 > oc | t 2 -ti \ 2H
, (1,24)
unde parantezele < și > denotă medii de ansamblu pe multe eșantioane de Vjj-(t) și para
metrul H are o valoare 0 < H < 1. O astfel de funcție este atât staționară, cât și izotrop
ă. Incrementele pătratice medii depind numai de diferența de timp t 2 —ti și toate t sunt
echivalente statistic . Valoarea specială dacă = j dă mișcarea browniană familiară cu
42
 43

A V 2 oc At.
1.6 Detalii matematice și formalism
Ca și în cazul mișcării browniene obișnuite, deși V#(t) este continuă, nu este diferen
țiabilă nicăieri. Cu toate acestea, multe constructe au fost dezvoltate (și sunt relevante pentru
problema împrăștierii luminii din fractali) pentru a da sens „derivată a mișcării browniene fracționale”
ca zgomote gaussiene fracționale [63,68] din Figura 1.9. Astfel de construcții se bazează de obi
cei pe medii ale Vjy(t) pe scale descrescătoare. Derivata mișcării browniene normale, H =
j, corespunde zgomotului alb gaussian necorelat (Figura 1.9a) și se spune că mișcarea brownia
nă are incremente independente. Formal, acest lucru implică faptul că pentru orice trei ori astf
el încât t\ < t < tz, V#(f) — Vff(fi) este independent statistic de Vff(t 2 ) — V H ( t ) pentru H = j . Pen
tru H > j există o corelație pozitivă atât pentru incrementele lui Vh (t) cât și pentru zgomo
tul Gaussian fracțional derivat al acestuia. Pentru H < j incrementele sunt corelate negati
v. Astfel de corelații se extind la scale de timp arbitrar lungi și au un efect mare asupra a
spectului vizual al urmelor fBm, așa cum se arată în Figura 1.12.
Vjr(t) arată un comportament de scalare statistică. Dacă scala de timp t este modifica
tă de factorul r, atunci incrementele A V h se modifică cu un factor r H . Oficial,
2H
< AV ff (rt) 2 > oc r < AVhH) 2 > . (1,25)

Spre deosebire de curbele statistic auto-similare (cum ar fi liniile de coastă din Figura 1.
1), o urmă Vjy(t) necesită diferiți factori de scalare în cele două coordonate (r pentru t dar
r H pentru Vh) care reflectă starea specială a coordonatei t . Fiecare t poate corespunde u
nei singure valori a lui Vh , dar orice Vh specific poate apărea la mai multe t-uri. O astfel de scalare
neuniformă este cunoscută mai degrabă ca auto-afinitate decât ca auto-similaritate.

1.6.2 Auto-asemănarea exactă și statistică

Distincția dintre similitudine și afinitate este importantă, dar a primit abia recent o aten ț
ie largă [72], cu titlu de rezumat, un obiect auto-similar este compus din N copii ale lui însu
și (cu posibile translații și rotații), fiecare dintre acestea fiind redusă la scară. prin raport
ul r în toate coordonatele E din întreg. Mai formal, luați în considerare o mulțime S de pu
ncte în poziții
X“ (xi,..., 2 .^)
în spațiul euclidian de dimensiune E. Sub o transformare de similitudine cu raport de scalar
e real 0 < r < 1 , mulțimea S devine rS cu puncte la rx = (rxi ,...,txe)
O mulțime mărginită S este auto-similară atunci când S este uniunea a N submulțimi distinc
te (nesuprapuse), fiecare dintre ele congruente cu rS. Congruent înseamnă identic
Fig. 1.16: Tehnici de bază pentru estimarea dimensiunii fractale din imagini experiment
ale.

Mulțimea S este, de asemenea, auto-similară dacă fiecare dintre cele N submulțimi este
redusă de la întreg printr-un raport de similaritate diferit r n . În acest caz, D este dat impli
cit de
eu>? = 1 , d-27)
7V=1
care se reduce la rezultatul familiar din Ecn. (1.26) când toți r n sunt egali.
1.6 Detalii matematice și formalism

Mulțimea S este auto-similară statistic dacă este compusă din N submulțimi distincte, fie
care dintre ele redusă cu raportul r față de original și este identică în toate privin țele sta
tistice cu rS. Dimensiunea similarității este dată din nou de Ecn. (1,26). În practică, este i
mposibil să se verifice dacă toate momentele distribuțiilor sunt identice, iar preten țiile
de auto-asemănare statistică se bazează de obicei pe doar câteva momente. Mai mult, u
n eșantion dintr-un set aleatoriu (cum ar fi o linie de coastă) este adesea auto-similar din
punct de vedere statistic pentru toate rapoartele de scalare r. Dimensiunea sa fractală e
ste de obicei estimată din dependența învelișurilor de cutie N b o x ( L ) sau a masei M ( L )
de variația L ca în ecuațiile. (1.28) și (1.29).

1.6.3 Măsurarea dimensiunii fractale D

Pentru „curbe” fractale unidimensionale topologic, „lungimea” aparentă variază în funcție de

dimensiunea riglei de măsurare. Dacă întreaga curbă autosimilară este de dimensiunea maximă L max , at
unci, pe o scară mai mică L = r L m a x cu r < 1, iar curba este formată din N = py segmente
de lungime L . Astfel, pentru D > 1
Dimensiunea fractală D caracterizează, de asemenea, acoperirea mulțimii S de „cutii”
dimensionale E de dimensiune liniară L . Dacă întregul S este conținut într-o cutie de dimensi
une L m a x , atunci fiecare dintre N = submulțimi se va încadra într-o cutie. de mărime L
= r L m a x • Astfel, numărul de cutii de mărime L , N b o x ( L ) , necesar pentru acoperirea l u i S
este dat de

(1,29)
Această definiție a dimensiunii casetei este una dintre cele mai utile metode de estimare a d
imensiunii fractale a unui anumit set. Dimensiunea casetei poate fi estimată convenabil
prin împărțirea spațiului euclidian E-dimensional care conține setul într-o grilă de cutii
de dimensiunea L E și numărând numărul de astfel de cutii Nb ox ( L) care nu sunt goale. Est
e util să se examineze un interval cât mai mare de L și să se facă o medie pentru diferite
origini pentru casete.
De asemenea, se poate estima „volumul” sau „masa” mulțimii S’ printr-o acoperire cu cutii de
mărimea liniară L. Dacă se iau în considerare doar distanțe de ordin L în jurul unui punct d
at din S , se găsește o singură cutie de dimensiunea L. cu volumul E-dimensional L e . Dac
ă scara distanței aproximativ în același punct este mărită la L max = acum se găsește un tot
al de
Capitolul 1: Fractali în cutii de natură de masă L E care acoperă mulțimea. Astfel, masa p
e o distanță Lmax dintr-un punct din S,
sau
M ( L ) oc L d
.
dimensiunea fractală D corespunde, de asemenea, dimensiunii de masă utilizate în mod obișnuit î
n fizică. Dimensiunea de masă are, de asemenea, o legătură puternică cu noțiunile intuit
ive de dimensiune. Cantitatea de material pe o distanță L a unui punct dintr-un obiect u
nidimensional crește cu L 1 . Pentru un obiect cu 15 dimensiuni, acesta variază ca L E . Di
mensiunea de masă este o altă metodă extrem de utilă pentru estimarea dimensiunii fra
ctale a unui obiect dat.
Pentru o distribuție a obiectelor în plan, dimensiunea fractală a liniilor de coastă poa
te fi estimată și din scalarea perimetrului în funcție de suprafață a insulelor. Eqn. (1.28)
oferă Lungimea sau perimetrul unui obiect fractal de mărimea L max atunci când este „măsurat”
cu o riglă de mărimea L. Luați în considerare o populație de astfel de insule cu aceeași lini
e de coastă D și toate măsurate cu aceeași riglă L. Pentru o dată insula, perimetrul P oc L
a x din Ecn. (1,28) . Cu condiția ca linia de coastă D < 2 , fiecare insulă va avea o zonă bi
E

ne definită A oc L^ ai și

44
 45

(1,31)

Un studiu de scalare P vs A este o metodă utilă de estimare a D pentru o populație de ob

iecte fractale, cum ar fi clusterele de percolare [104].

1.6.4 Auto-afinitate
În cadrul unei transformări afine , pe de altă parte, fiecare dintre coordonatele E ale lui x p
oate fi scalată cu un raport diferit (n,..., te) ■ Astfel, mulțimea S este transformată în r( S ) c
u puncte la r ( x) = ( r\x \ ,..., t e x b ) • O mulţime mărginită S este autoafină când S este uniune
a a N submulţimi distincte (nesuprapuse), fiecare dintre ele congruente cu r( S ). În mod s
imilar, S este statistic auto-afme când S este uniunea a N submulțimi distincte, fiecare dintre
ele congruente în distribuție cu r( S ). Acesta este cazul fBm autoafin statistic, Vh ( t ), unde c
oordonatele t și V trebuie scalate diferit. Cu toate acestea, dimensiunea fractală D nu est
e la fel de ușor de definit ca în cazul auto-asemănării.
1.6 Detalii matematice și formalism

1.6.5 Relația dintre D și H pentru mișcarea browniană fracțională autoafină

Alocarea unei dimensiuni fractale D (folosind strategiile auto-similare prezentate mai su

s) unui set autoafin poate produce rezultate ambigue [72]. Dificultățile pot fi ilustrate cu
cazul mișcării browniene fracționale Vj?(t). Luați în considerare, pentru comoditate, o ur
mă de Vff(t) din Figura 1.12 care acoperă un interval de timp At = 1 și un interval vertical
A Vh = 1. Vjy(t) este statistic autoafină atunci când t este scalat de r și Vh este scalat de r H
. Să presupunem că intervalul de timp este împărțit în N intervale egale fiecare cu At = jj.
Fiecare dintre aceste intervale va conține o porțiune de Vh(t) cu interval vertical

AVjy = A t H
= -^ w .

Deoarece 0 < H < 1 fiecare dintre aceste noi secțiuni va avea un raport mare de dimensi
une verticală/orizontală și porțiunea ocupată
N
a fiecărui interval va fi acoperită de
AT/ A+ W
AVA t = — = —a
H
N JY
casete pătrate de scară liniară L = j j . În ceea ce privește dimensiunea casetei, pe măsur
ă ce t este redus cu un raport r = ^, numărul de casete pătrate care acoperă urma merge
de la 1 la N ( L ) = numărul de intervale ori casete pe interval sau

= N■
JfW = = JJTW ■
Astfel, prin comparație cu Ecn. (1,29),

D = 2 — H pentru o urmă de Vff(f). (1,32)

În consecință, se spune că urma mișcării browniene normale are D = 1,5.
Este important de remarcat că asocierea de mai sus a unei dimensiuni de similaritate
D cu un fractal auto-afin, cum ar fi fBm, fixează implicit o scalare între coordonatele (altf
el independente). Rezultatul depinde în mare măsură dacă se analizează scalele mari sa
u mici în comparație cu această lungime caracteristică (introdusă artificial) și de metoda
aleasă pentru estimarea D. Diferența este deosebit de clară atunci când se încearcă esti
marea D pentru o urmă de fBm din metoda „coastline” din Ecn. (1,28) . Se poate împărți curba în N s
egmente mergând o riglă de dimensiunea l de-a lungul curbei. Lungimea de-a lungul fiecăr
ui segment este l = Va t 2 + AV 2
Capitolul 1: Fractali în natură, în timp ce variația tipică V se scalează cu At ca AV = A t H . N
umărul de rigle de mărime l , N(i) este de așteptat să varieze ca p, unde și N = La scară
mică cu A t <C 1, al doilea termen domină și l oc A t H deci N ( l ) oc și D = j j . Pe de altă
parte, la scară mare, cu A t >> 1 , 1 variază liniar cu At și D = 1. Astfel, aceeași urmă V i r ( t )
poate avea o dimensiune aparentă auto-similară D fie de 1, fie de 2 — H în funcție de teh
nica de măsurare și alegerea arbitrară a scalei lungimii.
1.6.6 TVails de fBm

Luați în considerare o particulă care trece printr-o mișcare browniană fracțională sau o
mers aleatoriu în dimensiuni E , în care fiecare dintre coordonate urmărește un fBm ind
ependent în timp. Într-un interval L a fiecare coordonată va varia în mod tipic A L = A t H .
Dacă suprapunerea poate fi neglijată, „masa” traseului
M cx La oc L / V .
În comparație cu Ecn. (1.30) , urma lui fBm este o curbă auto-similară cu dimensiune fra
ctală
D=jj (1,33)
cu condiția jj < E. Mișcarea browniană normală cu H = 0,5 are D = 2 . jj este cunoscută ca
dimensiunea fractală latentă [71,73] a unei trase de fBm. Când suprapunerea > E nu poate fi
neglijată și D = E real. Când ^ = E traseul este critic și majoritatea cantităților vor avea corec
ții logaritmice importante la legile obișnuite ale puterii fractale. Rețineți că, deși traseul u
nui fBm în dimensiunile E este auto-similar, fiecare dintre coordonatele E are o urmă auto-
afină față de timp.

1.6.7 Autoafinitate în dimensiunile E

Formalismul unui fBm în funcție de timp poate fi extins cu ușurință pentru a oferi o func
ție browniană fracțională auto-afină, Vh de x = ( xi ,..., x e ) în dimensiuni E euclidiene. Vh sati
sface relația generală de scalare
2 2H
<1 Vh(S 2 ) - Vh(xi) \ > oc | i 2 - it \ (1,34)

și are o dimensiune fractală

D = E + 1 - H.
1.6 Detalii matematice și formalism
Seturile zero ale l u i V h ( x ) formează un fractal auto-similar statistic cu dimensiunea D 0

= EH.

1.6.8 Densitățile spectrale pentru fBm și exponentul spectral (3

Funcțiile aleatoare în timpul V ( t ) sunt adesea caracterizate [42,90] prin densitățile lor
spectrale S y ( f ) . S y ( f ) oferă informații despre corelațiile de timp ale lui V ( t ) . Când S v ( f ) c
rește abrupt la / scăzut, V ( t ) variază mai lent. Dacă se definește V ( f , T ) ca transformată
Fourier a unui eșantion specific d e V ( t ) pentru 0 < t < T ,
2 ift
V(f, T) = ^ [V(t)e * dt,
1 Jo atunci
SV(/) <x T I V ( f , T ) I ca T —> oo. 2
(1,36)
O caracterizare alternativă a corelațiilor de timp ale lui V(t) este dată de 2 funcția de
autocorelare a punctelor
G v ( t ) =< V ( t ) V ( t + r ) > - < V ( t ) > 2 . (1,37)

46
 47

G y ( f ) oferă o măsură a modului în care sunt legate fluctuațiile de două ori separate de
r. Gy(r) și S y ( f ) nu sunt independente În multe cazuri, ele sunt legate prin relația Wiener
-Khintchine [42,90,91]
(1,38)
Pentru un zgomot alb gaussian S y ( f ) = constant și G v ( t ) = A V 2 S ( t ) este complet neco
relat. Pentru anumite legi simple ale puterii pentru S v ( f ), G y ( r ) poate fi calculat exact. A
stfel, pentru
S y ( f ) o c - j p cu 0 < / 3 < l , G y ( r ) oct' 3-1 . (1,39)
Mai mult, G y ( r ) este direct legată de incrementele pătratice medii ale fBm,
<<| V ( t + r) - V ( t ) | 2 >= 2 [< V 2 > - G y ( r ) ] . (1,40)
În linii mari, S y ( f ) o c corespunde lui G y ( r ) o c r și un fBm cu 2 H = 1 3 — 1 din ecuațiil
1_/3

e. (1,24) și (1,40). Astfel, funcția browniană fracțională auto-afină statistic, V g ( x ) , cu x î

ntr-un spațiu euclidian E-dimensional, are o dimensiune fractală D și densitate spectral
ă S y ( f ) oc - j p , pentru fluctuațiile de-a lungul unei căi drepte. în orice direcţie în f?-spaţ
iu cu
Capitolul 1: Fractali în natură
Acest rezultat este în acord cu alte „extensii” ale conceptelor de densitate spectrală și relația Wiener-
Khintchine cu zgomotele non-staționare în care unele momente pot fi nedefinite.
Deși definiția formală a fBm restricționează H la intervalul 0 < H < 1, este adesea util să
se ia în considerare integrarea și o definiție adecvată a „derivată” ca extinderea intervalului de H. Astfe
l, integrarea unui fBm produce un nou fBm cu H a crescut cu 1, în timp ce „diferențierea” se
reduce dacă cu 1. Când H —* 1, derivata lui fBm arată ca un fBm cu H —> 0. În ceea ce privește
densitatea spectrală, dacă V ( t ) are S v ( f ) oc -j$ atunci derivata ei ^ are densitate spectrală =
jp=r- În termenii Eqn. (1.41) , diferențierea scade /3 cu 2 și scade dacă cu 1 .
1.6.9 Măsurarea dimensiunilor fractale: Măsoară Mandelbrot
Simularea numerică sau analiza experimentală a imaginii produce adesea un obiect geo
metric definit de o mulțime S de puncte în pozițiile x = ( x \ , . . . , x e ) într-un spațiu euclidia
n ^-dimensional. În lipsa altor informații, toate punctele pot fi presupuse a fi echivalente
și toate punctele sunt origini la fel de probabile pentru analiză. Dispunerea spatiala a pu
nctelor determina P( m , L ). P( m, L ) este probabilitatea ca într-un .E-cub (sau sferă) de
dimensiune L s ă e x i s t e m p u n c t e centrate în jurul unui punct arbitrar din S . P ( m , L ) e
ste normalizat
N
Y ^ P ( m , L ) = 1 pentru toate L . (1,42)
m=l
P( m, L ) este direct legat de alte măsuri de probabilitate, așa cum sunt utilizate de Mand
elbrot [65,68,71] Hentschel și Procaccia [52] și alții [85]. Această defini ție particulară a
lui P( m , L ) este, totuși, deosebit de eficientă de implementat pe un computer.
Mărimile uzuale de interes sunt derivate din momentele lui P( m , L ). Dimensiunea
masei,
N
M(L) = £ mP(m,L). (1,43)
771 = 1

Numărul de cutii de mărimea L necesare pentru a acoperi S ,

N
1
N b0X (L) = (1-44)
„m
771=1

Entropia configurațională atunci când spațiul este împărțit în cuburi de dimensiunea L

N
°
S(L ) = J21 SmP(m,L).
771=1
1.6 Detalii matematice și formalism
Pentru o mulțime fractală M ( L ) o c L D
,Nb ox ( L ) a j p și e 5(L) a L D
. De fapt, se pot defin
i toate momentele
N
q q
M { L) = Y, ™ P( m,L), (1,46)
m=l pentruq f 0 ( cazul q = 0 este dat de ecuația (1.45) de m
ai sus) și apoi se poate estima D din derivatele logaritmice
O diagramă logaritmică dublă a l u i M q ( L ) vs L este un instrument esențial pentru a
verifica dacă o interpretare fractală este validă pentru S . Se așteaptă ca un fractal să aib
ă un comportament al legii puterii lui M q ( L ) pe o gamă largă de L .
Pentru un fractal uniform (mulțime fractală) ca număr de puncte examinate, N —► oo
distribuția este de așteptat să ia forma de scalare P{ m , L ) —> /( jp) și toate momentele dau acela
și D . Pentru a fractal neuniform (o măsură fractală, cum ar fi o hartă Poincare), momente
le pot lua valori diferite. Formele și măsurile care necesită mai mult de un D sunt cunosc
ute ca multi-fractali. Ei au primit o atenție largă în studierea proprietăților sistemelor dina
mice (hărți Poincare) și probabilității de creștere (sau intensitatea câmpului electric) în
problemele de agregare. Diferite metode de caracterizare a distribuției D au fost folosite
pentru a compara teoria și experimentul.
Figura 1.17 demonstrează utilizarea ecuațiilor. (1.46) și (1.47) în estimarea D q . Figur
a 1.17(a) arată dependența măsurată a < M q ( L ) >« de L pentru mai multe q pentru cur
ba Koch triadică exact auto-similară. În acest caz, așa cum era de a șteptat, toate momen
tele arată aceeași dependență de L și estimările lui D q din pantele logaritmice sunt de
acord cu valoarea exactă a = 1,2618
Figura 1.17(b) prezintă aceleași estimări pentru linia de coastă generată de computer di
n Figura 1.1. Aici sunt vizibile mici diferențe între diferitele momente cu D q crescând uș
or cu q .

1.6.10 Lacunaritatea

Din discuția de mai sus este evident că dimensiunea fractală D caracterizează doar o pa
rte a informației din distribuția P ( m , L ). Seturi fractale diferite pot împărtăși același D ,
dar au înfățișări sau texturi diferite corespunzătoare diferitelor P(m, L). Ca un pas inițial căt
re cuantificarea texturii,
Capitolul 1: Fractali în natură
Mandelbrot ([68], Capitolul 34) a introdus parametrul lacunaritate , A ( cuna este latină pentru
decalaj). Deși efectul vizual calitativ al modificării lacunarității la D fix este destul de izbit
or, așa cum se arată în Figura 1.15, până în prezent nu au existat măsurători cantitative
ale lacunarității diferiților fractali aleatori. Mandelbrot [68] oferă mai multe defini ții alte
rnative. Se derivă din lățimea distribuției P(m, L) la L fix. Având în vedere M q ( L ) , așa cu
m este definit de
1.6 Detalii matematice și formalism
Când P( m , L ) ia forma de scalare /( j p ), A este doar lățimea pătrată medie relativă a di
stribuției /, f > 2
Figura 1.15 prezintă suprafețe fractale ale aceluiași D cu lacunarități diferite.

1.6.11 Tăieri aleatorii cu teorema lui H ^ ji Campbell

Echivalența mișcării browniene cu o însumare a funcțiilor trepte este un caz special al teoremei lui
Campbell (1909). Luați în considerare o colecție de impulsuri independente care apar la momente
aleatorii t i corespunzătoare unei rate medii 1 . Fiecare impuls produce profilul A i P ( t —
t i ) . Funcția aleatoare V ( t ) = £ A i P ( t — t i ), va avea atunci o densitate spectrală [42],

S v ( f ) oc - < A 2 > \ P ( f ) | 2 , (1,50)

T

48
 49

unde P(/) este transformata Fourier a lui P(t), P ( f ) = JP(t)e 2 ' Kl ^ t d,t. Pentru mișcarea brow
niană normală, fiecare excitație de către zgomotul alb W ( t ) produce răspunsul funcției
pas P(t) cu P(/) oc y și S v ( f ) oc j r . Cu o alegere adecvată a legii de putere a lui P(t), se p
oate genera o aproximare a fBm cu orice H . De fapt, fBm poate fi pus într-o formă [63,6
8] similară mișcării browniene normale.
Astfel, fBm poate fi construit din impulsuri independente cu răspuns P ( t ) = t H ~k coresp
unzător lui P(/) a din Ecn. (1.36) și S y ( f ) oc în acord cu Ecn. (1,39) .

1.6.12 Filtrare FFT în 2 și 3 dimensiuni

le are în timp o mișcare browniană fracțională a aceluiași H . Astfel, V h ( x , y ) ar trebui s
ă aibă aceeași formă pentru funcția sa de autocorelare ca un fBm. Eqn. (1.38) poate fi e
xtinsă în planul xy
Capitolul 1: Fractali în natură unde este un punct în planul xy și 8 este o deplasare în pla
nul xy. Deoarece toate direcțiile din planul xy sunt echivalente, S(K) depinde numai de
I k\= k = ^kl + k 2

și | <5 |. Pentru ca această dependență 8 să corespundă dependenței r a lui < V ( t ) V ( t +

t ) >, S ( k ) trebuie să varieze ca și S ( k ) a Factorul suplimentar al lui k compense
ază diferența bidimensională , I n k d k , în integrand. Pentru 3 coordonate, densitatea spectral
ă o 1 V h ( x , y , z ) , S ( k ) < x și S ( k ) variind ca j p ? produce un -zgomot pentru o probă V h d
e-a lungul oricărei linii.
Cu E = 2 s u p r a f a ț a f r a c t a l ă c o r e s p u n z ă t o a r e e s t e a p r o x i m a t ă p e o grilă finită N c
u N p e n t r u a d a V g ( x n , y m ) unde x n = r i k și y m = m \ . Complexul bidimensional FFT
poate fi utilizat pentru a evalua seria
qr

unde k q = și k r = j f a sunt frecvențele spațiale în direcțiile x și y. Pentru o suprafață fBm

corespunzătoare /3 = 1 + 2 dacă = 7 — 2 D , coeficienții v q T trebuie să satisfacă
Peisajele din Plăcile 8 până la 13 cu 2 < D < 3 au fost generate cu acest proces.
Pentru un volum brownian fracțional tridimensional, V n ( x , y , z ) , diferența din funcți
a de autocorelare conține k 2 iar coeficienții Fourier v qrs vor satisface cu 3 < D < 4.
capitolul 2

Algoritmi pentru fractali aleatori

Dietmar Saupe

2.1 Introducere

De aproximativ 200 de ani, matematicienii au dezvoltat teoria curbelor netede și a supra

fețelor în două, trei sau mai multe dimensiuni. Acestea sunt curbe și suprafețe care la ni
vel global pot avea o structură foarte complicată, dar în cartierele mici sunt doar linii dre
pte sau planuri. Disciplina care se ocupă de aceste obiecte este geometria diferen țială.
Este una dintre cele mai evoluate și fascinante materii din matematică. Pe de altă parte,
fractalii prezintă exact opusul netezirii. În timp ce obiectele netede nu oferă mai multe d
etalii la scale mai mici, un fractal posedă detalii infinite la toate scările, indiferent cât de
mici sunt. Fascinația care înconjoară fractalii are două rădăcini: fractalii sunt foarte potri
viti pentru a simula multe fenomene naturale. Au fost deja produse imagini uluitoare și n
u va dura foarte mult până când un observator neinițiat nu va mai putea spune dacă o a
numită scenă este naturală sau doar simulată pe computer. Celălalt motiv este că fractali
i sunt ușor de generat pe computere. Pentru a genera un fractal nu trebuie să fii un expe
rt al unei teorii implicate, cum ar fi calculul, care este necesar pentru geometria diferenț
ială. Mai important, complexitatea unui fractal, măsurată în termeni de lungime a celui m
ai scurt program de calculator care îl poate genera, este foarte mică.

71
Capitolul 2: Algoritmi fractali aleatori

Fractalii vin în două variații majore. Există acelea care sunt compuse din mai multe c
opii reduse și rotite ale lor, cum ar fi curba fulgilor de zăpadă von Koch sau garniturile Si
erpinski. Mulțimile Julia se încadrează și ele în această categorie generală, în sensul că î
ntreaga mulțime poate fi obținută prin aplicarea unei hărți iterate neliniare pe o secțiu
ne arbitrar mică a acesteia (vezi Capitolul 3). Astfel, structura mulțimilor Julia este deja c
onținută în orice fracție mică. Toți acești fractali pot fi numiți fractali determiniști. Generare
a lor grafică computerizată necesită utilizarea unei anumite mapări sau reguli care apoi s
e repetă iar și iar într-o schemă de obicei recursivă.
În fractalii discutați aici este inclus elementul suplimentar de aleatorie, permițând si
mularea fenomenelor naturale. Astfel, numim acești fractali fractali aleatori.
Având în vedere că fractalii au detalii infinite la toate scările, rezultă că un calcul com
plet al unui fractal este imposibil. Deci, aproximările fractalilor până la o precizie finită tr
ebuie să fie suficiente. Nivelul dorit de rezoluție este dat în mod natural de constrângeri
precum numărul de pixeli ai afișajului grafic disponibil sau cantitatea de timp de calcul p
e care cineva este dispus să o cheltuiască. Algoritmii prezentați mai jos se împart în mai
multe categorii.

(Cl) O aproximare a unui fractal aleatoriu cu o anumită rezoluție este utilizată ca intrare
și algoritmul produce o aproximare îmbunătățită cu rezoluția crescută cu un anum
it factor. Acest proces se repetă cu ieșirile utilizate ca intrări noi până când se ob ți
ne rezoluția dorită. În unele cazuri, procedura poate fi formulată ca recursivitate. M
etodele de deplasare a punctului de mijloc sunt exemple.
(C2) Se calculează o singură aproximare a unui fractal aleatoriu și anume pentru rezolu ț
ia finală. Sunt posibile imagini pentru diferite rezoluții, dar necesită ca majoritatea
calculelor să fie refăcute. Metoda de filtrare Fourier este un exemplu.
(C3) În a treia abordare, aproximarea unui fractal se obține printr-o iterație. După fiecar
e pas, aproximarea este oarecum îmbunătățită, dar rezoluția spațială nu crește ne
apărat cu un factor constant în fiecare iterație. Aici timpul de calcul permis determi
nă calitatea rezultatului. Metoda de tăiere aleatorie descrisă mai jos sau calculul seturil
or Julia ca preimagini ale respingătoarelor sunt exemple.

50
 51

Aproape toți algoritmii din această lucrare se bazează pe metode și idei discutate în
Capitolul 1, precum și în [103] și în cele din urmă în [ 68 ], unde
2.1 Introducere pot fi găsite și câteva informații de bază și referințe suplimentare. Vă
rugăm să rețineți și următoarele două declinări de răspundere:

Intenția acestui capitol nu este de a oferi o descriere cuprinzătoare a teoriei care co

nduce la algoritmi. În schimb, trebuie să direcționăm cititorul interesat către capitolul 1
și referințele din acesta. În al doilea rând, descriem doar câteva dintre aspectele redării
fractalilor. Trebuie să recunoaștem că generarea de date a unui fractal în sine nu este su
ficientă pentru a obține o imagine bună. Este probabil ca programatorii de calculatoare
să petreacă mult mai mult timp scriind software care poate reda, de exemplu, un peisaj f
ractal cu o colorare și umbrire rezonabile (dacă această muncă nu a fost deja făcută) de
cât pentru codarea rutinelor de generare a datelor fractale. În orice caz, computerul va f
olosi cu siguranță mult mai mult timp CPU pentru randare decât pentru generarea datel
or. Acesta este un motiv bun pentru a nu fi mulțumit cu aproximările slabe ale fractalilor
din cauza algoritmilor insuficienti.
În secțiunile următoare descriem un număr de algoritmi cu o complexitate crescând
ă. Ele sunt documentate sub formă de pseudo-cod care sperăm că se explică de la sine.
Acest cod este inclus pentru a clarifica metodele și, prin urmare, nu este optimizat pentr
u viteză. De asemenea, nu este complet. Unele rutine, cum ar fi cele pentru transformare
a Fourier rapidă și interpolarea multiliniară, au fost omise. Dacă nu sunt disponibile sub
formă de rutine de bibliotecă, ele pot fi scrise cu ușurință folosind literatura indicată.
În Secțiunea 2.7 explicăm două metode de afișare grafică a suprafețelor fractale:

A. vedere de sus plană bidimensională și proiecție paralelă pentru vizualizarea tridi

mensională folosind cota mapată în culori, poligoane umbrite Gouraud și algoritmu
l pictorilor pentru eliminarea suprafețelor ascunse.

b. reprezentare tridimensională în perspectivă cu puncte ca primitive, folosind metod

a orizontului plutitor extins.

În Secțiunea 2.8 enumerăm un număr de definiții din teoria probabilității și legate de

procese aleatorii. Noțiuni precum „variabile aleatoare”, „corelație” etc. sunt marcate cu un pumnal (f)
acolo unde apar pentru prima dată în textul principal și apoi sunt explicate pe scurt în Secțiunea 2.8
pentru confortul acelor cititori care ar dori să amintiți-vă de acești termeni.
74 Capitolul 2: Algoritmi fractali aleatori

2.2 Primul studiu de caz: Mișcarea browniană unidimensională

2.2.1 Definiții

Mișcarea browniană într-o variabilă constituie cel mai simplu fractal aleatoriu și, de ase
menea, este în centrul tuturor generalizărilor următoare. Particulele mici de materie soli
dă suspendate într-un lichid pot fi văzute la microscop pentru a se mișca într-un mod ne
regulat și neregulat. Acest lucru a fost observat de botanistul R. Brown în jurul anului 1827.
Modelarea acestei mișcări este unul dintre marile subiecte ale mecanicii statistice (vezi de exemplu
[90]). Ocazional, mișcarea browniană este denumită și „zgomot maro”. Într-o dimensiune obținem un
proces aleatoriu] - X ( t ) , adică o funcție X a unei variabile reale t (timp) ale cărei valori sunt
variabile aleatoare] - X(ti),X(t 2 ),etc.
2.2 Primul studiu de caz: mișcarea browniană

Incrementul
X(ti) - X(t 1) are distribuție gaussiană!

iar pătratul mediu crește! au o varianță proporțională cu diferențele de timp, deci

(2.2)

Aici E denotă așteptarea matematică! a unei variabile aleatoare sau, cu alte cuvinte, med
ia pe mai multe eșantioane. Spunem că incrementele lui X sunt auto-asemănătoare statistic în
sensul că

X ( l a + t ) — X ( l a ) și —-=. (X(la + rt) — X ( l a ) )

Vr

au aceeași distribuție dimensională finită a îmbinărilor! funcții pentru orice to și r > 0. D

acă luăm pentru comoditate la = 0 și X ( t o ) = 0, atunci aceasta înseamnă că cele două fu
ncții aleatoare nu se pot distinge statistic. A doua este doar o versiune redimensionată
corect a primei. Astfel, dacă accelerăm procesul X (t) cu un factor de 1 6 , de exemplu, atu
nci putem împărți X (1 61 ) la 4 pentru a obține aceeași mișcare browniană. cu care am î
nceput. Vom reveni la această caracterizare importantă, când vom discuta despre mi șca
rea browniană fracțională, și va fi crucială în înțelegerea metodei de sinteză spectrală.
2.2.2 Integrarea zgomotului alb

Integrala zgomotului gaussian alb necorelat W satisface (2.1) și (2.2):

(2,3)

Variabilele aleatoare W ( t ) sunt necorelate! și au aceeași distribuție normală! N ( 0,1). M

ai mult, graficul unui eșantion de mișcare browniană X ( t ) are o dimensiune fractală de
1,5, iar intersecția graficului cu o linie orizontală are o dimensiune de 0,5. Formula (2.3)
dă naștere primului mic algoritm WhiteNoiseBM().
Capitolul 2: Algoritmi fractali aleatori
2.2.3 Generarea numerelor aleatoare gaussiene

În algoritmul de mai sus efectuăm o integrare numerică simplă a zgomotului gaussian al

b. Este nevoie de o rutină numită Gauss(), care returnează un eșantion
2.2 Primul studiu de caz: mișcarea browniană

ALGORITM InitGauss (sămânță)

Titlu Inițializarea generatoarelor de numere aleatoare

Argumente sămânță valoarea de bază pentru generatorul de numere aleatoare

Globale Arand rand() returnează valori între 0 și Arand, în funcție de sistem
Nrand numărul de mostre de rand() care trebuie luate în Gauss()
GaussAdd parametru real pentru transformarea liniară în Gauss()
GaussFac parametru real pentru transformarea liniară în Gauss()
Funcții srand() inițializarea numerelor aleatoare ale sistemului

ÎNCEPE
Nrand := 4
Arand := putere (2, 31) - 1
GaussAdd := sqrt (3 * Nrand)
GaussFac := 2 * GaussAdd / (Nrand * Arand)
srand (sămânță)
Sfârşit

Globale Nrand numărul de mostre de rand() care trebuie luate în Gauss()

GaussAdd parametru real pentru transformarea liniară în Gauss()
GaussFac parametru real pentru transformarea liniară în Gauss()
Localnicii sumă real
i întreg
52
 53
Funcții rand() funcția de sistem pentru numere aleatoare

ÎNCEPE
a unei variabile aleatoare cu distribuție normală (media 0 și varianța 1). Să descriem pe
scurt o metodă elementară de generare a unor astfel de numere. Pe majoritatea ma șinilo
r va fi disponibil un generator de numere pseudoaleatoare. Deci, să presupunem că ave
m o rutină rand(), care returnează numere aleatoare distribuite uniform pe un interval [0,
A]. De obicei , A va fi 2 — 1 sau 2 — 1 . De asemenea, presupunem că există o rutină
31 15

srand(seed) , care introduce o valoare de bază pentru rand(). Luând anumite medii scalate li
niar ale valorilor returnate de rand() va aproxima o variabilă aleatorie gaussiană după cum
urmează:
O variabilă aleatoare Y este standardizată prin scăderea valorii ei așteptate și împărți
rea la abaterea ei standard f:
Capitolul 2: Algoritmi fractali aleatori
Teorema limită centrală afirmă că, dacă Z n este suma standardizată a oricăror n variabile
aleatoare distribuite identic, atunci distribuția de probabilitate a lui Z n tinde către distrib
uția normală ca n —► oo. Fie Yi valoarea i-a returnată de rand(), i= 1,..., n. Apoi
2
E ( Y d = j A , var Y i = - ^ A

și, astfel
E
(i>) - f a ™
Cu aceste formule obținem ca variabilă aleatorie Gaussiană aproximativă. În practică, n
= 3 sau 4 dă deja rezultate satisfăcătoare pentru scopurile noastre.
Să remarcăm că există și alți generatori de numere aleatoare gaussiene care necesit
ă o singură evaluare a rand() pentru fiecare număr aleator gaussian returnat. Ei folosesc o
metodă de transformare, iar distribuția de bază este exact distribuția normală. Referim c
ititorului interesat la [ 8 ] și [ 86 ].
2.2.4 Metoda deplasării aleatoare a punctului mijlociu
O altă metodă simplă de a produce mișcarea browniană este deplasarea aleatorie a pun
ctului mijlociu. Dacă procesul urmează să fie calculat pentru ori, t, între 0 și
2.2 Primul studiu de caz: mișcarea browniană

Argumente X[] matrice reală de dimensiune 2 maxlevel + 1

maxlevel numărul maxim de recursiuni
sigma abaterea standard initiala
sămânță valoarea de bază pentru generatorul de numere aleatoare
Globale delta[] matrice care conține abaterile standard A,
Variabile eu, N numere întregi

ALGORITHM MidPointBM (X, maxlevel, sigma, seed) Titlu Mișcare browniană prin deplasarea punctului mediu

Argumente X[] matrice reală de dimensiune 2 maxUvel + 1

indice O indice mai mic în matrice
indice 2 index superior în matrice
nivel profunzimea recursiunii
maxlevel numărul maxim de recursiuni
Globale delta matrice care conține abaterile standard A,
Variabile indexl indexul punctului de mijloc în matrice

1, apoi începem prin a seta X( 0) = 0 și a selecta X{ 1) ca eșantion de variabilă aleatorie

gaussiană cu media 0 și varianța a 2 . Atunci var(X(l) —X(0)) = a 2 și ne așteptăm var(X(t 2 )
— X ( t \ ) ) = \ t 2 — t \ |cr (2.4)
2

pentru 0 < ti < t < 1. Setăm X ( j) să fie media lui X(0) și X ( 1) plus un offset aleator gaus
2

sian D \ cu media 0 și varianța Aj 2 . Apoi

X ( j ) - X(0) = j(X( 1) - X(0)) + D x
Capitolul 2: Algoritmi fractali aleatori și astfel X(j) — X (0) are valoarea medie 0 și același
lucru este valabil și pentru X (1) — X (j). În al doilea rând, pentru ca (2.4) să fie adevărată
trebuie să cerem var(X(i) — X(0)) = j var(X(1) - X(0)) + A? = ^o 2 .
Prin urmare
În pasul următor, procedăm în același mod
X(|) - X ( 0 ) = j ( X ( 0 ) + X ( j ) ) + D 2

și observați că din nou incrementele în X, aici X( j) — X( ^-) și X( j) — X(0) sunt gaussiene și

au media 0. Deci trebuie să alegem varianța A2 £ >2 astfel că v a r ( X ( ± ) - X ( 0 ) ) = I V ar(X(i) -X(0))
a

2
+A 2
2
= jo

ține, adică
Aplicăm aceeași idee pentru X (|-) și continuăm la rezoluții mai fine, rezultând ca varianț
a deplasării D n . Corespunzând astfel diferențelor de timp
L a = 2 n adăugăm un element aleator de varianță 2 ^ n+1 ^ a care este proporțional cu A 2

t așa cum era de așteptat.

2.2.5 Salturi independente

Ultimul nostru algoritm pentru mișcarea browniană se încadrează în categoria (C3). Pute
m interpreta mișcarea browniană ca deplasarea cumulativă a unei serii de salturi indepe
ndente, adică o sumă infinită de funcții
J i ( t ) = Ai/3(t - U )

unde și Ai,U sunt variabile aleatoare cu distribuții Gaussiene și respectiv Poisson. Aceast
ă abordare se generalizează la cercuri și sfere. Pentru cercuri luăm timpul ca 27r-periodi
c și ajungem la OO

(2,5)
t=0
2.2 Primul studiu de caz: mișcarea browniană unde
0, dacă t > 7r( mod 2 tt)
1, dacă t < 7r(mod 2 tt)

Ai sunt variabile aleatoare gaussiene distribuite identic, iar f sunt variabile aleatoare distr
ibuite uniform cu valori între 0 și 2n . Fiecare termen din suma (2.5) adaugă deplasări alea
torii pe jumătate de cerc.
Desigur, putem folosi și deplasarea punctului mediu pentru a obține mișcarea brow
niană pe un cerc. Ar trebui doar să cerem ca X(0) = X{ 1) pentru a menține continuitatea.
Cu toate acestea, metoda punctului de mijloc nu se generalizează la sfere, în timp ce me
toda tăierii aleatoare o face: în fiecare pas, un cerc mare al sferei este ales la întâmplare
și una dintre cele două jumătăți de sfere este deplasată cu o cantitate determinată de o
variabilă aleatorie gaussiană. Imaginile planetelor din Figura 1.2 și Plăcile 6, 7 și 36. au f
ost produse în acest fel (vezi și [103,68] și Secțiunile 0.3,1.1.8).
Capitolul 2: Algoritmi fractali aleatori
Argumente X[] matrice de reali de mărimea N, inițializate la 0
N dimensiunea matricei X
maxsteps numărul maxim de deplasări
sămânță valoarea de bază pentru generatorul de numere aleatoare
Globale Arand rand() returnează valori între 0 și Arand
Variabile k,kO,kl,pas numere întregi
A real

54
 55

2.3 Mișcare browniană fracțională: Aproximare prin metode spațiale

2.3.1 Definiții

În ultima secțiune am studiat procesele aleatoare X ( t ) cu incremente gaussiene și

var(Z(t ) - X ( t i ) ) a \ t 2 - t i \ 2 H
2 ( 2. 6)
unde H = j . Generalizarea la parametrii 0 < H < 1 se numește mișcare browniană fracțională (f
Bm, vezi [63], [ 68 ]). Ca și în cazul mișcării browniene obișnuite, spunem că incrementele
lui X sunt auto-similare statistic cu parametrul H, cu alte cuvinte

X ( l a + t ) — X ( l a ) și — j r i X i t o + r t ) — X(la))
r a
au aceleași funcții de distribuție articulară dimensională finită pentru orice to și r > 0. D
acă folosim din nou pentru comoditate t o = 0 și X ( t o ) = 0, cele două funcții aleatoare
X ( t ) și - ^ f X ( r t )
r M
2.3 Mișcările browniene fracționale nu se pot distinge statistic. Astfel, mișcarea browniană fracțională
„accelerată” X ( rt) este redimensionată în mod corespunzător prin împărțirea amplitudinilor la .
Să vizualizăm acest fapt important (vezi figurile 2.1 și 2.6). Dacă stabilim H = j obține
m mișcarea browniană obișnuită a ultimei secțiuni. Pentru 0 obținem un comportament
complet diferit al lui X: putem extinde sau contracta graficul lui X în direcția t cu orice factor,
iar procesul va „arăta” în continuare la fel. Acest lucru spune clar că graficul unui eșantion de X trebui
e să umple dens o regiune din plan. Cu alte cuvinte, dimensiunea sa fractală este 2. Caz
ul opus este dat de parametrul H = 1. Acolo trebuie să compensăm o expansiune a graficului în
direcția t prin înmulțirea de asemenea a amplitudinilor cu același factor. Este ușor de dat un argument
care să arate că dimensiunea fractală a acestui grafic trebuie să fie 2 — H = 1. De fapt, graficele mos
trelor de fBm au o dimensiune fractală de 2 — dacă pentru 0 < H < 1. Parametrul H astfel
descrie „rugozitatea” funcției la scară mică.
Mișcarea browniană fracțională poate fi împărțită în trei categorii destul de distincte.
Capitolul 2: Algoritmi fractali aleatori
Fig. 2.6: Mișcare browniană fracțională corect redimensionată. Cele două seturi de curb
e arată o mișcare browniană fracțională redimensionată corespunzător pentru parametri
i H - 0,2 (stânga) și H = 0,8 (dreapta). Graficele din centru arată mici secțiuni ale mișcării b
rowniene fracționale X(t ). În celelalte grafice sunt afișate funcțiile aleatoare redimension
ate corespunzător r~ H X ( rt) . Factorul de scalare r variază de la r = la r = 8 corespunzând ex
tinderii și contracției funcției inițiale în direcția timpului. Comparați Figura 2.1 pentru
H = 0,5.

gorii: H < j, H = j și H > j. Cazul H = j este mișcarea browniană obișnuită care are incremente in
dependente, adică X { t z ) — X ( t \ ) și X ( t i ) — X ( t 2 ) cu t \ < t z < t i sunt independente în se
nsul teoria probabilității, corelația lorf este 0. Pentru H > j există o corelație pozitivă înt
re aceste creșteri, adică dacă graficul lui X este în creștere pentru unii to, atunci tinde s
ă continue să crească pentru t > to. Pentru < j este adevărat opusul. Există o corelație n
egativă a creșterilor, iar curbele par să oscileze mai neregulat.

2.3.2 Metode de deplasare a punctului mediu

Pentru aproximarea fBm, abordarea adoptată prin metoda punctului de mijloc poate fi e
xtinsă în mod formal pentru a se potrivi și parametrilor Aici urmărim echivalentul (2.4)
var(X(t2 ) -X ( t O ) = | t 2 - t i \ 2 H o 2 .
2.3 Mișcare browniană fracțională

Folosind aceeași linie de gândire ca în ultima secțiune, ajungem la deplasările punctului

mijlociu D n care au variații
^ = ( 2 $¥ 0 - 2 2 *- 2 ). ( 2 . 8 )
Prin urmare, singurele modificări care sunt necesare în algoritmul MidPointBM() apar în cal
culul lui A n care acceptă H ^ j.
ALGORITM MidPointFMID (X, maxlevel, sigma, H, semințe)
Titlu Mișcare fractală unidimensională prin deplasarea punctului mijlociu

Argumente X[] matrice reală de dimensiune 2 maxUvel + 1

maxlevel numărul maxim de recursiuni
sigma abaterea standard initiala
H 0 < H < 1 determină dimensiunea fractală D = 2 — H
sămânță valoarea de bază pentru generatorul de numere aleatoare
Globale deltaf] matrice care conține abateri standard A*
Variabile în numere întregi

ÎNCEPE
InitGauss (sămânță)
FORi := 1 TO maxlevel DO
deltafi] := sigma * putere (0,5, i*H) * sqrt (1 - putere (2, 2*H-2))
SFÂRȘIT PENTRU
N = putere (2, nivel maxim)
X[0] := =0
X[N]: = sigma * Gauss ()
MidPointRecursion (X, 0, N, 1, maxlevel)
Sfârşit

Sa demonstrat că tehnica de deplasare a punctului mijlociu de mai sus nu dă fBm ad

evărat pentru H ^ j [69]. De fapt, deși var(X(i) - X ( 0 ) ) = var(X(l) -X(^» = (I) 2 i y a 2 ) nu avem
var(X(|-)-X( i)) = (i) 2 f f a 2 , așa cum ne-am dori. Astfel, acest proces nu are incremente st
aționare, timpii t nu sunt toți echivalenti statistic. Acest defect face ca graficele lui X să a
rate câteva urme vizibile ale primului câteva etape ale recursiei În extensia bidimensiona
lă a acestui algoritm se obțin rezultate care pot prezenta unele cute perturbatoare de-a l
ungul liniilor drepte, care sunt legate de grila subiacentă de puncte (comparați Secțiun
ea 1.4.3 și discuția din Anexa A). , acesta este încă un algoritm util în multe scopuri. A d
evenit cel mai popular după apariția sa în [40] și ulterior în unele reviste de știin ță. Rece
nt, a fost inclus și ca parte a unor manuale de grafică pe computer [49],[50] .
Capitolul 2: Algoritmi fractali aleatori

O abordare pentru a trata non-staționaritatea tehnicii de deplasare a punctului de m

ijloc este de a interpola punctele de mijloc în același mod, dar apoi de a adăuga o depla
sare D n a unei variații adecvate la toate punctele și nu doar la punctele de mijloc. Acest l
ucru pare natural, deoarece s-ar reitera o măsurătoare în toate punctele dintr-un grafic
de fBm, atunci când este utilizat un dispozitiv care permite măsurători la o rată de eșanti
onare mai mică At și o rezoluție spațială AX mai mică. Această metodă se numește adunare
aleatorie succesivă. Cantitatea suplimentară de muncă implicată în comparație cu metoda p
unctului mediu este tolerabilă, fiind necesare aproximativ de două ori mai multe deplasă
ri. Formula reală pentru variațiile deplasărilor așa cum este utilizată în diferitele etape al
e acestui algoritm (vezi pseudocodul) va fi derivată ca un caz special al metodei discutat
e în secțiunea următoare.
nivel maxim
Argumente X[] matrice reală de dimensiunea 2 +1
maxlevel numărul maxim de recursiuni
sigma abaterea standard initiala
H 0 < H < 1 determină dimensiunea fractală D = 2 — H

sămânță valoarea de bază pentru generatorul de numere aleatoare

Globale delta matrice care conține abaterile standard A,
Variabile i, N, d, D numere întregi
nivel întreg

56
 57

2.3.3 Deplasarea punctelor interpolate

În metoda deplasării punctului mijlociu și metoda adiției aleatoare succesive rezoluția A

t este îmbunătățită cu un factor de j în fiecare etapă. Putem modifica cea de-a doua dint
re metodele de mai sus pentru a găzdui alți factori 0 < r < 1. În acest scop s-ar interpola
X ( t ) la momentele t,- = irAt din eșantioanele, o are deja din etapa anterioară la o e șantio
nare. rata de At. Apoi un element aleatoriu D n ar fi adăugat tuturor punctelor interpolat
e. În acord cu cerințele pentru incrementele pătratice medii ale lui X , trebuie să prescri
em o varianță proporțională cu (r n ) 2 H pentru variabila aleatoare gaussiană D n :
A 2 <x(r n ) 2 * (2,9)

Parametrul suplimentar r va schimba aspectul fractalului, caracteristica fractalului contr

olat de r a fost numită lacunaritate . În algoritmul de mai jos folosim o interpolare liniară
simplă. Motivul pentru care includem încă o metodă aici este că se generalizează la dou
ă, trei sau mai multe dimensiuni într-un mod foarte simplu, în timp ce celelalte metode s
unt mai greu de convertit.
Capitolul 2: Algoritmi fractali aleatori
ALGORITM InterpolatedFMID (X, N, r, sigma, H, semințe)
Titlu Mișcare fractală unidimensională cu lacunaritate

Argumente X[] matrice reală de dimensiune N

N numărul de elemente din X
r factor de scalare pentru rezoluții ( 0 < r < 1 )
sigma abaterea standard initiala
H 0 < H < 1 determină dimensiunea fractală D = 2 - H

sămânță valoarea de bază pentru generatorul de numere aleatorii

Variabile delta variabile reale care dețin abateri standard A
Y[] matrice reală de dimensiune N pentru valorile interpolate ale lui X
mT, mt numere întregi, numărul de elemente din tablourile X și Y
t, T ratele de eșantionare pentru X și Y
i, index întreg
h real

ÎNCEPE /* inițializați matricea cu 2 puncte */

InitGauss (sămânță)
X[0] := 0
X[l] := sigma * Gauss ()
mT := 2
T := 1,0
/* buclă în timp ce mai puțin de N puncte în matrice */
CÂND (mT < N) DO
/* configurați o nouă rezoluție a punctelor mt */
mt := mT / r
DACĂ (mt = mT) ATUNCI mt := mT + 1
DACĂ (mt > N) ATUNCI mt := N
t := 1 / (mt- 1 )
/* interpolează puncte noi din puncte vechi */
Y[0] := X[0]
Y[mt-1] := X[mT-l]
PENTRU i := 1 TO mt-2 DO
index := = întreg (i * t / T)
h := eu * t/T - indice
Y[i] := (1 - h) * X[index] + h * X[index+1]
SFÂRȘIT PENTRU
/* calculează abaterea standard pentru decalaje */
delta := sqrt (0,5) * putere (t, H) * sigma * sqrt (1,0 - putere (t/T, 2-2*H))
/* face deplasarea în toate pozițiile */
PENTRU i := 0 LA mt-1
X[i] := Y[i] + delta * Gauss ()
SFÂRȘIT
PENTRU
mT := mt
T:= 1/mT
 TERMINAT CÂND
Sfârşit

Urmând ideile pentru deplasarea punctului mediu pentru mișcarea browniană, setăm
X(0) = 0 și selectăm X( 1) ca eșantion de variabilă aleatorie gaussiană cu varianță a 2 . Ap
oi putem deduce în același mod ca înainte
= j(l - r 2 “ 2ff
)(r”) 2H
a 2.
Apare o mică dificultate deoarece nu putem lucra cu o variabilă continuă X ( t ) într-un pr
ogram de calculator ( X este stocat ca o matrice). Astfel, în general, nu se poate menține
factorul constant al lui r reducând rezoluția At în fiecare pas. Pentru simplitate, să presu
punem că avem ceva ( 0) și deja calculat unde T & r"' -1 . Atunci X ( t )
cu t & r n este mai întâi interpolat prin
X ( t ) = X(0) + t ( X ( T ) -X(0).

Atunci toate punctele X ( 0), X (t), X (2 t ) , etc. sunt deplasate de eșantioane ale unei v
ariabile aleatoare gaussiene D cu varianță A 2 . Valorile vechi (0) și X ( T ) satisfăcute var(X
CT) - X(0))
și trebuie să selectăm varianța A 2 astfel încât var(X(f) -X(0)) = ține. Prin urmare, avem ne
voie d e t 2 H a 2 = { — ) 2 T 2 H a 2 + 2 A 2
Capitolul 2: Algoritmi fractali aleatori unde primul termen al sumei reprezintă varianța deja con
ținută în interpolare, iar celălalt reprezintă varianța datorată perturbațiilor atât în X(0) c
ât și în X ( t ) . Prin urmare

Pentru a aplica această formulă în cazul adunărilor succesive aleatoare punem T

și t = jj și obținem
2 1 2 , , 1 x 1
care este, după cum era de așteptat, cantitatea A
A - 2 a (1 — 22-2ff) 2 2Hn 2

utilizată în algoritmul AdditionsFMlDQ unde raportul r este j .

2.4 Mișcare browniană fracțională: Aproximare prin sinteză spectrală
2.4.1 Reprezentarea spectrală a funcțiilor aleatoare

Metoda de sinteză spectrală (cunoscută și ca metoda de filtrare Fourier) pentru generar

ea fBm se bazează pe reprezentarea spectrală a probelor procesului X ( t ) . Deoarece tran
sformata Fourier a lui X este în general nedefinită, mai întâi restrângem X ( t ) la un interv
al de timp finit, să spunem 0 < t < T :
X ( t ) dacă O < t < T 0 altfel
Avem astfel
/
OO

2vit
F(f, T)e Uf,
-OO

unde F ( f , T ) este transformata Fourier a l u i X ( t , T )

r T
F(f,T)= X(t)e- 2 ^di.
Jo
Acum \ F ( f , T ) | 2 d f este contribuția la energia totală a lui X ( t , T ) din acele componente
cu frecvențe între / și / + d f . Puterea medie a lui X cuprinsă în intervalul [ 0, T ] este apo
i dată de l r°°
TJ— oo și densitatea spectrală de putere a l u i X ( t , T ) este
2
S(f,T) = ^\F(f,T)\ .
58
 59

2.4 Metoda sintezei spectrale

Densitatea spectrală a lui X se obţine apoi în limită ca T —*• oo

Interpretarea lui S( /) este următoarea: S( f ) df este media contribuției la puterea totală a

componentelor din X (t) cu frecvențe cuprinse între / și / + df. S( f ) este o funcție nenega
tivă și pară. Ne putem gândi la X ( t ) c a fiind descompus într-o sumă de infiniti de termen
i sinus și cosinus de frecvențe / ale căror puteri (și amplitudini) sunt determinate de den
sitatea spectrală S ( f ). Pentru o bună introducere în teoria analizei spectrale a funcțiilor
aleatoare recomandăm [87] și (mai scurt) [21]. O versiune care este mai orientată matem
atic (dar încă accesibilă cititorilor cu anumite cunoștințe de teoria probabilității) este co
nținută în partea I a [107].

2.4.2 Exponentul spectral /? în mișcare browniană fracțională

Ideea de bază a sintezei spectrale este că o prescripție a tipului corect de densitate spe
ctrală S { /) va da naștere la fBm cu un exponent 0 < H < 1.
Dacă funcția aleatoare X ( t ) conține putere egală pentru toate frecvențele f , acest p
roces se numește zgomot alb în analogie cu lumina albă formată din radiații de toate lu
ngimile de undă. Dacă S ( f ) este proporțional cu 1 // obținem zgomotul brun obișnuit 2

sau mișcarea browniană. În general, un proces X ( t ) cu o densitate spectrală proporțion

ală cu 1 //^ îi corespunde fBm cu H = :

S ( f ) <x ~ fBm cu p = 2 H + 1. f p

Alegerea /? între 1 și 3 va genera un grafic de fBm cu o dimensiune fractală de

Df = 2-H=-^-. (2,11)

Să facem o pauză pentru a explica această relație dintre /3 și H . Matematic poate fi

derivat din faptul că incrementele medii pătratice (care sunt proporționale cu A t 2 H pen
tru fBm cu exponentul H ) sunt direct legate de funcția de autocorelare lui X , care, la râ
ndul său, definește densitatea spectrală prin intermediul unei transformări Fourier prin r
elația Wiener-Khintchine (vezi Secțiunea 1. 6 . 8 ). În locul acestei abordări „pure” propunem
un argument simplu și mai euristic pentru relația /3 = 2 H + 1. Începem prin reafirmarea proprie
tății fundamentale a lui fBm: Dacă X ( t ) înseamnă fBm cu exponent 0 < H < 1 apoi func
ția aleatoare redimensionată corespunzător
Capitolul 2: Algoritmi fractali aleatori pentru un r > 0 dat are aceleași proprietăți statistice ca și
X. Astfel, are și aceeași densitate spectrală. Din această observa ție de bază putem dedu
ce rezultatul important ( 2 . 10 ) folosind doar definițiile de mai sus și un calcul elementa
r, după cum urmează.
Să reparăm niște r > 0, setați

YU T) = l Y ( t ) =
Pr X(rt) ' ifO < t < T ' | 0 , în caz contrar și adoptă
notația

F x U , T ) , F y U , T ) Transformate Fourier ale lui X ( t , T ) , Y U , T ) ,

S x ( f , T ) , S y ( f , T ) densitățile spectrale ale X ( t , T ) , Y U , T ),
Sx(f) i Sy(f ) densitățile spectrale a l e X ( t ) , Y ( t ) -

Noi calculăm

T 2irift 2H 3
F Y (f,T ) = f YU)e~ d t = 4? X ( s ) e ~ r —,
 u
Jo r Jo r

unde am înlocuit f cu t și cu d t în integrala a doua. Astfel, clar

= ^-Fx(f r T ) .
Acum urmează pentru densitatea spectrală a lui Y ( t , T )

Sy(fT) =

iar în limită ca T —> oo sau echivalent ca r T —► oo concluzionăm

Deoarece Y este doar o versiune corect redimensionată a lui X , densitățile lor spectrale
trebuie să coincidă, astfel, de asemenea

Acum setăm oficial / = 1 și înlocuim din nou 1 / r cu / pentru a obține în sfârșit rezultatul
dorit ( 2.10 )
_ . _ 1 1 S x \ f ) oc p H + l - p -
2.4 Metoda sintezei spectrale
2.4.3 Metoda de filtrare Fourier

Pentru algoritmul practic trebuie să traducem cele de mai sus în condiții pe coeficien ții
o*; a transformatei Fourier discrete
___ N - 1
( 2 . 12 )
k=0

Coeficienții a* sunt într-o corespondență 1:1 cu valorile complexe t/e = =— l. Condiți

a care trebuie impusă coeficienților pentru a obține S ( f ) a jp devine acum
£(|a*| 2 )oc-^ (2,13)

întrucât k denotă în esență frecvența din (2.12). Această relație (2.13) este valabilă pent
ru 0 < k <y . Pentru k > y trebuie să avem a* = a^-k deoarece este o funcție reală. Prin urmar
e, metoda constă pur și simplu în alegerea aleatorie a coeficienților supuși așteptărilor
din (2.13) și apoi în calcularea transformării Fourier inverse pentru a obține X în domeni
ul timpului. Deoarece procesul X trebuie să aibă doar valori reale, este de fapt suficient s
ă eșantionăm variabile aleatoare reale Ak și Bk sub constrângere
1
Capitolul 2: Algoritmi fractali aleatori
N/2
X ( t ) = ^ 2 ( A k C 0 S k t + B k sin k t ) .
k= 1

Spre deosebire de unii dintre algoritmii anteriori discutați, această metodă nu este r
ecursivă și, de asemenea, nu procedează în etape de creștere a rezoluției spa țiale. Cu t
oate acestea, putem interpreta adăugarea de coeficienți Fourier din ce în ce mai aleator
ii a* care satisfac (2.13) ca un proces de adăugare a frecvențelor mai mari, crescând astf
el rezoluția în domeniul frecvenței.

ALGORITM SpectralSynthesisFMlD (X, N, H, sămânță) Titlu Mișcare fractală folosind metoda de filtrare Fourier
Argumente X[] matrice de reali de mărimea N
N dimensiunea matricei X
H 0 < H < 1 determină dimensiunea fractală D = 2 — H

sămânță valoarea de bază pentru generatorul de numere aleatoare

60
 61
Globale Arand rand() returnează valori între 0 și Arand
Variabile i întreg
beta exponent în funcția de densitate spectrală (1 < beta < 3)
rad, fază coordonatele polare ale coeficientului Fourier
AQ,B[] părți reale și imaginare ale coeficienților Fourier
Subrutine InvFFT transformată Fourier inversă rapidă într-o dimensiune

ÎNCEPE
InitGauss (sămânță)
beta := 2*H+1
FORi := 0 TO N/2-1 DO
rad := putere (i+1, -beta/2) * Gauss () fază := 2 * 3.141592 * rand () / Arand A[i] := rad * cos (fază)
B[i] := rad * sin (fază)

Avantajul acestei metode directe este că este cea mai pură interpretare a conceptulu
i de mișcare browniană fracțională. Artefactele precum cele care apar în metodele de d
eplasare a punctului mediu nu sunt evidente. Cu toate acestea, datorită naturii transfor
mărilor Fourier, eșantioanele generate sunt periodice. Acest lucru este uneori enervant ș
i, în acest caz, se poate calcula de două ori sau de patru ori mai multe puncte decât este
necesar și apoi se poate elimina o parte a secvenței.
Algoritmul pentru transformarea Fourier inversă InvFFT nu este inclus cu pseudocodul
SpectralSynthesisFMlD(). Ar trebui să calculeze sumele
(2.14) din coeficienții dați din A și B. De obicei se folosesc transformate Fourier ra
pide. Acestea necesită operații O (N log N) per transformare.
2.5 Prelungiri la dimensiuni mai mari

2.5 Prelungiri la dimensiuni mai mari

2.5.1 Definiții
În această secțiune discutăm cum se pot generaliza metodele de deplasare și metodele
de sinteză spectrală la două și trei dimensiuni.
Generalizarea mișcării browniene fracționale în sine este directă. Este un proces mul
tidimensional (un câmp aleator) X ( t i , t 2 , ■ ■ ■ , t n ) cu proprietățile:

(i) Creștele X ( t \ , t 2 ,..., t„) — X ( s i , S 2 ,. ■., s») sunt gaussiene cu medie 0

(ii) Varianta incrementelor X ( t \ , t 2 , ■ ■ ■ , t n ) — X(s\,S 2, ■ ■ ■ , s„) depinde numai

de distanta

2
^2(u - sd
»=i și de fapt este proporțională cu puterea 2H-a a distanței, unde parametrul H satisfa
ce din nou 0 < H < 1. Astfel,
2 H
,s„)| 2 ) o c ( ^ 2 ( t i - S i ) ) »=i

Câmpul aleator X are din nou incremente staționare și este izotrop, adică toate punc
tele (fl, f 2 , • • • , fn) și toate direcțiile sunt echivalente statistic. În domeniul frecvenței a
vem pentru densitatea spectrală
£”=1 ft
Acest fapt poate fi dedus exact în același mod ca în ultima secțiune pentru legea ■ p în c
azul unidimensional. Prin urmare, sărim peste aceste detalii aici. Acest lucru asigură că X
limitat la orice linie dreaptă va fi un zgomot p corespunzător lui 2 H = j 3 — 1 [103]. În
analogie cu formula (2.10), dimensiunea fractală a graficului unui eșantion de X(ti, t 2 ,..., f n ) este
D = n+\-H.
Capitolul 2: Algoritmi fractali aleatori
2.5.2 Metode de deplasare

Metodele de deplasare a punctului mijlociu pot funcționa cu rețele pătrate de puncte.

Dacă dimensiunea ochiului de plasă S indică rezoluția unei astfel de grile, obținem o alt
ă grilă pătrată de rezoluție prin adăugarea punctelor medii ale tuturor pătratelor. Desigu
r, orientarea noii rețele pătrate este rotită cu 45 de grade. Adăugând din nou punctele
medii ale tuturor pătratelor ne dă următoarea rețea cu aceeași orientare ca prima și rez
oluția este acum j (vezi Figura 2.10). În fiecare etapă scalam astfel rezoluția cu un factor
de r = și în conformitate cu (2.15)
adăugăm deplasări aleatoare folosind o varianță care este înmulțită de varian ța etapei
precedente. Dacă presupunem că datele de pe cele patru colțuri ale rețelei poartă incr
emente pătrate medii de ct 2 , atunci la etapa n a procesului trebuie să adăugăm o variabil
ă aleatorie gaussiană de varianță . noi puncte de mijloc î
n fiecare etapă, în timp ce în metoda de adunare aleatorie adăugăm deplasări în toate p
unctele. Astfel, putem unifica ambele metode într-un singur algoritm.
În figurile 2.11 până la 2.13 prezentăm hărți topografice ale peisajelor fractale aleatoare c
are au fost generate folosind algoritmul MidPointFM2D(). S-au folosit adaosuri aleatorii și valo
ri diferite ale semințelor, iar parametrul H variază de la 0,8 la 0,2. La o rezoluție de 65 cu
65 de puncte ( = 6) au fost generate un total de 4225 de puncte de
date . Înălțimile suprafeței au fost scalate în intervalul de la -10000 la +10000 și apoi transmise unui
program de linii de contur care a produs hărțile. Se presupune că părțile suprafețelor care au o înălțime
negativă sunt scufundate sub apă și nu sunt afișate. Dimensiunea fractală a acestor suprafețe este 3 —
H . Este inclusă și o redare a unei vederi în perspectivă a acestor peisaje.
♦ noi puncte adăugate
2.5 Prelungiri la dimensiuni mai mari

62
 63

Capitolul 2: Algoritmi fractali aleatori

2.5 Prelungiri la dimensiuni mai mari

64
 65

Capitolul 2: Algoritmi fractali aleatori

2. La toate punctele se adaugă un element aleator de varianță proporțional cu 1/(L — l )
2H .
Acești doi pași se repetă până când obținem N d puncte.
Descriem pe scurt interpolarea multiliniară (comparați [86]). Să luăm mai întâi d = 2
și presupunem că un punct al grilei ( x , y ) al noii grile se încadrează într-un pătrat de pun
66
 67

cte ale grilei vechi (io,yo),(a;o,yi),(a:i,yo),(xi,j/). i) (vezi Figura 2.16). Putem exprima ( x , y ) r
elativ la aceste puncte prin
% ~(1 /ij) xo "t"

= (1 -
y h y )yo +
unde 0 < h x , h y < 1. Dacă X ( x < , y } ) denotă aproximarea fBm la
Capitolul 2: Algoritmi fractali aleatori

ALGORITM InterpolatedFM (X, N, d, r, sigma, H, semințe)

Titlu Mișcare fractală prin interpolare și scalare variabilă

Argumente X[] matrice reală de dimensiune N d

N numărul de elemente din X de-a lungul unei dimensiuni
d dimensiunea spațiului ( 1 , 2 , 3 sau mai mult)
r factor de scalare pentru rezoluții ( 0 < r < 1 )
sigma abaterea standard initiala
H parametrul 0 < H < 1 determină dimensiunea fractală
sămânță valoarea de bază pentru generatorul de numere aleatoare
Variabile delta variabile reale care dețin abateri standard A
Y[] matrice reală de dimensiune N pentru valorile interpolate ale lui X
mT, mt numere întregi, numărul de elemente N d din tablourile X și Y de-a
lungul unei dimensiuni
t, T rate reale de eșantionare pentru X și Y
i, index întreg
h real
Subprogram Rutină de interpolare multiliniară InterpolateQ (vezi text)

ÎNCEPE
/* inițializați tabloul cu 2 puncte d */
InitGauss (sămânță)
mT := 2
FOR i := 0 TO power(2,d)-l DO
X[i] := sigma * Gauss ()
SFÂRȘIT PENTRU
/* buclă în timp ce mai puțin de N d puncte în matrice */
CÂND (mT < N) DO
/* configurați o nouă rezoluție a punctelor mt */
mt := mT / r

DACĂ (mt = mT) ATUNCI mt := mT + 1 DACĂ (mt > N) ATUNCI mt := N

t := 1 , 0 / (mt- 1 )
T:= 1,0/ (mT-1)
/* interpolează puncte noi din puncte vechi */
Interpolați (X, mT, Y, mt, d)
/* calculează abaterea standard pentru decalaje */
delta := sqrt (0,5) * sigma * sqrt (1,0 - putere (t/T, 2-2*H)) * putere (t, H)
/* face deplasarea în toate pozițiile */
FOR i := 0 TO power(mt,d)-l DO
X[i] := Y[i] + delta * Gauss ()
SFÂRȘIT
PENTRU
mT := mt
TERMINAT CÂND
Sfârşit

punctele vechi le interpolăm acum în punctul (x, y) prin setare

X ( x , y ) = (1 - h x )(l - h y )X(xo,yo) + h x (l - h y )X(xi,yo)
+ (1 h x ) h y X (xo 13 / 1 ) ■+■ h x h y X ( x \ , y \ ).

În trei dimensiuni ( d = 3) avem ( x , y , z ) cu x , y ca mai sus și z = (1 — h z ) z o + h z z\ și for

mula de interpolare de mai sus se extinde în acest caz în
2.5 Prelungiri la dimensiuni mai mari
 yi

1-dy

dx 1-dx
y
dy

yo
X
x
0 X 1
Fig. 2.16: Interpolare multiliniară (vezi text).

calea evidentă. În pseudocodul InterpolatedFM() nu includem aceste detalii foarte tehnice. Pu

nctele sunt stocate într-o matrice liniară lungă X de numere în virgulă mobilă, iar rutina
Interpolate ar trebui să fie implementarea interpolării multiliniare. Intrările sale sunt matricea
X, numărul de puncte de-a lungul uneia dintre dimensiuni, dimensiunea și numărul solici
tat de puncte într-o dimensiune. Ieșirea este o nouă matrice Y cu dimensiunea specificat
ă.

2.5.3 Metoda de filtrare Fourier

Acum trecem la extinderea metodei de filtrare Fourier la dimensiuni mai mari. În două di
mensiuni, densitatea spectrală S va depinde în general de două variabile de frecvență u
și v corespunzătoare direcțiilor x și y . Dar deoarece toate direcțiile din planul xy sunt ec
hivalente în ceea ce privește proprietățile statistice, S depinde doar de Vu 2 + v 2 . Dacă tăie
m suprafața de-a lungul unei linii drepte în planul xy, ne așteptăm pentru densitatea spe
ctrală S a acestui fBm iri o singură dimensiune o lege a puterii 1 //^ ca înainte. Această c
erință implică (vezi (2.16)) ca densitatea spectrală bidimensională să se comporte ca

5(u,v) =
(u 2 + u 2
)* +1
'

Transformata Fourier inversă discretă bidimensională este

N- 1Nl
X(x,y) = £
k=0 1=0
Capitolul 2: Algoritmi fractali aleatori

68
 69

2.5 Prelungiri la dimensiuni mai mari

2.6 Subdiviziunea generalizată și valurile oceanului
Deoarece funcția construită X este o funcție reală, trebuie să îndeplinim și o condiție d
e simetrie conjugată, și anume aij pentru i,j > 0
aoj pentru j > 0 , aijo pentru i > 0 , ao,o-
Dimensiunea fractală Df a suprafetei va fi Df = 3 - H. Algoritmul constă apoi pur și simplu î
n alegerea coeficienților Fourier în consecință și apoi efectuarea unei transformări inver
se bidimensionale.
Codul pentru transformarea Fourier inversă nu este inclus. Poate fi construit cu ușuri
nță din versiunea unidimensională InvFFT (vezi [46]). Ca și în cazul unidimensional, se po
ate reduce numărul de coeficienți deoarece funcția aleatorie este doar reală. Metoda se
generalizează și la trei dimensiuni (vezi capitolul 1).
În secvența din Figura 2.17 și 2.18 arătăm cum metoda de sinteză spectrală „adaugă detalii” prin
îmbunătățirea reprezentării spectrale a fractalului aleatoriu, adică permițând folosirea din ce în ce mai
mulți coeficienți Fourier . Rezoluția în algoritmul SpectralSynthesisFM2D() a fost N = 64, dar în i
maginea de sus din Figura 2.17 au fost utilizați doar primii 2 = 4 coeficienți. În celelalt
2

e imagini am permis 4 = 16 (mijloc) și 8 = 64 (jos) coeficienți nenuli. În Figura 2.18 cre

2 2

ștem numărul de coeficienți Fourier la 16 (sus), 32 (mijloc) și 64 (jos).

2 2 2

70
 71

2.6 Subdiviziunea stocastică generalizată și sinteza spectrală a valurilor oceanice

O privire asupra lucrărilor SIGGRAPH din ultimii câțiva ani va dezvălui că comunitatea d
e grafică pe computer este foarte interesată de aspectul redării fractalilor și a altor obiec
te definite procedural. În special, metodele de urmărire a razei au fost adaptate pentru a
gestiona detaliile infinite la scară mică, care sunt caracteristice pentru fractali. Imaginile
de fractali aleatorii prezentate de Voss demonstrează perfecțiunea cu care acum este p
osibil să se genereze scene de munte, cratere pe o lună etc. Rămâne întrebarea în ce mo
d pot fi modificate metodele folosite pentru producerea de fractali aleatori pentru a mod
ela chiar mai firesc
Capitolul 2: Algoritmi fractali aleatori . În această ultimă secțiune vom trece în revistă pe scurt
două astfel de abordări publicate în lucrările recente [60] și [74], Ambele lucrări urmăres
c ideea de sinteză spectrală.
JP Lewis generalizează metodele deplasării în lucrarea sa [60] pentru a oferi un contr
ol mai bun al funcțiilor aleatoare sintetizate. El o numește subdiviziune stocastică generalizată.
Zgomotele sale generate sunt staționare cu o funcție de autocorelare prescrisă

R ( s ) = E ( X ( t ) X ( t + s )).
Această informație este echivalentă cu funcția de densitate spectrală, deoarece cele do
uă funcții sunt o pereche de transformată Fourier, așa cum este afirmată de rela ția Wien
er-Khintchine. În tehnicile obișnuite de deplasare, un nou punct este mai întâi ob ținut p
rin interpolare de la vecinii săi imediati și apoi deplasat de un element aleatoriu. General
izarea trebuie să ia în considerare și punctele care nu sunt vecine imediate. În cazul uni
dimensional, dacă X este cunoscut la ori t + t k , atunci sumele formei
X ( t ) =5>*X(t+fifc)
k
rezultă un estimator liniar pentru funcția aleatoare X la momentul t . În tehnica obișnuit
ă a punctului de mijloc, valabilă pentru funcțiile de densitate spectrală S ( f ) oc j $ , aceas
tă sumă este doar peste două puncte, iar ponderile sunt ambele egale cu j . În subdiviziu
nea stocastică generalizată ponderile a* trebuie alese în armonie cu funcția de autocore
lare prescrisă R ( s ) sau echivalent cu funcția de densitate spectrală S ( f ) deoarece în c
azul general valoarea așteptată a l u i X la un punct mediu nu mai este doar media celor
doi vecini ai săi. Valorile coeficienților sunt deduse folosind un principiu de ortogonalita
te cunoscut în teoria estimării (vezi referințele din [60]). În cele din urmă, aceasta însea
mnă rezolvarea unui sistem liniar de ecuații în fiecare etapă a metodei subdiviziunii. Des
igur, valoarea estimată X ( t ) este în cele din urmă deplasată de un element aleatoriu cu o
varianță aleasă corect. După Lewis, unele dintre avantajele așteptate ale acestei metode
față de sinteza directă prin funcția de densitate spectrală și transformarea Fourier inver
să sunt (1) că rezoluția funcțiilor sintetizate poate fi ajustată la rezoluția cerută de proie
cția sa perspectivă locală în procesul de redare. , ( 2 ) că porțiuni ale zgomotului pot fi r
eproduse în diferite locații și la diferite rezoluții și (3) că funcția aleatorie poate fi neces
ară să treacă prin anumite puncte, de exemplu pentru a asigura continuitatea limită cu o
biectele adiacente. Unele dintre spectrele luate în considerare sunt spectrul de tip mark
ovian 1 /( a + f 2 ) d , unde parametrul d este similar cu H în fractalii aleatorii (set 2 d =
2

2 H + 1) și spectrul lorentzian, l /(a + b 2 ( f — f o ) 2 ) . În

2

2.6 Subdiviziunea generalizată și spectrele de două dimensiuni ale valurilor oceanice cu tendințe direcți
onale și altele care produc texturi oscilatorii sunt ușor de acomodat în configurarea sub
diviziunii stocastice generalizate.

Obiectivul celeilalte lucrări de G. Mastin et al. [74] este de a modela o „mare complet dezvoltată
în natură” folosind metoda de sinteză spectrală cu o funcție de densitate spectrală bazată pe re
zultate empirice. Cercetătorii anteriori au înregistrat măsurători ale undelor care duceau
la un model spectral mai întâi în direcția vântului și apoi și în alte direcții. Spectrul bidi
mensional rezultat al acestor modele, numit spectru Pierson-Moskowics modificat, poate
fi formulat ca
S(f,4>)= (2,18)
Aici (/, < f >) sunt coordonatele polare ale variabilelor de frecvență; o și b sunt anumite
constante pozitive;

D(/
'^ =
jv?ry (cos( 2 ))2p(/)

este un factor de răspândire direcțională care cântărește spectrul la unghiuri ( f > față d
e direcția vântului; p( /) este o funcție de putere pe bucăți de tipul f (///m ) dacă 61

r D ( f , 4>)d4>=
PU)
\ a 2 ( f / f m ) - b 2 dacă f > f m unde f m , oi, 02 , 61 și 62 sunt constante pozitive; şi N ( f ) e
ste ales astfel încât 1 .

J —TT
Capitolul 2: Algoritmi fractali aleatori

Există numeroși parametri și constante care intră în această formulare, de exemplu frecv
ența de vârf f m , constanta gravitațională g și viteza vântului la o înălțime dată deasupra
nivelului mării.
Pentru implementare, densitatea spectrală dată determină mărimea așteptată a coefi
cienților Fourier complecși ai modelului de mare. În lucrare, acest lucru se realizează pri
n filtrarea adecvată a unei imagini cu zgomot alb, adică prin înmulțirea mărimilor pătrate
ale transformării Fourier a zgomotului alb cu funcția de densitate spectrală. O transform
are inversă următoare dă modelul mării ca funcție de înălțime peste planul xy. Tabloul 1
6 arată rezultatul într-o imagine trasată cu raze cu un maehlstrom adăugat.

2.7 Grafică pe computer pentru suprafețe netede și fractale

Ieșirea algoritmilor pentru sinteza suprafețelor fractale ( MidPoint- FM2D(), InterpolatedFM() ș
i SpectralSynthesisFM2D()) este dată sub forma unui tablou care conține date de elevație a s
uprafeței pentru o regiune dreptunghiulară sau pătrată. Aceste date pot fi reprezentate
grafic în diferite moduri. Putem distinge două cazuri în funcție de relația dintre rezoluți
a ecranului și rezoluția calculată a suprafeței (numărul de puncte). Dacă numărul de cot
e calculate este suficient de mare, adică aproximativ egal cu numărul de pixeli de pe ecr
an, putem folosi aceste puncte ca primitive pentru randare. În celălalt caz, trebuie să int
erpolăm suprafața dintre punctele de date, de exemplu, folosind poligoane sau patch-ur
i biliniare. Ray-tracing-urile au adăugat un alt strat de realism fractalilor. Renun țăm la ac
este metode și trimitem cititorul la [14,18,58,76].

2.7.1 Vedere de sus cu altitudini cartografice color

Acesta este cel mai simplu mod de a reda o imagine a datelor. Din punct de vedere geo
metric, suprafața este tratată ca plată, iar cota suprafeței este codificată prin culori, astf
el încât, de exemplu, regiunile joase să corespundă diferitelor nuanțe de albastru (în fun
cție de adâncime), iar cotele înalte sunt afișate în nuanțe de verde, maro și alb. În acest
fel se poate produce echivalentul unei hărți geografice a peisajului. Dacă există suficien
te puncte de date de altitudine, desenăm un pixel de culoare per punct. În caz contrar,
putem folosi interpolarea/multiliniară din Secțiunea 2.5 pentru a obține cât mai multe p
uncte noi este necesar. De exemplu, pentru o rezoluție a ecranului de 768 x 1024 este s
uficientă o matrice de 192 x 256 altitudini. Prin interpolare multiliniară rezoluția poate fi
de patru ori în direcția orizontală și verticală, potrivindu-se astfel rezoluția dată a ecran
ului. Această procedură poate fi considerată un caz special de umbrire Gouraud. Placa d
e culoare 14 a fost produsă astfel, datele au fost calculate
2.7 Grafică computerizată pentru suprafețe cu MidPointFM2D().

72
 73

Schimbând culorile corespunzătoare diferitelor înălțimi este foarte ușor să produci n

ori convingătoare. Placa de culoare 15 prezintă aceleași date ca și placa 14, dar utilizea
ză o hartă de culori după cum urmează: Specificăm culorile în spațiul RGB (roșu, verde,
albastru) cu intensități variind de la 0 la 255. Fie /i mtn și h rnax să desemneze minimul și înălțimi
maxime ale datelor și h = j ( h m i n + h max ) . Atunci culoarea corespunzătoare înălțimii h cu
/i min < h < h max este definită după cum urmează: Dacă h < h, atunci valorile culorii pentru r
oșu și verde sunt 0 , unde valoarea albastră este 255. Dacă h > h, atunci valoarea compon
entei albastre rămâne la 255, în timp ce porțiunile roșii și verzi sunt date de hmax h

Aceasta definește o hartă de culori care este albastră în jumătatea inferioară și este o ra
mpă de culoare de la albastru la alb în jumătatea superioară . Această metodă de a genera
imagini ale norilor, desigur, nu modelează fizic fenomenul natural „norii” cu acuratețe. De exemplu,
tridimensionalitatea nu este luată în considerare.
În procedura de mai sus, geometria scenei este destul de banală, familia de poligoan
e afișate formează un pătrat sau dreptunghi plat. Datele de altitudine sunt transformate î
n culoare. Extinderea evidentă a acesteia este utilizarea datelor de cotă ca a treia coord
onată pentru vârfurile poligoanelor. Acest lucru transformă suprafața plană într-un teren
fractal încorporat în spațiul tridimensional. Apoi trebuie să definiți o proiecție a poligoanelor pe ecran.
Algoritmul pictorului sortează poligoane în funcție de distanța descrescătoare, apoi le desenează din
spate în față, eliminând apoi părțile ascunse ale suprafeței. Aceasta și aplicarea unui mod
el de iluminat este o procedură standard (vezi de exemplu [39]). Figura 2.15 este un exe
mplu grosier. Pe lângă tridimensionalitatea suprafeței, putem folosi din nou datele de co
tă pentru a defini culorile în raport cu înălțimea. Modelul de iluminare adaugă apoi inte
nsități.

2.7.2 Metoda orizontului plutitor extins

Toate metodele de aproximare a mișcării browniene fracționale bidimensionale generea
ză cu ușurință câte puncte se dorește. Folosind metoda de sinteză Fourier, totuși, poate
dura mai mult timp pentru a efectua transformările Fourier 2D intensive în calcul. Dacă s
unt produse suficiente puncte, este posibil în randare să se evite interpolarea care este i
ntrodusă prin utilizarea poligoanelor. Punctele în sine servesc drept primitive pentru ran
dare. Această abordare ia în mod evident ideea de fractali mai în serios, deoarece caract
eristica fractalilor, că
Plăcuțe colorate și legende

În cele ce urmează vom enumera legendele pentru plăcuțele de culoare ale paginilor ur
mătoare. Subtitrările pentru imaginile de pe coperta din față și din spate sunt la sfârșitul
acestei liste. La sfârșitul acestei secțiuni includem credite pentru autorii imaginilor.
Plăcile de la 1 la 7 arată etapele creării planetei fractale prin adăugarea de erori aleatorii
care înconjoară sfera.

Planșa 1 Variațiile înălțimii suprafeței (așa cum sunt indicate prin culoare) după 10 def
ecte afișate atât pe sferă, cât și pe o hartă de proiecție plată.
Planșa 2 Harta suprafeței după 20 de falii unde culorile indică diferite altitudini ale păm
ântului și adâncimi oceanice.
Planșa 3 Harta suprafeței după 100 de defecte.
Planșa 4 Harta suprafeței după 500 de defecte. Aici pământul s-a condensat într-o sing
ură masă similară cu pământul înainte de deriva continentală.
Placa 5 Suprafața după mai mult de 10000 de defecte cu capace polare adăugate. Defe
cțiunile suplimentare ar provoca modificări ale detaliilor, dar aspectul general ar rămâne
același.
Tabloul 6 Această planetă fractală browniană a fost cartografiată înapoi pe sferă (suprafa
ța D = 2,5) cu un nivel de apă asemănător pământului și calote polare.
Planșa 7 Aceeași planetă fără apă.
Efectul vizual diferit al schimbării dimensiunii fractale D pentru același peisaj este preze
ntat în Plăcile 11 până la 13. Pe măsură ce D crește, crește și rugozitatea suprafeței per
cepute. De asemenea, este prezentată amenajarea peisagistică fractală prin scalarea vari
ațiilor de înălțime a suprafeței (față de nivelul apei) printr-o lege a puterii din Plăcile 8 l
a 10.

Planșa 8 D = 2,15, se ia rădăcina cubă a înălțimii inițiale.

Planșa 9 D = 2,15, înălțime originală.
Placă 10 D - 2 , 1 5 , înălțime cub.
Placa 11 L>= 2,15 Placa 12 D = 2,5
114

74
 75

Subtitrări

Planșa 13 D = 2 .8

Planșa 14 Vedere de sus a peisajului fractal cu înălțimi codificate p

rin culori. Nuanțele albastre indică elevația sub 0 , iar verde, mar
o, alb corespunde creșterii înălțimilor peste 0. Datele au fost gen
erate folosind MidPointFM2D().
Planșa 15 Aceleași date fractale ca și în Planșa 14, cu o hartă de c
ulori diferite aplicate la elevația suprafeței, rezultând nori simula
ți.
Planșa 16 Metoda de sinteză Fourier este aplicată pentru a genera
valuri oceanice, munți și cerul din imaginea (a), numită Drain. Sub
diviziunea stocastică este utilizată în imaginea apusului (b), vezi s
ecțiunea 2.6 pentru metodele utilizate în (a) și (b). Crenguța de
liliac și câmpul de flori din (c) și (d) sunt rezultate ale sistemelor L ex
plicate în apendicele C.
Următoarele 8 plăci sunt ilustrații ale dinamicii complexe discutat
e în capitolul 3.
Planşa 17 7 r cos z. Bazinul de atractie al punctului fix atractor la — 7r.
Planşa 18 2,97 cos z. Bazinul pe cale să explodeze.
Planşa 19 2,96 cos z. După explozie. Observați micile regiuni negre
reprezentând componente ale complementului mulțimii Julia.
Placa 20 2.945 cos z. Observați cum s-au mutat regiunile negre pe
măsură ce parametrul este variat.
Planşa 21 2.935 cos z. O mărire arată că există o structură în regiu
nile negre care amintește de imaginea originală.
Planşa 22 2,92 cos z. Două componente ale seturilor stabile pe cale să
se ciocnească în punctul — 7 r.
Planşa 23 2.919 cos z. Formarea unor regiuni negre mai mici în ca

drul unei componente. Planşa 24 2.918 cos z. Un punct periodic a

l nodului șa pe cale de a se bifurca.

Planșa 25 O redare 3D a metodei potențialului continuu (CPM/M). O

versiune a copertii „Frumusețea fractalilor” [83]. „Luna” este o sferă
Riemann, care poartă structura unui set Julia.
Planșa 26 O redare 3D a metodei cu potențial continuu (CPM/M), (cf.
Figura 4.21(4)). „Cerul” a fost obținut prin metoda Level Set Method
(LSM/M) aproape de limita setului Mandelbrot și este afișat folosi
nd zoom-ul pixelilor.
Plăci colorate

Planșa 27 O redare 3D a metodei cu potențial continuu (CPM/J)

care arată un set Julia completat în roșu.
Planșa 28 O redare 2D a metodei cu potențial continuu (CPM/
M) (cf. Figura 4.22).
Planșa 29 O redare 2D a metodei de estimare a distanței (DEM/
M). Punctele de aceeași culoare au aceeași distanță până la setu
l Mandelbrot.
Planșa 30 O redare 3D a metodei de estimare a distanței (DEM/
M). Punctele de aceeași înălțime și culoare au aceeași distanță
până la setul Mandelbrot.
Planșa 31 Agregare limitată de difuzie (DLA) despre un singur punct.
Planșa 32 Patru vederi ale femelei tridimensionale din Figura 5.1
4 . Codul IFS constă din patru transformări afine tridimensionale.
Planșa 33 Peisaj cu coșuri și fum. Această cifră și Figura 34 au fo
st calculate din aceeași bază de date IFS; care constă din 57 de t
ransformări afine.
Planșa 34 Măriți fumul prezentat în Planșa 33.
Plăcuța 35 O secțiune transversală tridimensională a lui M+ U M-
unde Im = 0, vezi secțiunea 4.3.4.
6

Planșa 36 Compoziția de decor fractal.

Subtitrări pentru imaginile de copertă:

Planșa 37 (Copertă frontală) „Lacul Mandelbrot”. Metoda potențialului

continuu este aplicată unei secțiuni din setul Mandelbrot și redată ca un
câmp de înălțime. Colorarea și un cer fractal la întâmplare sporesc
„realismul”.
Planșa 38 (Copertă din spate, sus stânga) „Pădurea Neagră în iarnă”, mai
multe imagini compuse folosind sisteme de funcții repetate (IFS).
Planșa 39 (copertă din spate sus dreapta) Redare 3D a metodei
de estimare a distanței (DEM/M) pentru o aruncare în aer la limit
a setului Mandelbrot. Punctele de aceeași înălțime au aceeași di
stanță până la setul Mandelbrot.
Planșa 40 (Copertă din spate în centru stânga) Insula plutitoare
Călătoriile lui Gulliver ai cărei ocupanți obsedați de matematic și-a
u pierdut orice contact cu lumea din jurul lor. Afișat aici în centr
ul vederii zenitale a unui peisaj fractal într-un lac care se deschid
e pe nori fractali (în omagiu lui Magritte).
Planșa 41 (copertă din spate, centru dreapta) Un peisaj cețos cu
cratere fractale. Răspândirea luminii cu intensitate variabilă prin
același T( x, y, z ) ca în Figura 1.6(c) produce un nor fractal cu um
brele sale pe peisajul fractal din Figura 1.5.
Planșa 42 (copertă din spate jos) Peisaj fractal.
credite
Credite pentru imaginile color
Pe lângă autorii cărții, câțiva alții au contribuit la imaginile afișat
e pe aceste pagini și pe coperta față și spatele cărții, pe care le
76
 77

mulțumim cu recunoștință. Iată o listă a colaboratorilor și imagin

ile acestora:

James Hanan, Universitatea Regina Amaud Ja

cquin, Institutul de Tehnologie din Georgia H
artmut Jurgens, Universitatea Bremen John R
Lewis, Institutul de Tehnologie din New York
Francois Malassenet, Institutul de Tehnologie
din Georgia John F. Mareda, Laboratoarele N
aționale Sandia Gary A. Mastin, Laboratoarel
e Naționale Sandia Ken Musgrave, Universita
tea Yale Przemyslaw Prusinkiewicz, Universit
atea din Regina Laurie Reuter, Universitatea
Geoige Washington Peter H. Richter, Universi
tatea Bremen Marie-Theres Roeckerath-Ries,
Universitatea Bremen Alan D. Sloan, Institutu
l de Tehnologie din Georgia Peter A. Watterb
eig, Laboratorul râului Savannah

RF Voss D. Saupe
G. A. Mastin, PA Watterberg și JF Mareda JP Lewis
J. Hanan şi P. Prusinkiewicz P. Prusinkiewicz RL Devaney
H. Jurgens, H.-O. Peitgen și D. Saupe RF Voss
MF Barnsley, L. Reuter și AD Sloan PH Richter și M.-T. Roeckerath-Ries RF Voss
H. Jurgens, H.-O. Peitgen şi D. Saupe
MF Barnsley, A. Jacquin, F. Malassenet, AD Sloan și L. Reuter
H. Jurgens, H.-O. Peitgen și D. Saupe RF Voss RF Voss
BB Mandelbrot și FK Musgrave
Capitolul 2: Algoritmi fractali aleatori există detalii la toate scalele, se realizează până la
rezoluția ecranului. Metoda orizontului plutitor [92] este folosită de obicei pentru a reda
unele date grosiere de elevație într-o vedere în perspectivă, ca în figurile 2.11 la 2.13 și
2.17 la 2.19. Acolo fiecare punct este legat de vecinii săi vizibili printr-o linie scurtă. În c
azul nostru, unde avem mai multe puncte, aceste linii în general pot fi omise dacă fiecar
e punct este proiectat la un pixel pe ecran și desenat. Problema suprafeței ascunse este
rezolvată cel mai ușor atunci când direcția vizualizării este paralelă cu un plan de coord
onate. Cel mai îndepărtat rând de date este desenat mai întâi, apoi ultimul rând, etc. Oc
azional se poate întâmpla ca două rânduri proiectate consecutive să lase ni ște pixeli ned
efiniți între ei. Pentru acești pixeli care sunt foarte ușor de detectat trebuie să setăm o c
uloare și intensitate intermediare interpolate. Majoritatea imaginilor fascinante ale teren
ului fractal din Capitolul 1 și ale suprafețelor potențiale pentru seturile Mandelbrot și Ju
lia din Capitolul 4 au fost produse de un astfel de algoritm (vezi plăcuțele de culoare). În
cele ce urmează, prezentăm o descriere a versiunii noastre extinse a metodei orizontului
plutitor. Este suficient de detaliat ca ghid pentru o implementare. Algoritmi înrudiți sunt
utilizați în [38] și [41]. Metoda care este subliniată mai jos și rafinamentele precum umb
rele și antialiasing vor fi subiectul lucrării noastre viitoare [57].
2.7.3 Datele și proiecția

Pentru simplitate, să presupunem că rezultatul unui generator de

fractali sau al unui alt calcul de suprafață este prezentat ca o mat
rice pătrată de N cu N puncte de elevație. Dacă h: [ 0 , 1 ] x [ 0 , 1 ] -[ 0
, 1]
denotă o funcție de înălțime corespunzătoare, putem considera
datele ca un eșantion de h, și anume
Zij = h( Xi, Uj)
Unde
N - 1 ' Vj N - 1 şi i, j = 0,..., N — 1. Prin urmare, se presupune că suprafaţa de redat se află în
cubul unitar [ 0,1 ] 3 . Proiecția datelor de la cubul unității la coordonatele ecranului se r
ealizează cel mai ușor prin proiecție paralelă, astfel încât o coloană de elemente de dat
e să fie proiectată pe o coloană de pe ecran. Dacă suprafața trebuie privită la un unghi
<f> atunci proiecția este dată de

(x,y,z) -> (x,y sin <f> + zcos<f>).

Aici cf> = 0 corespunde unei vederi laterale și <f> = j oferă o vedere de sus.
2.7 Grafică computerizată pentru suprafețe

2.7.4 Un model simplu de iluminare

Pentru un model de iluminat local normalurile de suprafață sunt esențiale. O normală a

proximativă a suprafeței în punctul p = ( . X i , y j , Z i j )
.dx dy dz^ n = )
rrr unde

ZiJ ~ Zi+lJ

ZiJ-l - ZiJ 1
N — l şi
r = yjdx 2 + dy 2 + dz 2 .
Acest lucru va funcționa foarte bine pentru suprafețe netede. Pentru suprafețele fractal
e mediile pe mai multe astfel de aproximări pentru punctele din apropiere sunt mai potri
vite.
Fie l notă vectorul de lungime unitar bazat pe p și îndreptat către o sursă de lumină.
Fie mai departe r* vectorul de lumină reflectată, adică

r = 2 cos 6 • n — l unde 6 este unghiul cuprins între n și l. Dacă a denotă unghiul dintre vect
orul de vedere
Capitolul 2: Algoritmi fractali aleatori și vectorul reflectat r, apoi un model de iluminare s
implu, care ia în considerare doar lumina ambientală, difuză și reflectată specular, poate
fi scris ca

(2,19)
Aici I a denotă contribuția luminii ambientale, /<* și f s sunt factori care trebuie aleși ca p
onderi pentru componentele difuze și speculare, iar 6 este un exponent care controlează
strălucirea suprafeței. Rezultate satisfăcătoare pot fi obținute de exemplu cu la = 0,0

fd = 0,6 fs = 0,4 b = 2,0

Pentru a fi complet, să remarcăm că, dacă unghiul dintre normala suprafeței n și vectoru
l de vedere v este mai mare decât J în mărime, atunci ne uităm la partea din spate a supr
78
 79

afeței și putem seta intensitatea la 0. În algoritmul nostru DisplayHeightField() acest caz po

ate apărea numai pentru punctele din primul rând. Acest model simplu este unul foarte
grosier. De exemplu, ignoră culorile luminii și ale suprafeței. Modele mai bune sunt desc
rise mai detaliat în manualele standard, cum ar fi [39] sau [92],

2.7.5 Redarea

Secțiunile de suprafață, care sunt paralele cu planul yz, sunt proiectate pe o linie de pe
ecran, care este paralelă cu axa y a ecranului. Prin urmare, putem reda aceste linii una c
âte una și independent unele de altele. Defini
P ( y , z ) = i n t [( N — l)(y sin <f> + z cos cf> )]

ca parte întreagă a valorii y a proiecției unui punct ( x, y, z) în unități de pixeli. Apoi algor
itmul pentru redarea tuturor coloanelor N de date arată după cum urmează (vezi
DisplayHeightFieldO). Aici Intensfi, k) denotă intensitatea calculată pentru pixelul (i, k) al ecran
ului, în timp ce I(x, y, z) denotă intensitatea corespunzătoare pentru un punct ( x , y , z ) de
pe suprafață.
În prima buclă toate intensitățile din coloana i-a sunt inițializate la 0. Apoi punctele de
date din coloana i-a sunt proiectate unul câte unul, începând din față și deplasându-se
spre spate. Orizontul variabil ține evidența maximului curent al tuturor valorilor y proiecta
te și aceasta explică atât numele variabilei, cât și

Capitolul 2: Algoritmi fractali aleatori care corespund umbririi Gouraud. Alternativ, s-ar p
utea interpola normalele suprafeței și recalculați intensitățile pentru punctele intermed
iare, o procedură cunoscută sub numele de umbrire Phong.
 Depinde foarte mult de date și de unghiul de proiecție <f> ales, care porțiune a siste
mului de coordonate ecran ar trebui să fie afișată. În cel mai rău caz ( (j> = f și datele car
e apar la ( x, 0 , 0 ), precum și la ( x, 1 , 1 ) ) doar o fereastră de vizualizare care conține cel
puțin N cu \/2N pixeli va conține întreaga suprafață. Pentru a obține rezultate plăcute di
n punct de vedere estetic, trebuie în mod evident să experimentați cu proiecția și să int
roduceți scalari adecvate în coordonatele ecranului x și y .

2.7.6 Manipularea datelor

O modalitate alternativă de a potrivi fereastra cu obiectul afi șat este modificarea datelor.
De exemplu, o transformare liniară
Zij = o • h ( x i , y j ) + b va deplasa imaginea în sus sau în jos și poate scala înălțimile cu fact
orul o. Acest lucru poate fi de dorit și din alte motive. Adesea, variațiile de înălțime ale d
atelor sunt prea puternice sau nu sunt suficient de pronunțate pentru o imagine frumoa
să. O scalare liniară poate ajuta în acest caz. Dar, de asemenea, scalarile neliniare sunt d
e interes, așa cum demonstrează plăcile de culoare 8 și 10 ( D = 2 , 1 5 î n ă l ț i m e c u b ) .
În cazul potențialelor electrostatice ale setului Mandelbrot din capitolul 4, doar o scalar
e neliniară a potențialului a reușit să schimbe imaginile inițial destul de plictisitoare în c
eva dramatic.
O altă manipulare utilă poate fi tragerea în jos a înălțimii punctelor din apropierea fa
ță și/sau spate a suprafeței pentru a elimina impresia unei suprafețe care a fost tăiată a
rtificial în față și în spate.

2.7.7 Culoare, anti-aliasing și umbre

Suprafața poate avea culori diferite în locuri diferite. De exemplu, culoarea poate fi legat
ă de înălțime și posibil, de asemenea, de valorile normale ale suprafeței, așa cum se ved
e în plăcile de culoare. Este ușor să adăugați culoare micul nostru sistem de randare do
ar prin înmulțirea culorii fiecărui punct proiectat cu intensitatea calculată în algoritm. C
u toate acestea, trebuie remarcat că acest lucru este simplu numai în cazul în care un sis
tem grafic color (24 de biți) este în cele din urmă utilizat pentru afișare. Unele restric ții
se aplică pentru sisteme mai mici cu tabele de căutare a culorilor.
Algoritmul DisplayHeightFieldf) poate fi extins cu ușurință pentru a include antialiasing
prin intermediul supereșantionării. Principiul este să interpolați mai întâi (multi-
2 .7 Grafică computerizată pentru suprafețe liniare sau cu spline) suprafața pentru a ob ț
ine o reprezentare la o rezoluție mai mare. Apoi algoritmul este aplicat pe suprafața „umflată” și în
final, media pixelilor are ca rezultat imaginea anti-alias. Acest proces poate profita de structura liniară
pe bucăți din suprafața interpolată, astfel încât sarcina de calcul a anti-aliasing nu este atât de s
everă pe cât pare. În plus, estomparea distanței ca în [38] sau cea ța simulată ca în plăcil
e de culoare pot fi utilizate pentru a îmbunătăți și mai mult calitatea imaginii.
Același algoritm care elimină suprafețele ascunse din randarea noastră poate fi folosi
t pentru a calcula umbrele din mai multe surse de lumină. Acesta este cazul deoarece o
umbră nu reflectă altceva decât vizibilitatea de la o anumită sursă de lumină. Datorită str
ucturii simple a algoritmului, sunt admise doar surse de lumină infinită. În plus, vectorii c
are indică sursele de lumină trebuie să fie paraleli cu planul x 2 sau cu planul yz. Apare o
complicație: redarea diferitelor coloane de date nu mai este independentă. Punctele di
ntr-o coloană pot arunca o umbră asupra punctelor altor coloane. Astfel, un rând compl
et de date trebuie redat simultan. Poza de copertă a fost redată cu două surse de lumin
ă, una din spatele punctului de vedere și cealaltă din dreapta. Umbrele de la a doua surs
ă de lumină sunt clar vizibile.

80
 81

2.7.8 Considerații privind stocarea datelor

Cerințele de stocare a datelor pot fi destul de stricte. De exemplu, un fișier obișnuit poa
te conține numere în virgulă mobilă 1024 cu 1024, care în mod obișnuit reprezintă 4 m
ega octeți de stocare. Pentru a reduce dimensiunea acestor fișiere mari, mai multe tehni
ci pot fi utile. Prima evidentă este stocarea programelor care generează datele în locul d
atelor în sine. Aceasta este o idee bună pentru suprafețele fractale generate de una dint
re metodele mai ieftine, cum ar fi deplasarea punctului mediu. Cu toate acestea, pentru
potențialele setului Mandelbrot și imaginile aferente, nu este recomandabil, deoarece g
enerarea unui singur set de date poate dura prea mult pentru a fi făcută de două ori sau
mai des pentru mai multe randări.
Pentru a reduce dimensiunea fișierelor de date, observăm mai întâi că nu avem nevoi
e de întreaga gamă de precizie și, de asemenea, de exponenții oferiti de numerele în vir
gulă mobilă. Astfel, un punct de cotă poate fi stocat în mod convenabil ca un întreg fără
semn pe 16 biți. Acest lucru va reduce cei 4 mega octeți menționați mai sus la doar 2
mega octeți per fișier, fără a scădea calitatea imaginii. Dar acest lucru pare a fi încă prea
mult dacă intenționați să păstrați multe fișiere de date la îndemână.
Următorul pas pentru reducerea datelor exploatează continuitatea funcției de înăl ți
me sau chiar diferențiabilitatea acesteia, dacă este cazul ca în redările 3D din Capitolul
4. În loc să stocăm valorile absolute ale funcției de înălțime, putem,
Capitolul 2: Algoritmi fractali aleatori pentru fiecare rând j de date, stochează doar prim
a cotă zoj și diferențele
\ l j = Zij - z i - d a c ă pentru t = 1 , N - 1 .
Aceste prime diferențe vor fi mult mai mici decât valorile Z i j , astfel, ele pot fi stocate în
mai puțini biți pe număr. Totuși, datele originale pot fi reconstruite prin
Z i j = Z i - i j + A f o r i = l , N -1.

Dacă funcția de înălțime h este și ea diferențiabilă, atunci a doua diferență

A
ij = A ij ~ A
i-ij pentru i = 2 , . . . , N l sau, mai explicit
A -j = Z i j + Zi- 2 j pentru i = 2 , I V — 1

poate fi de așteptat să fie și mai mică ca magnitudine decât primele diferențe. Astfel, s-a
r putea să putem stoca numerele z 0J , A \ J , A 2J > A i,j>■■■■> A Nl,j chiar mai eficient. Reconsti
tuirea j-lea rând al datelor originale se realizează apoi cu una sau două adunări per punc
t prin zij = z 0 j + A{j și

Ki - *Lv**?j
2 .,; =+
pentru i = 2,..., N— 1. Pentru multe dintre suprafețele netede din Capitolul 4, această teh
nică a dus la o cerință de numai aproximativ 8 biți per element de date reducând astfel c
ei 4 mega octeți inițiali la doar aproximativ un mega octet.
Există și mai multă structură în prima și a doua diferență care poate fi folosită pentru
a reduce și mai mult dimensiunea fișierelor de date. În acest scop, tehnicile de compresi
e a datelor, cum ar fi codarea simplă a lungimii de rulare, sau metode mai avansate, cum
ar fi codarea Huffman [89] sau codarea Lempel-Ziv-Welch [106], a șa cum sunt implemen
tate în utilitarul de comprimare UNIX, pot avea ca rezultat o salvare suplimentară . În cele di
n urmă, se pot modifica aceste tehnici de compresie a sistemului pentru a se potrivi mai
bine cu cazul nostru de interes.
2.8 Variabile aleatoare și funcții
2.8 Variabile aleatoare și funcții aleatoare
Variabilele aleatoare și funcțiile aleatoare sunt cele două blocuri de construc ție majore
utilizate în fractalii aleatori. Aici trecem în revistă câteva dintre defini țiile de bază (vezi d
e exemplu [8,107]). [44] este un alt text elementar pentru teoria probabilită ții.
Spațiu de probă. O reprezentare abstractă pentru o încercare și rezultatele sale, cum ar
fi o aruncare a unui zar sau, în mod ideal, de asemenea, un apel la un generator de num
ere (pseudo) aleatoare este spațiul eșantion. Fiecare rezultat care poate fi distins și neco
mpunebil, sau eveniment simplu, este privit ca un punct în spațiul eșantion S. Astfel, pen
tru un generator tipic de numere aleatoare, spațiul eșantionar ar fi format din toate num
erele întregi între 0 și un număr foarte mare, cum ar fi 2 — 1. Fiecare colecție de evenimente
31

simple, adică un set de puncte din S , se numește eveniment.

Probabilitate. Pentru fiecare eveniment E din spațiul eșantion S, adică E C S , atribuim un
număr nenegativ, numit probabilitatea lui E notat cu P ( E ) , astfel încât să fie îndeplinite ur
mătoarele axiome:

(a) pentru fiecare eveniment E , P(.E) >0

(b) pentru un anumit eveniment, P( S) = 1

(c) pentru evenimente care se exclud reciproc E \ , E z , P{E\ U E 2 ) = P ( E \ ) + P( E i )

Variabile aleatoare. O variabilă aleatoare X este o funcție pe un spațiu eșantion S cu două p
roprietăți

(a) valorile pe care le presupune sunt numere reale,

(b) pentru fiecare număr real x poate fi calculată probabilitatea ca valoarea funcției să
fie mai mică sau egală cu x și se notează cu P(X < x).

În exemplul zarurilor sau al generatorilor de numere aleatoare, punctele din spațiul eșan
tion sunt ele însele rezultate numerice, iar rezultatul este în sine o variabilă aleatorie.
Funcția de densitate de probabilitate. Să presupunem că X este o variabilă aleatoare și e
xistă o funcție /( x) astfel încât

(a) f ( x ) > 0 .
(b) /( x ) are cel mult un număr finit de discontinuități în fiecare interval finit pe dreap
ta reală.
(c) f? 00 fix)dx= 1 .
Capitolul 2: Algoritmi fractali aleatori

(d) Pentru fiecare interval [a, b]

aleatoare continuă cu funcție de densitate de probabilitate
Atunci se spune că X este o variabilă
/( x ).
Funcția de distribuție. O imagine utilă a răspândirii probabilității într-o distribuție este
oferită de funcția de distribuție F(x) , care este definită ca

F(x) = PiX < x).

Din definiția sa, 0 < F i x ) < 1, F ( — oo) = 0, F(oo) = 1, P ( a < X < 6 ) = F i b ) — F ( a ) >
0. Pentru o variabilă aleatoare continuă cu densitatea de probabilitate /( x ) avem
Distributie uniforma. Se spune că o variabilă aleatoare continuă X are o distribuție uniformă
pe un interval [o, 6 ], dacă funcția sa de densitate de probabilitate /( x) satisface

82
 83

Dacă o < x < b , atunci

Distributie normala. Se spune că o variabilă aleatoare continuă X are o distribuție normală c
u parametrii g și <r > 0 dacă funcția sa de densitate de probabilitate f ( x ) este
Se spune că o astfel de funcție aleatoare este distribuită N i p , c r ) . Graficul lui / are for
ma familiară de clopot gaussian centrată în jurul g . Rutina Gauss() din secțiunea
2.2 este construit pentru a aproxima o variabilă aleatoare cu o distribuție N ( 0 , 1). Fu
ncția sa de distribuție F( x ) este tabelată în majoritatea manualelor de statistică.
Aşteptare. Dacă X este o variabilă aleatoare continuă cu funcție de distribuție /( x ) , atu
nci media sau așteptarea lui X, scrisă ca E ( X ) este definită cu condiția ca
2.8 Variabile aleatoare și funcții converge. În caz contrar, se spune că E( X ) nu există. N
umele își are justificarea în legea slabă a numerelor mari, care afirmă, în linii mari, că dac
ă X\, X 2 , . . . , X n este un eșantion aleatoriu dintr-o distribuție pentru care există E ( X ) ,
atunci medie Y ■
n

n
x = y^ c o n v e r g e în proba
bilitate către media E ( X ) . Pentru
variabila aleatoare uniform distrib
uită definită în două paragrafe mai
sus avem desigur E ( X ) = în timp
ce pentru o variabilă aleatoare cu
distribuție normală N ( ( i , c r ) obți
nem E ( X ) = /i. Așteptarea E est
e o funcție liniară în sensul că pe
ntru două variabile aleatoare X și
Y și numere reale a și b avem
E(aX + bY) - aE(X) + bE(Y).
În plus, dacă g ( x ) este o funcție r
eală, atunci Y - g ( X ) este o altă v
ariabilă aleatoare și așteptarea ei
este
Varianta. În general, o variabilă aleatorie nu este descrisă în mod adecvat doar prin afirm
area valorii ei așteptate. De asemenea, ar trebui să avem o idee despre modul în care val
orile sunt dispersate în jurul mediei. O astfel de măsură este varianța, notată cu var X și de
finită ca var X = E [ ( X - E ( X ) ) 2 ] .
Rădăcina pătrată pozitivă a varianței este cunoscută ca abaterea standard a lui X și se notea
ză cu 0 . Mai avem varX = E ( X 2 ) - E ( X ) 2 .

Varianta unei variabile aleatoare care este distribuită uniform peste [ a, 6 ] este ușor de c
alculat ca și pentru variabile aleatoare cu distribuție normală V(/i, cr) varianța este a 2 . Da
că două variabile aleatoare X,Y sunt independente, adică

P(X < 1 și Y <y) = P ( X < x ) + P(Y < y )

pentru toate x, y E R, atunci avem pentru toate a, b E R
var( aX + bY) = o var X + b 2 var Y.
2

Covarianța și corelația. O măsură care asociază două variabile aleatoare este dată de
covarianță. Covarianța lui X, Y, scrisă C ( X , Y ), este definită ca
C(X,Y) = E[(X - E(X))(Y - E(Y))].
Capitolul 2: Algoritmi fractali aleatori

Dacă cele două variabile aleatoare sunt independente, atunci covarian ța lor este 0, desi
gur. Dacă unitățile lui X sau Y sunt modificate apoi se modifică și covarianța. Acest defe
ct este înlăturat luând în considerare coeficientul de corelație, care este covarianța împărțită
la ambele abateri standard.
Funcții aleatorii. Fie T fi un subset al liniei reale. Printr-o funcție aleatorie a unui argument t
6 T ne referim la o functie X ( t ) ale căror valori sunt variabile aleatorii. Astfel, o func ție al
eatoare X este o familie de variabile aleatoare X ( s ) , X ( t ) , etc. Formal, se consideră că
o funcție aleatoare este specificată dacă pentru fiecare element t £ T ni se dă funcția d
e distribuție
F t (x) = P(X(t) < x )
a variabilei aleatoare X ( t ) , și dacă, de asemenea, pentru fiecare pereche de elemente
t,\, ti 6 T n i se dă funcția de distribuție
Ft u t 2 (XI,X 2 ) = P(X(ti) < x\ și X ( t 2 > < xi)
a variabilei aleatoare bidimensionale =(X(ti),X(t 2)), și așa mai departe pentru to
ate variabilele aleatoare cu dimensiuni finite
Z(t U t2,...,t n ) = (X(tl),X(t 2 ),...,X(t n ))

Staționaritate. Funcția aleatoare va fi numită staționară, dacă toate funcțiile de distribuți

e dimensională finită definite mai sus rămân aceleași atunci când toate punctele 1 1 , t 2 ,..
■, t n sunt deplasate de-a lungul axei timpului, adică dacă
^*tl+s,t2+s ^ 1 j X 2 , * * * , X n ) Ft j X\ , X2 , •
* . , Xxf)

pentru orice t \ , t 2 , ■ ■ ■ , t n și s . Sensul fizic al conceptului de staționaritate este că

X ( t ) descrie variația în timp a unei caracteristici numerice a unui eveniment, astfel încâ
t niciunul dintre factorii macroscopici observați care influențează apariția evenimentulu
i nu se schimbă în timp.
Creșteri staționare. Mișcarea browniană fracțională nu este un proces staționar, ci incr
ementele sale
X(t + s)-X(t)
sunt. În general, spunem că funcția aleatoare X ( t ) are creșteri staționare,
t
dacă valoarea așteptată a incrementului este 0
E [ X ( t + s ) - X ( t ) ] = 0 și dacă pătratul mediu crește
E[\X(t+s)-X( < t)\ 2 ]
nu depind de timpul t .
capitolul 3

Modele fractale care apar în sisteme dinamice

haotice

Robert L.Devaney

3.1 Introducere
Fractalii sunt peste tot. Acest lucru nu este un accident, deoarece chiar și cele mai simpl
e expresii matematice, atunci când sunt interpretate ca sisteme dinamice, produc fractal
i. Scopul acestui capitol este de a face această afirmație precisă. Vom descrie câteva din
tre elementele domeniului matematicii cunoscute sub numele de sisteme dinamice și vo
84
 85

m arăta cum fractalii apar destul de natural în acest context. Vom prezenta, de asemene
a, câțiva algoritmi prin care unele dintre aceste modele fractale pot fi generate.
Acest capitol se adresează unui cerc de cititori de non-matematicieni, de și trebuie sp
us că o anumită sofisticare matematică este de ajutor în multe puncte. Multe dintre subi
ectele tratate aici sunt de interes actual de cercetare în matematică. De fapt, o parte din
comportamentul dinamic pe care îl vom întâlni nu a fost încă explicat complet. În ciuda
acestui fapt, formularea acestor probleme este destul de simplă, iar munca experimental
ă legată de aceste probleme este accesibilă oricui cu o bună pregătire de liceu în matem
atică și acces la un computer.
Abordarea noastră asupra acestor probleme va fi o combinație de tehnici matematic
e și grafică pe computer. După cum cititorul este, fără îndoială, conștient, multe dintre i
maginile fractale generate de sistemele dinamice sunt atât interesante, cât și atrăgătoar
e. Mai mult, faptul că aceste imagini sunt generate de asemenea sisteme simple

137
Capitolul 3: Modelele fractale ca z 2 + c sau e z sau sin z fac acest domeniu destul de accesi
bil pentru oamenii de știință din toate disciplinele. În cele din urmă, după cum va vedea
cititorul, matematica în sine este destul de frumoasă. Per total, acest domeniu al matem
aticii oferă destul de multe oamenilor de știință: atracție estetică, accesibilitate și aplica
bilitate. Sperăm ca acest capitol să transmită cititorului câteva dintre aceste elemente.

3.1.1 Sisteme dinamice

Ce este un sistem dinamic? Practic, orice proces care evoluează în timp este un exempl
u de sistem dinamic. Astfel de sisteme apar în toate ramurile științei și, într-adevăr, în ap
roape fiecare aspect al vieții însăși. Modelele meteorologice sunt exemple de sisteme di
namice uriașe: temperatura, presiunea barometrică, direcția și viteza vântului și cantitat
ea de precipitații sunt toate variabile care se modifică în timp în acest sistem. Economia
este un alt exemplu de sistem dinamic: creșterea și scăderea mediei Dow Jones este o il
ustrare simplă a modului în care acest sistem fluctuează în timp. Evoluția planetelor în si
stemul solar și reacțiile chimice simple sunt exemple de alte sisteme dinamice.
Domeniul sistemelor dinamice se ocupă cu acestea și multe alte tipuri de procese fizi
ce și matematice. Scopul de bază al acestui domeniu este de a prezice rezultatul eventu
al al procesului de evoluție. Adică, dacă cunoaștem în detaliu istoria trecută a unui proc
es care evoluează în timp, putem prezice ce se va întâmpla cu acesta în viitor? În specia
l, putem deduce comportamentul pe termen lung sau asimptotic al sistemului?
Răspunsul la această întrebare este uneori da și alteori nu. Evident, predicția sisteme
lor meteorologice și a fluctuațiilor stocurilor nu se poate face pe termen lung. Pe de altă
parte, suntem cu toții încrezători că soarele va răsări mâine dimineață și că nu va avea l
oc nicio reacție chimică extraordinară atunci când vom adăuga smântână în cafeaua no
astră la acel moment. Deci, unele sisteme dinamice sunt previzibile, în timp ce altele nu.
Ce face ca unele sisteme dinamice să fie predictibile și altele imprevizibile? Din exe
mplele de mai sus, s-ar părea că sistemele dinamice care implică un număr mare de vari
abile precum sistemele meteorologice sau economia sunt imprevizibile, în timp ce siste
mele cu doar câteva variabile sunt mai ușor de înțeles. Cu toate acestea, de și acest lucr
u poate fi adevărat în unele cazuri, nu este deloc adevărat în general. Chiar și cel mai si
mplu dintre sistemele dinamice care depind de o singură variabilă poate produce un co
mportament extrem de imprevizibil și, în esență, aleatoriu. Motivul pentru aceasta este n
oțiunea matematică de haos, care poate pătrunde chiar și în cel mai simplu dintre siste
mele dinamice. Aceasta este una dintre realizările majore ale matematicii în
3.1 Introducere ultimii ani, recunoașterea faptului că sistemele simple, deterministe s
e pot comporta imprevizibil sau aleatoriu.
 În secțiunile următoare, vom oferi câteva exemple matematice de sisteme haotice. T
oate vor avea o trăsătură în comun: dependența de doar una sau două variabile. Și mul ț
i, atunci când sunt priviți geometric folosind grafica pe computer, vor prezenta fractalii c
a trăsătură geometrică de bază.

3.1.2 Un exemplu din ecologie

Să ilustrăm modul în care sistemele se pot comporta imprevizibil prin descrierea unui sis
tem dinamic matematic simplu, care își are rădăcinile în ecologie.
Să presupunem că există o singură specie a cărei populație crește și se micșorează î
n timp într-un mediu controlat. Ecologiștii au sugerat o serie de modele matematice pen
tru a prezice comportamentul pe termen lung al acestei populații. Iată unul dintre cele
mai simple dintre modelele lor.
Să presupunem că măsurăm populația speciei la sfârșitul fiecărei generații. În loc să
producem numărul real al indivizilor prezenți în colonie, să presupunem că măsurăm în
schimb procentul unui număr limită sau populație maximă. Adică, să scriem P n pentru p
rocentul populației după generația n, unde 0 < P n < 1. O regulă simplă pe care o poate f
olosi un ecologist pentru a modela creșterea acestei populații este ecuația logistică
• Pn+l = kPn ( 1 Pn ).
unde k este o constantă care depinde de condițiile ecologice, cum ar fi cantitatea de hra
nă prezentă. Folosind această formulă, populația din generația următoare poate fi dedu
să din cunoașterea doar a populației din generația anterioară și a constantei k.
Observați cât de trivială este această formulă. Este o formulă pătratică simplă în vari
abila P n . Având în vedere P n și k, putem calcula exact P +1 . În tabelul 3.1 am enumerat po
n

pulațiile prezise de acest model pentru diferite valori ale lui k. Observați câteva lucruri.
Când k este mic, soarta populației pare destul de previzibilă. Într-adevăr, pentru k = 0,5,
populația se stinge, în timp ce pentru k - 1,2, 2 și 2,7, aceasta tinde să se stabilizeze sau
să atingă o valoare limită definită. Peste 3, valori diferite ale lui k dau rezultate uimitor de
diferite. Pentru k = 3,1, valorile limită tind să oscileze între două valori distincte. Pentru k
= 3,4, valorile limită oscilează între patru valori. Și, în cele din urmă, pentru k = 4, nu exis
tă nici un model aparent de discern. O valoare inițială, Po = 0,5, duce la dispariția speci
ei după doar două generații, în timp ce Po = 0,4 duce la un număr de populație care pa
re a fi complet aleatoriu.

Relatii cu publicul* 1 = kP n ( 1 — P n )

k
0,5 1.2 2.0 2.7 3.1 3.4 4.0 4.0
.5 .5 .5 .500 .5 .5 .4 .5
.125 .3 .5 .750 .775 .85 .96 1
.055 .252 .5 .563 .540 .434 .154 0
.026 .226 .5 .738 .770 .835 .520 0
.013 .210 .5 .580 .549 .469 .998 0
.006 .199 .5 .731 .768 .847 .006 0
.003 .191 .5 .590 .553 .441 .025 0
.002 .186 .5 .726 .766 .838 .099 0
.001 .181 .5 .597 .555 .461 .358 0
.000 .178 .5 .722 .766 .845 .919 0
.000 .176 .5 .603 .556 .446 .298 0
.000 .174 .5 .718 .765 .840 .837 0
86
 87

.000 .172 .5 .607 .557 .457 .547 0

.000 .171 .5 .716 .765 .844 .991 0
.000 .170 .5 .610 .557 .448 .035 0
.000 .170 .5 .713 .765 .841 .135 0
.000 .169 .5 .613 .557 .455 .466 0
.000 .168 .5 .711 .765 .843 .996 0
.000 .168 .5 .616 .557 .450 .018 0
.000 .168 .5 .710 .765 .851 .070 0
.000 .168 .5 .618 .557 .455 .261 0
.000 .168 .5 .708 .765 .843 .773 0
140
Capitolul 3: Modele fractale
Tabelul 3.1: Valorile lui P„ pentru diverse -valori

Aceasta este natura imprevizibilă a acestui proces. Anumite valori fc conduc la rezult
ate destul de previzibile - o valoare limită fixă sau care se repetă periodic. Dar alte valori
fc conduc la rezultate care sunt, pentru toate intențiile și scopurile, aleatorii.
Cititorul poate obiecta că tabelul destul de limitat de valori pentru P n când k = 4 nu p
oate fi în niciun fel interpretat ca o dovadă că valorile se comportă aleatoriu. Cu toate ac
estea, este un fapt adevărat care poate fi dovedit destul de ușor cu tehnici din teoria sist
emelor dinamice. Vezi, de exemplu, [25].
3.1 Introducere

3.1.3 Iterație
Ingredientul principal în formularea matematică a exemplului din ecologie a fost iterația.
Iterația înseamnă repetarea unui proces din nou și din nou. Exact asta am făcut pentru a
genera lista de valori succesive ale populației pentru ecuația logistică. Să formulăm ace
st proces într-o manieră puțin diferită. Se consideră funcția matematică F( x) = kx( 1 — x).
Această funcție atribuie fiecărui număr xa un număr nou, imaginea lui x, pe care o numim F ( x ) . De
ci, așa cum este de obicei în cazul funcțiilor matematice, F oferă o regulă pentru conver
sia x într-o nouă valoare, în acest caz F { x ) , sau k x { 1 — x).
Putem repeta acest proces calculând F ( F i x ) ) . Aceasta înseamnă că calculăm

F ( F ( x ) ) = F ( k x ( 1 — x))
= k[ kx{ 1— x) ] [ 1 — k x ( 1— x) ]
și o putem face din nou, găsind
F ( F ( F ( x ) ) ) = F ( k [ k x ( 1 -x)][l -fcx(l -x)])

Si asa mai departe. Dacă x reprezintă populația noastră inițială P q din exemplul anterio
r, atunci avem

Pi = F ( x ) ,
P 2 = F(F(x)),
P3=FiF(fix)))

si asa mai departe. Pentru a face notația mai puțin greoaie, să introducem nota ția F n

( x ) pentru a însemna iterația de n ori a lui F ; acesta este,

 l
F (x) = F(x),
2
F ix) = FiFix)),
P 3 (x) = F i F i F i x ) ) )

Rețineți că P 2 (x) nu î n s e a m n ă (F(x )) = F i x ) - F i x ) . Mai degrabă, P 2 (x) este al doilea i

2

terat al expresiei F .
Iterația este un proces foarte simplu, care este poate cel mai ușor de explicat folosin
d un calculator științific. Luați în considerare un astfel de calculator cu multe taste func
ționale speciale precum „x 2 ”, „\/x”, „sin x”, „exp x” și așa mai departe. Fiecare dintre acest
ea reprezintă o funcție matematică. Să presupunem că introducem un anumit număr și
apoi apăsăm în mod repetat tasta „\/x” . Ce facem? Pur și simplu repetăm
Capitolul 3: Modele fractale funcția rădăcină pătrată. De exemplu, dacă lăsăm 5( x ) = \fx
și introducem x = 256 în calculator, atunci loviturile repetate ale lui „y/x” dau următoarel
e iterații de 256:

5(256) = 16 S' 2 (256) = 4 S' 3 (256) = 2 5 4 (25

6) = 1,414214...
5 (256) = 1,189207... S' 6 (256) = 1,090508...
S

S\ 256) = 1,044274...

5 20 (256) = 1,000005...

Observați că iterațiile succesive ale lui 5 începute cu 256 converg destul de repede cătr
e 1. De fapt, acest lucru se întâmplă indiferent de numărul introdus inițial în calculator.
De exemplu, dacă intrarea inițială este 200, obținem

5(200) = 14,14214...
5 2 (200) = 3,760603...
5 3 (200) = 1,939227...
5 4 (200) = 1,392561...

5 2 °(200) = 1,000005...

Chiar dacă intrarea inițială x satisface 0 < x < 1, tot constatăm că iterațiile tind spre 1 :

5(0,2) = 0,4472136...
5 2 (0,2) = 0,6687403...
5 3 (0,2) = 0,8177654...

5 20 (.2) = 0,9999985...

Să repetăm mai multe dintre aceste funcții. De exemplu, ce se întâmplă dacă apăsăm în mod
repetat tasta „x 2 ”. În mod clar, dacă x > 1, pătrarea repetată tinde să mărească rezultatele. De fapt,
după doar câteva iterații, conducătorii de pătrare repetate
3.1 Introducere la un mesaj de overflow de la computer. Dacă scriem T ( x ) = x 2 , un al
t mod de a spune acest lucru este
T n
( x ) —► o o ca n —> oo dacă x > 1.

88
 89

A n - a iterație a oricărui x > 1 tinde să devină arbitrar mare dacă x > 1. Ce se întâmplă
dacă 0 < x < 1? Apoi, repetarea lui T dă un răspuns diferit. Pătrarea succesivă a unor a
stfel de numere dă rezultate din ce în ce mai mici, deci r n ( x ) —> 0 ca n —► oo când 0 < x
< 1.

În cele din urmă, în cazul intermediar, x = 1, este clar că T n ( x ) = 1 pentru toți n .

Deci, iterația lui T dă trei comportamente diferite, în funcție de dacă 0 < x < l,i = 1
sau i > 1. Puteți extinde cu ușurință acest lucru la cazul valorilor x negative. Observa ți u
n lucru: spre deosebire de iterația lui F ( x ) = k x ( 1 — x ) , puteți prezice cu ușurință so
arta oricărui x sub iterația lui T .

3.1.4 Orbite
Lista de iterații succesive ale unui punct sau număr se numește orbita acelui punct.
Folosim calculatorul pentru a calcula alte orbite. De exemplu, să folosim butonul „sin x” de pe calcu
lator pentru a calcula orbita (în radiani) a oricărei intrări inițiale. Dacă lăsăm 5( x) = sin x
și alegem valoarea inițială x = 123, găsim
5(12 = -0,459
3)
5 2 (12
3) = -0,443
5 3 (12
3) = -0,429
5 4 (12 = -0,416
3)
5 17 ( 12
3) = -0,312
5 18 ( 12
3) = -0,307
5 19 (12
3) = -0,302
5 20 ( 12
3) = -0,298

Încet, atât de încet, iterațiile succesive ale sin x tind spre 0:

S 73 (123) =
S 74 (123) =
S 75 (123) =
Capitolul 3: Modele fractale

S 148 (123) = -0,135 ...

S' 149 (123)
= -0,135 ...
S 150 (123) = -0,134 ...

S' 298 (123) -0,09804

= 9
-0,09789
S 299 (123) = 2
-0,09758
S' 300 (123) = 0
 Deci orbita lui x = 123 este șirul numerelor 123, -0,459..., -0,443..., -0,429... și avem
S n ( 123) —► 0 ca n —> oo

Adică, orbita lui 123 tinde asimptotic la 0. Lăsăm cititorului să verifice dacă acest lucru s
e întâmplă indiferent de ce x este introdus inițial. Acesta este
S n
( x ) —» 0 ca n —*• oo pentru tot x .

Acest lucru ne readuce la întrebarea de bază în sistemele dinamice: putem prezice s

oarta orbitelor sub iterație. Aceasta este similară cu întrebarea cu care am început: pute
m prezice vremea sau putem prezice comportamentul mediei Dow Jones?
Pentru toate sistemele pe care le-am discutat folosind calculatorul, și anume „y/x”, „ x 2 ” și „sin
x”, răspunsul a fost da. Iată un ultim exemplu în care soarta orbitelor poate fi decisă, dar rezultatul nu
este atât de ușor de prezis din timp. Ce se întâmplă când funcția cosinus este iterată? Să vedem. Fie
C(x) = cos x și alegem orice intrare, să spunem x = 123. Apoi, în radiani, găsim
C( 12 = -0,887..
3)
C 2 (12
3) 3 = 0,630...
C (12
3) 4 = 0,807...
C (12
3) 5 = 0,691...
C (12 = 0,770...
3)

C 99 (12 0,73908
3) 5
C 100 (12 = 0,73908
3) 5
C 101 (12 0,73908
3) = 5
3.2 Sisteme dinamice haotice

Deci, orbita lui 123 este o secvență de numere care tinde spre 0,739085... Din nou, ace
st lucru se întâmplă indiferent de ce x este introdus inițial în calculator, dar acest rezulta
t cu greu ar fi putut fi ghicit dinainte.
Cu toate acestea, odată ce ați văzut câteva astfel de exemple de itera ție a cosinusul
ui, ajungeți rapid la concluzia că toate orbitele tind la .739085... sau, pentru a introduce
un termen tehnic, toate orbitele funcției cosinus sunt stabile . Mai precis, o orbită stabilă
este una care are proprietatea că, dacă modificați puțin intrarea inițială, orbita rezultat
ă se comportă mai mult sau mai puțin similar. Acest lucru se întâmplă pentru S(x) = \[x, de
oarece toate intrările inițiale conduc la orbite care tind spre 1. Acest lucru se întâmplă p
entru T ( x ) = x 2 , atâta timp cât 0 < x ^ 1, pentru orbitele de x < 1. tind spre 0 în timp
ce orbitele x > 1 tind spre oo.
Ar trebui să ne gândim la orbitele stabile ca la orbite „bune”. Ne referim la bine aici în sensul
următor. Să presupunem că sistemul tău dinamic reprezintă un proces fizic al cărui rezultat ai dori să-l
prezici. Acum, în configurarea modelului fizic, probabil că veți face mici erori în observațiile
dvs. care duc la alegerea unei intrări inițiale. Dacă orbita rezultată este stabilă, atunci su
nt șanse ca aceste mici erori să nu modifice comportamentul final al sistemului dvs. și as
tfel predicțiile bazate pe model vor fi mai mult sau mai puțin precise.
Un alt motiv pentru care orbitele stabile sunt orbite bune apare atunci când se întâln
esc erori de rotunjire. În general, atunci când un sistem dinamic este iterat pe un compu
ter sau calculator, fiecare iterație succesivă produce doar o aproximare a următoarei val
ori. Adică, orbita calculată poate diferi ușor în fiecare etapă de 1 orbita reală. Este adevăr
90
 91

at că aceste erori de rotunjire se pot acumula și pot duce la erori majore în predicții. Da
r, de obicei, dacă orbita inițială este stabilă, aceste erori de rotunjire nu vor conta. Micil
e modificări introduse în fiecare etapă a calculului nu vor afecta comportamentul final al
orbitei.

3.2 Sisteme dinamice haotice

3.2.1 Instabilitate: Setul haotic

Din păcate, nu toate orbitele sistemelor dinamice sunt stabile. Este un fapt neplăcut al vi
eții că chiar și cele mai simple sisteme dinamice posedă orbite care sunt departe de a fi
stabile. Numim aceste orbite instabile. O orbită instabilă este una pentru care, în mod arbi
trar aproape de intrarea inițială dată, există o altă intrare posibilă a cărei orbită este foar
te diferită de orbita originală.
Orbitele instabile vin în multe forme diferite. Orbitele imprevizibile ale l u i F ( x ) = 4 1
( 1 — x), care par să sară aleatoriu, sunt pe un tip de
Capitolul 3: Modele fractale orbita instabilă. Dar există și alte orbite mai simple care ar t
rebui denumite și instabile.
De exemplu, luați în considerare din nou funcția de pătrat

T(x) =x 2

Orbita lui 1 este destul de simplă: T ( 1) = 1 deci T n ( 1) = 1 pentru toate ». Acesta este un
exemplu de punct fix pentru sistemul dinamic. Dar această orbită simplă este instabilă. Moti
vul este, să presupunem că facem o eroare ușoară în calcularea valorii ini țiale 1. Atunci i
ntrarea noastră este x ^ 1 și, așa cum am văzut deja, dacă x > 1 atunci T n ( x ) —► oo în
timp ce dacă 0 < x < 1, apoi T n ( x ) —> 0. Astfel, condițiile inițiale apropiate conduc la tipuri
foarte diferite de orbite, unele tinzând spre 0, iar altele tinzând spre oo.
În mod clar, este de mare importanță să înțelegem setul tuturor punctelor dintr-un si
stem dinamic dat ale cărui orbite sunt instabile. Setul de orbite instabile este mare, indic
ând un grad ridicat de instabilitate sau imprevizibilitate în sistem? Sau este mic, sugerân
d că modelul pe care îl folosim are o probabilitate mare de a produce efectiv rezultate b
une. Din păcate, multe sisteme dinamice simple posedă seturi mari de condiții inițiale a
le căror orbite sunt instabile. Vom numi mulțimea tuturor punctelor a căror orbită este i
nstabilă multimea haotică. După cum vom vedea, mici modificări ale parametrului pot modifi
ca radical alcătuirea setului haotic. Cu toate acestea, pentru matematicieni, întrebarea i
mportantă este: cum arată acest set haotic? Este mare sau mic? Este un set simplu sau u
nul complicat? Și cum variază pe măsură ce sistemul dinamic însuși se schimbă?
Aici intră fractalii în domeniul sistemelor dinamice. Foarte des, setul de puncte ale că
ror orbite sunt instabile formează un fractal. Deci acești fractali sunt dați printr-un mle p
recis: ei sunt pur și simplu mulțimea haotică a unui sistem dinamic.

3.2.2 Un set haotic în plan

Până acum, toate exemplele noastre de sisteme dinamice au fost unidimensionale. Dar c
ele mai multe fenomene din natură depind de mai mult de o variabilă (de multe ori mai
multe variabile), așa că este adecvat să studiem sistemele dinamice dimensionale superi
oare. Pentru restul acestei lucrări vom lua în considerare sistemele dinamice bidimensio
nale. Motivul pentru aceasta este dublu. În primul rând, matematic vorbind, o mare part
e din ceea ce se întâmplă în dinamica unidimensională este destul de bine (dar nu comp
let!) înțeles. Pe de altă parte, dinamica bidimensională prezintă un set complet diferit de
posibilități care, până în prezent, rămân nerezolvate. În al doilea rând, după cum se poa
te imagina, dinamica bidimensională este
3.2 Sisteme dinamice haotice ușor de studiat folosind grafica computerizată, cu ecranul său gr
afic bidimensional convenabil.
Să începem cu un sistem dinamic destul de simplu cunoscut sub numele de harta He
non, numită după astronomul francez M. Henon care a întâlnit prima dată această hartă
în 1974. Acest sistem dinamic implică două variabile (i„,y n ) care evoluează conform regul
a x n +i = 1 +. 3 ^
J/th- i = Bx n

Aici A și B sunt parametri pe care îi vom fixa la = 1,4. Multe, multe alte fenomene p
ot fi observate pentru alte valori A și B, dar vom lăsa investigarea acestor valori în seama
cititorului. Deci ne uităm la sistemul dinamic
Zn+t = l + ( 3

y n+ i = 0,3y„ '
Acest sistem dinamic posedă un atractor ciudat , un obiect matematic care, chiar și astă
zi, sfidează analiza matematică. Să repetăm harta Henon folosind diferite valori ini țiale
(xo și, de asemenea, reprezentând grafic iterațiile succesive. Figura 3.1a arată rezultatele
când am trasat 100.000 de iterații ale punctului inițial (0,0). Figura 3.1b arată acela și
grafic, dar de data aceasta am ales o condiție inițială diferită ( — 1,0). De fapt, dacă experimentați cu
un număr de condiții inițiale diferite, veți descoperi că fie orbita tinde spre structura prezentată în
Figura 3.1, fie orbita. tinde să o o. De fapt, acestea sunt singurele posibilități, așa cum a dem
onstrat Henon [51].
Capitolul 3: Modele fractale

Deci ce se întâmplă? Multe orbite tind, sub iterație, să aterizeze pe acela și set A a șa
cum este prezentat în Figura 3.1. A se numește atractor deoarece toate orbitele suficient
de apropiate converg către el. A este un atractor ciudat , deoarece nu este un obiect „simplu”
precum un punct sau un ciclu de puncte (o „orbită periodică”). De fapt, A are toate atributele unui
fractal, așa cum este demonstrat în Figura 3.2. Această figură ilustrează mai multe lărgiri succesi
ve care tind să separe benzile în A, o apariție tipică în seturile de tip Cantor.
Remarcăm din nou că structura exactă a lui A nu este înțeleasă și este o problemă d
eschisă importantă în matematică. De asemenea, încurajăm cititorul să experimenteze c
u harta Henon cu valori diferite ale parametrilor, adică cu valori diferite pentru A și B. Exi
stă o colecție vastă de diferite fenomene asemănătoare fractale care apar pentru diferit
e valori ale parametrilor. Aceasta este intercalată cu alte valori ale parametrilor care nu p
rezintă un astfel de comportament.
Deci unde este haosul? Dinamica haotică are loc pe atractorul A însu și. Iată un exper
iment simplu pentru a vedea asta. Luați două condiții inițiale care sunt foarte apropiate
una de cealaltă și ale căror orbite tind spre A. Apoi enumerați primele 100 de iterații ale
fiecărui punct - scrieți-le, nu le reprezentați grafic. Veți vedea că, după doar câteva iterații, listele de
puncte succesive de pe orbită au prea puțin de-a face unele cu altele. Orbitele sunt destul de distincte.
Cu toate acestea, dacă acum trasezi aceste orbite, vezi că rezultă exact aceea și imagine.
Adică, orbitele din apropiere tind ambele spre A, dar odată ce sunt acolo, sunt amesteca
te fără speranță. Deci, ciudatul atractor A formează setul nostru de orbite haotice.
3.2 Sisteme dinamice haotice
3.2.3 Un om de turtă dulce haotic
Iată un alt exemplu de ansamblu haotic în avion. Luați în considerare sistemul dinamic d
at de
92
 93

3*71+1 1 Vn |*^ti | ^^
=
Un +1 %n

Aceasta este o mapare liniară pe bucăți a planului, care este haotică în anumite regiuni
și stabilă în altele. De exemplu, punctul (1,1) este un punct fix și toate celelalte puncte d
in regiunea hexagonală H ale căror vârfuri sunt (0,0), (1,0), (2,1), (2,2) , (1,2) și (0,1) sunt
periodice cu perioada 6 . Într-adevăr, această regiune se află în semiplanul drept unde si
stemul dinamic este transformarea simplă afină
—
3<n+l
=
1 !/»■*"
I/jh-1
care este o rotație periodică a perioadei 6 în jurul (1,1). Deci orbita oricărui punct care r
ămâne în H (cu excepția (1,1)) este o mulțime finită de 6 puncte.
Aceasta ar trebui să fie contrastată cu orbita unui punct situat în afara acestei regiuni: Figura 3.3a
afișează primele 100.000 de iterații ale lui (—0,1,0). Observați cum această orbită „umple” o regiune
care arată ca un „om de turtă dulce”. Există regiunea hexagonală stabilă H care formează burta și alt
e cinci regiuni care formează picioarele, brațele și capul turtă dulce. În aceste cinci regi
uni există o orbită unică cu perioada 5, iar toate celelalte puncte au perioada 6 • 5 = 30.
Aceste puncte sunt, desigur, puncte cu orbite stabile. Bitul sau care dă regiunea umbrită din figur
ă
3.3 aparent intră în fiecare regiune mică, cu excepția H și a hexagonului cu perioada
5. Într-adevăr, se poate dovedi riguros că există o astfel de orbită care rătăce ște în jurul l
ui Gingerbreadman, apropiindu-se în mod arbitrar de orice punct prestabilit.
Capitolul 3: Modele fractale
O mărire a unei porțiuni din Figura 3.3a este prezentată în Figura 3.3b. Observa ți modul
în care orbita aleasă este distribuită uniform în această mărire.
Se poate presupune că toate orbitele din turtă dulce au această proprietate. De fapt,
acest lucru nu este deloc adevărat. Se poate dovedi că există o infinitate de orbite perio
dice distincte care au o perioadă arbitrar de mare. De fapt, în orice regiune, oricât de mi
că, există infinit de puncte care se află pe orbite periodice! În consecin ță, întregul om d
e turtă dulce, minus regiunile stabile de mai sus, este format din orbite instabile.
Se pare că toate punctele de la granița omului de turtă dulce sunt periodice - aceste puncte
formează „pielea” poligonală a bărbatului de turtă dulce . Dar chiar de cealaltă parte a acestui p
oligon se află o altă regiune haotică: vezi Figura 3.4. De fapt, există o succesiune de regi
uni haotice, fiecare separată de celelalte prin poligoane. După cum vedem, regimurile h
aotice pot umple spațiul, ca în acest exemplu, precum și pot forma fractali, ca în exempl
ul anterior. Pentru mai multe detalii și dovezi ale faptelor de mai sus, trimitem cititorul la
[24],

3.3 Sisteme dinamice complexe

3.3.1 Hărți complexe

Acum ajungem la una dintre cele mai atrăgătoare domenii ale sistemelor dinamice , stud 1

iul dinamicii hărților complexe. Acest studiu a fost inițiat de P. Fatou și G. Julia la începu
tul secolului XX. După o scurtă perioadă de studiu intens în perioada 1910-1925, dome
niul aproape a dispărut. A fost reînviat în urmă cu aproximativ zece ani, în principal dato
rită descoperirii de către Mandelbrot a binecunoscutului set care poartă
3.3 Sisteme dinamice complexe numele său, precum și imaginile spectaculoase de grafi
că pe computer care însoțesc de obicei aceste sisteme dinamice.
Aici vom discuta doar seturile Julia de hărți complexe din punct de vedere introducti
v. Studiul conex al mulțimii Mandelbrot și algoritmii mai sofisticați pentru a calcula mulț
imile Julia vor fi discutate în capitolul următor. Scopul nostru este să descriem seturile Ju
lia în termenii dinamicii haotice descrise mai sus. Vom prezenta, de asemenea, algoritmii
prin care pot fi generate diverse seturi Julia.
Începem cu un sistem dinamic simplu, F( 2 ) = z 2 . Aici z este un număr complex. Adică
,z = x + i y unde x și y sunt numere reale și i este constanta imaginară \ / — l . Operăm alge
bric cu numere complexe la fel ca și cu perechi de numere reale, deci z 2 = z ■ z = ( x +
iy) ■ (x + iy)
2 2 2 2 2
= x + i y + 2ixy = x - y + i(2xy)
Rețineți că orice număr complex are două piese constitutive, partea reală x și partea
imaginară y. Pentru a specifica un număr complex, trebuie să specificăm atât partea reală,
cât și cea imaginară.
Deoarece numerele complexe sunt date prin perechi de numere reale, ele pot fi iden
tificate cu puncte din planul cartezian într-un mod evident, cu partea reală dând coordo
nata x și partea imaginară dând coordonata y.
De asemenea, definim valoarea absolută a unui număr complex z = x + iy prin

M=
Adică, \z\ măsoară doar distanța de la origine la z. Desigur, aceasta este exact ceea ce fac
e valoarea absolută obișnuită pe linia reală.
Acum să luăm în considerare ce se întâmplă când repetăm F( z) = z 2 . Amintiți-vă că a
m investigat acest sistem dinamic exact pe linia reală în Secțiunea 3.1.3 când am introd
us noțiunea de iterație. Să presupunem că începem cu un punct zq = xo + iyo cu 1 20 1 < 1
• Atunci
|F( 2 0 )| = \x l - y 2 + i - 2 x 0 y o \ ____________
= \/zo + V o - 2 zol/o + ^ x l y l = \/Oo + I/o > = M 2 2

Prin urmare |F( 2 o) | < ( 20 1 atâta timp cât 0 < 1 20 1 < 1. Rezultă că o iterație a lui F mută
20 mai aproape de 0. Continuând acest proces (și folosind faptul că
Capitolul 3: Modele fractale la pătrat ale unui număr |zo | < 1 tinde spre 0 ) vedem că oric
e zo cu |zo | < 1 are o orbită care tinde spre 0. Astfel, toate aceste orbite sunt stabile.

Argumente similare arată că, dacă |zo | > 1, atunci orbita lui zo tinde să oo sub iterați
e. Prin urmare, toate punctele zo din planul cu \zo | ^ 1 au orbite stabile. Dar punctele cu |
zo | = 1 ? Acestea sunt puncte care se află pe cercul unității în plan. În mod clar, orice ast
fel de punct se află în mulțimea haotică, deoarece punctele din afara cercului au orbite
care tind spre oo, în timp ce punctele chiar în interior au orbite care tind spre 0 .
Cititorul poate obiecta că aceasta nu pare a fi o situație prea haotică. La urma urmei,
știm exact ce se întâmplă. Toate punctele din cercul unității au un comportament previz
ibil, iar toate punctele din cercul unității au orbite care rămân acolo pentru totdeauna. Î
ntr-adevăr, dacă |zo | = 1. apoi
|FOo)| = ( x l + yl ) 2

după cum am văzut mai sus, deci |F(zo) | = 1 de asemenea. Cu toate acestea, este un fap
t uimitor că dinamica lui F pe cercul unitar este exact aceeași cu cea a lui F( x ) = 4 x( 1 —
x) pe intervalul 0 < x < 1! Deși nu vom demonstra acest lucru aici, dovada este destul de
simplă și trimitem cititorul la [25] pentru mai multe informații despre aceasta.
Astfel, vedem că planul complex se descompune în două regiuni: mulțimea stabilă c
onstând din acele puncte cu orbite care tind spre 0 și oo și mulțimea haotică care este c
ercul unitar. Acest lucru este tipic, după cum vom vedea, pentru hărțile complexe. Multi
mea haotica, obiectul interesului nostru, se numeste multimea Julia , dupa matematician
94
 95

ul francez Gaston Mia care a studiat pentru prima data aceasta multime la inceputul sec
olului XX.

3.3.2 Setul Julia

Cum folosim grafica pe computer pentru a găsi setul Julia? De fapt, există mai multe mo
duri. Prima, și cea mai ușor de programat și de calculat, este metoda iterației inverse (vezi IIM
și variațiile sale în Capitolul 4). Această metodă funcționează după cum urmează. Să luc
răm cu F( z) = z pentru moment. Având în vedere zo, întrebăm care puncte se mapează l
2

a zo sub F. Desigur, aceste puncte sunt rădăcinile pătrate ale lui zo și, la fel ca în cazul re
al, există două dintre ele. Pentru a calcula cele două rădăcini pătrate ale unui număr co
mplex zo, trebuie să introducem reprezentarea polară a lui zo. În această reprezentare, zo es
te determinat de unghiul polar și distanța de la zo la origine. Unghiul polar este unghiul
pe care raza de la origine la zo îl face cu axa x pozitivă măsurată în sens invers acelor de
ceasornic (de obicei în radiani). Unghiurile negative sunt măsurate în sensul acelor de c
easornic.
3.3 Sisteme dinamice complexe

Lăsăm 0o să desemnăm unghiul polar al lui zq . Vezi Figura 3.5. Raza lui zq este pur și simpl
u valoarea sa absolută ro = \zq |. Cele două numere ro și 0q specificați complet zq .
Acum, cum calculăm ^/zq ? Cele două rădăcini pătrate sunt date în termeni de reprez
entare polară (ro, do) de zo . Noua rază polară este pur și simplu yfro (unde alegem rădăcina
pătrată pozitivă) iar cele două unghiuri noi sunt 6 q / 2 și 7 r + 6 q / 2 .
De exemplu, dacă zo = i , atunci ro = 1, do = n / 2 . Astfel \ / i are reprezentarea polară fie
ro = 1 , do = f fie ro = 1 , do = f + n .
Pentru a calcula orbita înapoi a lui zq , luăm pur și simplu rădăcini pătrate succesive. Î
n fiecare etapă suntem liberi să alegem unul dintre cele două unghiuri polare. Prin urma
re, există o mulțime de orbite inverse posibile ale zq (atâta timp cât zq 0). Faptul uimitor est
e că oricare dintre ele converge către mulțimea Julia a lui F \ Adică dacă trasăm rădăcini
pătrate succesive ale lui zq ^ 0 , omițând primele câteva puncte de-a lungul orbitei înapoi,
producem setul de orbite instabile care, în acest caz, este doar cercul unitar 1 .
Mulțimea Julia pentru orice funcție de forma F ( z ) = z 2 + c poate fi obținută exact în a
celași mod. Algoritmul afișat JuliaIIM() oferă un program de bază simplu pentru a repreze
nta setul Julia de z 2 + c pentru diferite c-valori. Rețineți că acesta poate fi interpretat ca
un exemplu de sistem de funcții iterate (IFS) cu {u>n,pn : »= 1 , 2 } unde w\ = +\Jz — c și W 2 =
— s j z — c și pi = p 2 = 0,5 (vezi capitolul 5). Aici observăm că c poate fi complex și că fer
eastra din plan este dată de |i| < 2, |y| < 2. Observați în mod fascinant
Remarcăm că dinamica lui j h r pe cercul unitar este haotică, adică există orbite dens
1 2

e, punctele periodice respingătoare umplu dens cercul și dinamica se amestecă.

Capitolul 3: Modele fractale diferite forme pe care le asumă aceste seturi de Julia! Cititorul ar trebui să
compare seturile Julia pentru c = — 1 , c = —2 , c = 0 , c = 0,2 + 0,3 i , c = i , dintre care unele sunt
reprezentate în Figura 3.6 de mai jos.
3.3.3 Julia stabilește ca limite de bazin

Există o altă metodă care este folosită în mod obișnuit pentru a reprezenta seturi Julia d
e polinoame cum ar fi F ( z ) = z 2 + c (vezi Metoda de scanare a limitelor BSM și variantel
e sale în Capitolul 4). Această metodă prezintă toate punctele care sub itera ția lui F nu
scapă la oo. Este un fapt că granița sau frontiera acestui set de puncte care nu scapă est
e tocmai mulțimea Julia.
Am reprezentat grafic câteva dintre aceste regiuni în Figura 3.7. Aceste diagrame au f
ost obținute după cum urmează: fiecare punct dintr-o grilă de 1024 x 1024 definită de |
x|, |j/| < 2 a fost repetat de până la 30 de ori. Dacă |x|, \ y \ < 2 și \ F n ( x + i y ) | > 3 pentr
u unele n, atunci se poate dovedi că un astfel de punct are o orbită care tinde spre oo. P
rin urmare, un astfel de punct nu se află în setul Julia. Am colorat astfel de puncte în alb.
Pe de altă parte, punctele ale căror primele 30 de iterații rămân în cercul cu raza 3 sunt
colorate în negru. Se poate dovedi că punctele ale căror orbite rămân în interiorul acest
ui cerc pentru t o a t e iterațiile se află în așa-numita mulțime Julia completată, adică în m
ulțimea a cărei graniță este tocmai mulțimea Julia.
Ca o remarcă, observăm că setul completat de Julia durează mult, mult mai mult
3.3 Sisteme dinamice complexe de calculat decât mulțimea simplă Julia de z 2 + c așa
cum este descris în ultima secțiune. Cumva, însă, aceste imagini sunt mai atrăgătoare! P
oate că este timpul necesar pentru a calcula sau poate proporția dintre negru și alb car
e rezultă pe ecran, dar, indiferent de motiv, seturile Julia completate fac imagini mult ma
i interesante. Cu toate acestea, matematic vorbind, algoritmul anterior oferă exact setul
de puncte care cuprind regiunea haotică.
Figura 3.7 arată rezultatul aplicării acestui algoritm pentru a descrie mulțimile Julia a
le diferitelor funcții pătratice.

3.3.4 Alte seturi Julia

Următoarele două secțiuni ale acestei lucrări sunt semnificativ mai matematice decât se
cțiunile anterioare. Ele reprezintă unele dintre progresele recente în domeniul dinamicii
analitice complexe. Cititorul care nu este înclinat din punct de vedere matematic poate
alege să sări peste multe dintre detaliile tehnice; totuși, algoritmii care generează seturil
e Julia ale acestor hărți sunt la fel de accesibili ca și cei din secțiunile anterioare.
Orice funcție analitică complexă are o mulțime Julia. Ca și în familia pătratică, seturil
e Julia de alte funcții complexe sunt adesea fractali. Pe lângă polinoame, clasele de hăr ț
i studiate cel mai des sunt hărți raționale (adică, coeficiente a două polinoame) și func ț
ii transcendentale întregi (adică funcții fără singularități în plan finit și care nu sunt poli
noame). În această secțiune vom descrie o metodă de calcul a mulțimilor Julia din acea
stă din urmă clasă.
În primul rând, tot ceea ce spunem va fi adevărat pentru clasa de funcții transcenden
tale întregi care sunt de tip finit, adică pentru hărți cu doar un număr finit de valori critice
și valori asimptotice. Un punct q este un dacă = F { p ) unde
3.3 Sisteme dinamice complexe

F ! ( p ) = 0. Un punct q este o valoare asimptotică dacă există o curbă a ( t ) care satisface lim
a ( t ) = oo și lim F ( a ( t ) ) = q .

Un exemplu tipic de valoare asimptotică este valoarea omisă 0 pentru func ția exponen ți
ală complexă.
Deoarece e z nu are valori critice și doar o valoare asimptotică, această hartă este de
tip finit. De asemenea, hărțile sin z cos z au infinit de puncte critice dar doar două valori
critice, valorile maxime și minime ale sin x și cos x ca funcții pe dreapta reală.

În această secțiune ne vom ocupa numai de \ e z , X sin z și X cos z . Motivul principa

l pentru aceasta este că aceste exemple sunt tipice pentru hărțile de tip finit, iar grafica
computerizată asociată cu aceste hărți este destul de spectaculoasă.
Un motiv pentru importanța acestor hărți este că setul Julia are o caracterizare alter
nativă care îl face destul de ușor de calculat. Pentru hărți precum Xe 2 , X sin z și X cos
z , mulțimea Julia este, de asemenea, închiderea mulțimii de puncte ale căror orbite tind
spre infinit. Rețineți că aceasta este destul de diferită de definiția mulțimii Julia pentru
polinoame (vezi capitolul 4). În acest din urmă caz, mulțimea Julia a format granița setul
96
 97

ui de orbite care evadează. În întregul caz, punctele ale căror orbite scapă se află de fapt
în setul Julia.
Cititorul poate protesta că nu este nimic aparent haotic în legătură cu o orbită care ti
nde spre oo. Cu toate acestea, în întregul caz, oo este o singularitate esențială, care est
e principalul factor care distinge aceste hărți de polinoame. Prin Teorema Marelui Picar
d, orice vecinătate mică de oo este mânjită la infinit de des pe întregul plan și acest lucr
u sugerează că orbitele care tind să oo suferă destul de multă întindere. De asemenea, s
etul Julia este închiderea setului de orbite care evadează. Adică, setul Julia conține nu nu
mai punctele de evacuare, ci și orice punct limită al unei secvențe de astfel de puncte. P
rintre aceste puncte limită sunt incluse toate cele puncte periodice respingătoare, astfe
2

l încât setul Julia nu este în niciun caz compus doar din puncte de evadare.
Astfel, pentru a produce imagini grafice pe computer ale seturii Julia de funcții întreg
i precum e sau sin z , trebuie doar să căutăm puncte ale căror orbite se îndepărtează de
2

origine. În general, orbitele tind să oo în direcții specifice. De exemplu, pentru Xe 2 , orbi

te
2
Pentru o definiție a se vedea secțiunea 4.2.
Capitolul 3: Modelele fractale care scapă tind să facă acest lucru cu o parte reală din ce în ce
mai mare. Adică dacă E\( z) = \e z și lim |Ej(*)| = oo apoi lim Re = oo n —kx>

Pentru S \ ( z ) = X sin z , situația este destul de diferită. Dacă lim S \ ( z ) = oo n—*oo A

apoi lim lim (Sa(z))| = oo.

Deci orbitele tind să oo pentru E \ în direcția axei reale pozitive, în timp ce pentru S \ tin
d să oo de-a lungul axei imaginare pozitive sau negative.
Aceste fapte ne permit să folosim un test simplu pentru a calcula seturile Julia ale ac
estor hărți. Pentru E \ , pur și simplu testăm dacă o orbită conține vreodată un punct cu
o parte reală mai mare de 50 (deoarece e este destul de mare). Un test similar funcțion
50

ează folosind valoarea absolută a părții imaginare pentru sin z . Toate imaginile multimil
or Julia de \ e z si \ sin z au fost generate folosind acest algoritm, cu exceptia Fig. 3.8, car
e foloseste o modificare.
Pentru a fi mai specific, să schițăm algoritmul care produce setul Julia de sin z , așa c
um este prezentat în Figura 3.10. Dacă scriem z = x + i y și sin z = x i + i y \ , atunci x \ =
sin x cosh y y \ = cos x sinh y .
Aceasta ne oferă formula pentru a calcula corpul principal al buclei din program. Dacă \ y
\ | > 50 în orice etapă din , apoi „pretindem” că punctul original a scăpat la oo și îl colorăm în alb. Pe
de altă parte, dacă punctul original nu scapă niciodată, îl colorăm în negru. Aceste puncte nu se află în
setul Julia. Am folosit 25 de iterații pentru a desena setul de Julia din figurile 3.10.
Imaginile grafice pe computer ale funcțiilor transcendentale precum sin z și exp z su
nt destul de atractive atunci când se utilizează culoarea. În acest caz, cel mai bine este s
ă colorați complementul setului Julia în negru și să colorați setul Julia în sine cu culori c
are depind de rata de evadare la oo. În grafica prezentată în plăcile de culoare, ro șul a f
ost folosit pentru a desemna punctele care scapă cel mai repede. Nuanțele de portocali
u, galben și verde au fost folosite pentru a colora punctele care au scăpat mai puțin rep
ede. Și nuanțele de albastru și violet au fost folosite pentru punctele care au scăpat, dar
numai după un număr semnificativ de iterații. Aceste imagini au fost calculate la o rezol
uție de 1000 x 800.
3.3 Sisteme dinamice complexe
3.3.5 Seturile explozive Julia

Grafica computerizată care însoțește studiul funcțiilor întregi dezvăluie imagini de o fru
musețe incredibilă, precum și niște matematici foarte uluitoare. De exemplu, grafica pe
computer dezvăluie că seturile Julia ale acestor hărți pot exploda literalmente. Se consi
deră familia E \ ( z ) = \ e z unde X e R. Figura 3.8 prezintă mulţimea Julia de j e z . Observa
ți regiunea mare neagră. Ca și în exemplele noastre anterioare, punctele negre corespu
nd punctelor cu orbite stabile. În acest caz, se poate arăta că toate punctele negre au or
bite care tind spre un punct fix la 1. Pe de altă parte, în Figura 3.9 am trasat setul Julia d
e \e z c â n d X = ^ + 0.1. Observați schimbarea dramatică a caracterului regiunii negre! De
fapt, se poate dovedi că mulțimea Julia a lui E \ când X > i este întregul plan complex, în
timp ce, când 0 < X < i, mulțimea Julia omite întregul semiplan Re z < 1.
Un fenomen similar are loc în familia sinusului S \ ( z ) = X sin z când X = 1 + si. Figura
3.10a afișează mulțimea Julia a sin z , adică atunci când e = 0. Figura 3.10b și 3.10c arat
ă cazul când e > 0. Se poate dovedi că există o curbă a valorilor parametrilor care se apr
opie de e = 0 în direcția axei imaginare pe care mulțimea Julia a lui S\ este întregul plan.
Că această curbă este linia dreaptă X = 1 + si este puțin probabil, dar cel puțin se înțele
ge explozia în acest caz.
Seturile Julia de ambele E\ și S\ sunt fractali, cel puțin înainte de explozii. Cu toate ac
estea, aceste mulțimi fractale au dimensiunea Hausdorff 2. Cu toate acestea, ele nu con
țin seturi deschise, ci mai degrabă sunt modele complicate numite buchete Cantor (în g
eneral, produsul încrucișat al unui set Cantor și al unei curbe). Observați diferen ța apar
entă dintre buchetele Cantor pentru E\ din Figura 3.8 și cele ale S\ din Figura 3.10 . Setul
Julia de E\ seamănă cu o colecție de curbe, în timp ce setul Julia pentru S\ nu. Motivul pe
ntru aceasta este un rezultat recent destul de remarcabil al lui Curt McMullen, care afir
mă că măsura Lebesgue a setului Julia a lui E\ este zero, în timp ce pentru S\ este pozitivă
și destul de mare. Pentru citiri suplimentare despre aceste experimente, trimitem cititor
ul la [26],
Să încercăm să explicăm de ce apar aceste schimbări dramatice în structura seturilor
Julia. După cum am discutat în secțiunea anterioară, seturile Julia ale acestor hăr ți repr
ezintă închiderea setului de puncte ale căror orbite scapă la infinit. Apariția bruscă a ev
adării tuturor valorilor singulare ale hărții este cea care provoacă explozia.
Pentru a fi mai precis, o valoare singulară este fie o valoare critică, fie o valoare asimptotică.
Pentru \ e z , există o singură valoare asimptotică, valoarea omisă 0, în timp ce X sin z și
X cos z au două valori critice și nicio valoare asimptotică. Graficul

98
 99

3.3 Sistemele dinamice complexe ale lui \e z sunt prezentate în cele două cazuri A < 7 și A > 7 în Figu
ra 3.11 . Rețineți că atunci când A < 7, orbita lui 0 nu scapă la 00 , ci mai degrabă este at
rasă de punctul fix care atrage la q. (Acesta este un fapt general în dinamica complexă: d
acă există o orbită periodică atrăgătoare pentru hartă, atunci această orbită trebuie să at
ragă cel puțin un
Capitolul 3: Modele fractale ale valorilor singulare 3 .) Când \ > cele două puncte fixe pentru \e z dis
par de pe linia reală și 0 ) —► oo.
Vezi, de exemplu, discuția din Secțiunea 4.2.2.
3

3.3 Sisteme dinamice complexe

Fig. 3.11: Graficele lui S\( z) = \e' unde X < 1 şi X > 7 .

Faptul că evadarea tuturor valorilor singulare implică faptul că mulțimea Julia explod
ează este o teoremă recentă a lui D. Sullivan și a fost extinsă la întregul caz de L. Goldberg și L.
Keen. Ceea ce spune de fapt teorema lui Sullivan este că, dacă există vreo componentă a
complementului mulțimii Julia, atunci trebuie să aibă asociată cu ea cel puțin o valoare singulară. A
stfel, dacă toate valorile singulare tind la 00 (și astfel sunt în setul Julia), nu poate exista n
iciun comportament stabil.
Un cuvânt despre bifurcația care are loc pentru \e z la X = La această valoare
C

cele două puncte fixe q și p se unesc într-un punct fix neutru. Aceasta se numește
bifurcarea nodului șei . Când X > i, se pare că aceste puncte fixe dispar. Cu toate acestea, aces
te puncte fixe au devenit complexe. Într-adevăr, ele formează punctele centrale ale spira
lei principale din Figura 3.9. Motivul pentru care vedem pete negre în această imagine e
ste că aceste puncte fixe sunt foarte slab respingătoare - este nevoie de mult timp pentr
u ca orbitele din apropiere să se îndepărteze. Deoarece algoritmul nostru a calculat doa
r primele 25 de puncte de-a lungul unei orbite, anumite orbite din apropiere nu scăpase
ră încă. Dacă cineva ar rula același program cu 50 sau 100 sau 200 de itera ții, s-ar obse
rva o micșorare treptată a regiunii negre. Pe de altă parte, nicio cantitate mai mare de ite
rații nu ar schimba Fig. 3.8 sau 3.10.
Există și alte exemple de explozii similare în dinamica funcțiilor complexe. De exemp
lu, funcția t'X cos z experimentează o explozie similară a nodului de șa pe măsură ce X c
rește până la 0,67.

3.3.6 Intermitență

Există multe, multe fenomene fascinante care apar în dinamica unor funcții întregi. Vă pr
ezentăm aici un alt eveniment tipic, intermitența. Amintiți-vă
Capitolul 3: Modele fractale care în ultima secțiune am întrebat ce se întâmplă dacă toate valorile
singulare pentru hartă au scăpat. Răspunsul a fost o explozie. Aici punem întrebarea afer
entă ce se întâmplă dacă valorile singulare pleacă departe, dar apoi revin.

Situația tipică apare atunci când avem un grafic ca în Figura 3.12. Aici funcția Pq are
un punct fix de nod șa la Rețineți că orbita lui p descrisă la început scapă, dar apoi revin
e să fie atrasă de q. Acesta este un exemplu de orbită homoclinică. Dacă perturbăm această ha
rtă pentru
P- e (x) = P - B

apoi producem în mod clar două noi puncte fixe, unul care atrage și unul care respinge.
Pe de altă parte, pentru P B (x) = Po(x) + e nu există puncte fixe pe dreapta reală. Ca și în ulti
ma secțiune, pe măsură ce e crește prin 0, familia P £ suferă o bifurcare a nodului șa. Vezi
Figura 3.13.
Există o diferență între această bifurcare și bifurcarea nodului șa pentru \e z descrisă î
n secțiunea anterioară. În acest caz, punctul critic a cărui orbită tindea spre punctul fix
de atragere când e < 0, acum scapă departe, dar apoi revine. Asociat cu acest fenomen
este o bogăție de comportament dinamic care abia începe să fie înțeles.
Să încercăm acum să alegem diferite valori e > 0 pentru a ilustra diferitele tipuri de o
rbite care pot apărea. Figura 3.14a arată că, pentru anumite e-valori, punctul critic însuș
i poate fi periodic. Dacă acesta este cazul, se știe că această orbită trebuie să fie atrăgăt
oare. În imaginile de pe computer, o astfel de valoare e ar duce la un ciclu de regiuni ne
gre mapate una la alta. Figura 3.14b arată că vom putea găsi e-valori mult mai mici, astfe
l încât valoarea critică să fie periodică cu perioadă mult mai mare. Dar trebuie să existe ș
i alte tipuri de comportament. Pentru
3.3 Exemplu de sisteme dinamice complexe , Figura 3.14c arată că valoarea critică poate reveni în a
propiere, dar nu aterizează pe ea însăși. În acest caz, orbita critică ar putea circula aperi
odic. În cele din urmă, Figura 3.14d arată că punctul critic ar putea de fapt să meargă de
parte și să nu se mai întoarcă niciodată.
Acest fenomen se numește intermitență. Cheia înțelegerii acesteia constă în mul țim
ea Mandelbrot, deoarece se știe că în orice interval de forma (0, eo), parametrul e trece p
rin infinit de mulțimi asemănătoare lui Mandelbrot. În fiecare pasaj, dinamica lui P e sufer
ă (local) toate modificările asociate cu dinamica pătratică descrisă în Sec țiunile 3.3.2-3.
3.3 (și Capitolul 4).
Plăcile de culoare asociate cu aceasta descriu acest eveniment pentru familia C\(z) = \
cos z când \ scade de la tt la 2,92. Graficele lui C\ sunt reprezentate în Figura 3.15. Observa
ți asemănarea cu Figurile. 3.12 și 3.13 . În figurile colorate ne amintim că regiunile negre
reprezintă puncte care nu sunt din setul Julia, în timp ce punctele colorate reprezintă pu
ncte a căror orbită scapă. Punctele roșii sunt cele ale căror orbite scapă cel mai repede,
urmate în ordine de nuanțe de portocaliu, galben, verde, albastru și violet. Un total de 3
5 de iterații au fost folosite pentru a crea aceste imagini, astfel încât o orbită a cărei parte imaginară
a rămas între ±50 pentru toate cele 35 de iterații a fost colorată în negru. Fiecare imagine reprezintă o
grilă de 1000 x 800 în planul complex centrat pe —n (laturile acestor dreptunghiuri variază). Reț
ineți că — este valoarea critică și punctul fix de atragere pentru C w . Marea regiune ovală neagră
din planșa 17 este bazinul de atracție pentru —ir. Regiunile negre satelit reprezintă prei
magini ale acestei baze
Pe măsură ce \ scade la aproximativ 2,97, rămâne un punct fix atrăgător pentru C\. La
2.97 apare nodul-șa; bazinul pentru acest neutru fix
Capitolul 3: Modele fractale
3.3 Punctul sistemelor dinamice complexe este reprezentat în Planșa 18 . Observați asemănar
ea dintre acest bazin și cel al lui zz 2 + 0,25 prezentat în Figura 3.7.

Pe măsură ce \ scade până la 2,97, setul Julia se schimbă dramatic. Vezi planșele 19
și 20 . Observați prezența regiunilor negre ale căror locații s-au schimbat ușor pe măsu
ră ce parametrul scade. De fapt, se întâmplă mult mai multe în aceste regiuni negre decâ

100
 101

t ceea ce apare în aceste plăci. Celelalte patru plăci arată măriri ale unora dintre aceste
regiuni pentru valori mai mici ale parametrilor. Rețineți că bulele negre originale au de f
apt structuri în interior care amintesc de bifurcațiile originale (Plăcile 19 și 20). Acest lu
cru, desigur, este caracteristic comportamentului fractal.
Toată această secvență de bifurcații a fost pusă pe casetă video prin calculul unei selec
ții continue de valori X între ir și 2,92. Filmul rezultat, „Exploding Bubbles”, ilustrează modul în
care aceste regiuni negre se mișcă și se schimbă pe măsură ce parametrul este variat. Copii ale acestui
și ale altor filme cu bifurcații complexe sunt disponibile de la autor.

capitolul 4

Fantastici fractali determiniști

Heinz-Otto Peitgen

4.1 Introducere

Scopul acestui capitol, care este o continuare a Secțiunii 3.3, e

ste de a demonstra modul în care experimentele autentice de c
ercetare matematică deschid o ușă către un nou rezervor apare
nt inepuizabil de forme și imagini fantastice . Atractia lor estetică
provine din structuri care, în același timp, sunt dincolo de imaginație și
totuși arată extrem de realiste. Fiind rezultatul unor procese matematice
bine definite și în mare parte foarte simple — care depind de câțiva
parametri — animațiile de evoluție sau metamorfoză ale formelor f
antastice sunt ușor de obținut.
Experimentele pe care le prezentăm aici fac parte dintr-un in
teres mondial pentru sistemele dinamice complexe. Ei se confruntă cu
haosul și ordinea și cu competiția și coexistența lor. Ele arată tr
ecerea de la unul la altul și cât de complexă este regiunea de tr
anziție în general.
Procesele alese aici provin din diverse probleme fizice sau m
atematice. Toate au în comun competiția mai multor centre pen
tru dominarea avionului. O singură graniță între teritorii este rar
eori rezultatul acestui concurs. De obicei, rezultă o încurcătură
nesfârșită și o negociere neîntreruptă chiar și pentru cele mai m
ici zone.
Imaginile noastre reprezintă procese, care sunt, desigur, idea
lizări simplificate ale realității. Ei exagerează anumite aspecte p
entru a le clarifica. De exemplu, nicio structură reală nu poate fi
 mărită în mod repetat de un număr infinit de ori și să arate în co
ntinuare la fel. Principiul auto-asemănării (vezi 1.1.2 și 1.1.4)
169
Capitolul 4: Fractalii determiniști se realizează totuși aproximativ în natură: în liniile de coastă ș
i albiile râurilor, în formațiunile de nori și fulgi de zăpadă, în fluxul turbulent de lichide și
organizarea ierarhică a sistemelor vii. Benoit B. Mandelbrot a fost cel care ne-a deschis ochii
asupra „geometriei fractale a naturii”.
În primul paragraf discutăm cel mai important exemplu de m
odel, adică procesul de feedback dat de z !-► z 2 + c în plan com
plex. O atenție deosebită este acordată unei discuții de fundal
și grafice

• Julia setează, iar

• set Mandelbrot.
Credem că o anumită înțelegere a fundalului matematic va permite
cititorului să vadă unii dintre cei mai populari algoritmi precum
„Mandelzoom” din [27,28] într-o nouă perspectivă care oferă cu ușur
ință o bază pentru a merge mai departe și dincolo și pentru a d
ezvolta propriile idei și extinderi/îmbunătățiri. În plus, această a
bordare pare a fi cea mai eficientă modalitate de a discuta și pr
ezenta diverși algoritmi. Din păcate, o prezentare matematică a
unui algoritm lasă multe detalii implementării efective și necesit
ă o bună familiarizare cu parametrii acestuia. Acolo unde este c
azul, vom oferi câteva indicii către o implementare concretă, de
obicei în note de subsol. Al doilea paragraf va discuta pe scurt g
eneralizări și extensii precum

• mapări raţionale ale planului complex;

• mapări ale spațiului euclidian real, în special harta lui Newton.
Al treilea paragraf colectează unele informații despre anumite p
robleme din punct de vedere al realizărilor grafice, de exemplu î
ntrebări de animație.

4.2 Familia pătratică

Acest paragraf este dedicat în întregime unei discuții asupra dif

eritelor aspecte fractale implicate în maparea fc : C -*C,/ c ( 2 ) = ji + 2

c, ceC.

(C denotă câmpul de numere complexe.) Dinamica lui f c este o f

ântână enorm de bogată de structuri fractale. Uneori va fi util să
ne gândim la proiectarea planului complex pe o sferă cu două sf
ere S2 , astfel încât fiecare punct Z de pe sferă să corespundă un
ui singur punct n(Z) din plan, cu excepția polului nord , pe care îl
interpretăm drept punctul „la infinit”.
4.2 Familia pătratică

102
 103

În acest sens, privim la S 2 ca CU{oo}. Acțiunea lui f c asupra C se traduce printr-o acți
une asupra S 2 , adică pe orbite z GC :«h f c ( z ) (-*• /c(/ c (z)) i->...
corespunde cu
2
Zes :Z^Uz) ~ UUZ)) ^
orbitează pe S 2 , unde f c ( Z ) = i r - \ f c ( i v ( Z ) ) .
Pentru a discuta comportamentul lui f c lângă oo se invocă de obicei o altă transformare,
reflexia r ( z ) = j la cercul unitar, care schimbă 0 cu oo; adică cineva se uită la
F c ( z ) = r(/ c (r( 2 ))) = ro f c sau r ( z ) (4,1)
lângă 0 pentru a înțelege f c lângă oo. Se calculează asta
Acum F c { 0) = 0 pentru toate c EC și, în plus, F f c { 0) = 0. Asta înseamnă că 0 este un p
unct atrăgător pentru F c , sau, în mod echivalent, oo este un punct fix atractiv lr . norma u
fix

nui număr complex z este definită ca \z\ = y/Re(z) 2 + Im( 2 ) 2 , unde R e(z) și Im(^) denotă părțil
e reale și imaginare ale lui z. Fie R o mapare pe C și R(z) = z. Atunci z este un punct fix și
• z atrage , cu condiția \R!(z ) | < 1
• z este respingător , cu condiția \R'(z) | > 1
• z este indiferent , cu condiția R!(z) = exp (2 iria) .

În acest din urmă caz a poate fi rațional sau irațional și, în consecință , z este numit rațional sa
u irațional indiferent. Dacă R k (z) = R(R k ~ l (z)) = z și R J (z) ^ z pentru 1 < j < k, numim z un punct al
perioadei k și mulțimea (z, R{ z ),..., R k ~ l ( z )} se numește k-ciclu , care poate fi atrăgător, respingă
tor sau indiferent, în funcție de |( ^:) |.
Capitolul 4: Fractali determiniști pentru f . Desigur, atragerea înseamnă că punctele zq aproape d
c

e oo va genera orbite
20 ► Z \ ► Z 2 l-» 2 3 . . .

z
k+i = f c ( z k ) , k = 0,1,..., care se apropie de oo. Colectând toate astfel de puncte se ob țin
e bazinul de atracție al oo:

A c (oo) = {20 € C : f c ( z o ) — > 00 ca k - * 00 }, (4,3)

unde / c fc ( z q ) = f c ( f c ~ l
( z o ) ) = zfc. Desigur, A c ( 00 ) depinde de unul. Figura
4.2 ilustrează situația.
Fig, 4.2: Bazinul de atracție de 00 în negru.

(Cititorii care se simt incomod cu 00 pot, desigur, să lucreze cu F c și să discute despr

e punctul 0.) A c ( 00 ) are o limită naturală, adică întotdeauna există puncte 20 , care gener
ează orbite care nu se apropie de 00 , deci rămân mărginite. Acest lucru se vede imediat,
deoarece, de exemplu, f c are întotdeauna două puncte fixe (adică soluțiile lui z 2 + c =
2). Granița lui A c ( 00 ) se notează cu dA c ( 00 ) și se numește mulțimea Julia 2 a f c . De asemene
a, folosim simbolul J c = dA c ( 00 ). Acesta este obiectul central de interes în teoria iterațiil
or pe plan complex. Împreună cu A c ( 00 ) și J c merge la un al treilea obiect (uneori numit
setul Julia completat ) :

K = C \A C ( 00 ) = |zo 6 C : /* (20) rămâne mărginit pentru tot k |

c (4,4)
În mod evident, avem că dK c = J c = dA c ( 00 ), (4,5)
2
Gaston Julia (1893 - 1978) a fost un matematician francez, care împreună cu Pierre
Fatou (1878-1929) a pus bazele frumoasei teorii care discută itera țiile mapărilor ra țion
ale în plan complex.
4.2 Familia pătratică adică J c separă competiția dintre orbitele atrase de oo și orbitele care
rămân mărginite ca k —» oo. Există două cazuri de c pentru care J c este foarte simplu:

c=0 : J c = {z : |z| = 1} „cerc unitar”

c = —2 : J c = {z : — 2 < R e { z ) < + 2 , I m ( z ) =0} „interval”
(În timp ce cazul pentru c = 0 este imediat, cazul pentru c = —2 nu este atât de evident; vezi [83]).
Pentru toate celelalte valori ale lui c, mulțimea Julia J c este o mulțime uimitor de complicată, î
ntr-adevăr un fractal. Mai mult, Jc - urile se schimbă dramatic pe măsură ce c se schimbă. Fig
ura 4.3 prezintă o colecție de 8 Jc diferite pentru 8 opțiuni de c. În general, nu este deloc e
vident cum să se obțină o imagine rezonabilă a lui J c , deși există un algoritm imediat (II
M - Inverse Iteration Method) obținut din următoarea caracterizare datorită lui Julia și F
atou: Pentru orice c ecuația f c { z) = z are două soluții finite uo J oo ^ vo - puncte fixe. Da
că c ^ \ atunci unul dintre ele este un punct fix respingător spune uo. ,

Apoi unul are

J c = închidere {2 : /*( z ) = uo pentru un număr întreg . ( 4.6 )

Rețineți că, în general, f k ( z) = uo are 2 k soluții, adică numărul total de preimagini repetat
e ale lui uo obținut prin rezolvarea recursivă a ecuației z 2 + c = o este n ( J f e ) = 2 k + 1 - 1 , *
= 0,1,...
(începând cu o = uo dând ui și U 2 , apoi a = ui, a = U 2 dând U 3 , U 4 , us, U 6 etc. , vezi Capito
lul 3 pentru rezolvarea ecuațiilor în C ). Recursiunea este frumos reprezentată într-un ar
bore.
Figura 4.4a prezintă o etichetare a nodurilor n( k) , reprezentând soluții în recursivitate,
care este indusă în mod natural. Notația „închidere” din Ecn. (4.6) înseamnă că fiecare punct din J c po
ate fi obținut ca limită a unei secvențe compuse din puncte din preimaginile iterate. Lăs
a
Jc,k = {«0 , ui , • • • • , U„(jfc)_l }
fie colecția tuturor preimagini repetate până la nivelul k începând cu uo. Apoi, un alt mo
d de a exprima Eqn. (4.6) înseamnă că pentru k suficient de mari J c ,k și J c vor fi indistins
e, adică preimaginile repetate sunt dense în J c . De fapt, o afirmație mai generală este ad
evărată: dacă zo este orice punct din J c , atunci
J c = închidere : f k ( z) = zo pentru un întreg k j . (4,7)
3
Dacă c = 1/4 , atunci ambele puncte fixe nu sunt nici respingătoare, nici atrăgătoare.
De fapt (vezi secțiunea privind clasificarea Sullivan) în acest caz uo = vo și ambele sunt
104
 105

puncte fixe parabolice adică/'(uo) = e 2 ™* cu un rațional (aici a = 0), și se știe că punctele fix
e parabolice sunt în platoul Julia.
Capitolul 4: Fractali determiniști
De asemenea, există și caracterizarea
J c = închidere {toate punctele periodice respingătoare ale f c } , (4.8)
care oferă, de exemplu, multe opțiuni pentru o „sămânță” zq în J c .
IIM - Algoritmii profită de (4.6) sau (4.7) și funcționează frumos pentru un număr de Jc .
Deși J c k va aproxima J c, există cazuri în care preimaginile repetate umplu J c „infinit încet”.
Motivul este că preimaginile repetate în multe cazuri nu acoperă uniform Jc , adică „lovin” anumite părți ale Jc
foarte frecvent, în timp ce alte părți ale Jc sunt „lovite” extrem de rar. Figura 4.5 prezintă o mulțime

Julia și histograma distribuției densității (bare albe verticale) a IIM în dreapta sus. Iată câteva dintre
valorile dificile :
+0,27334 + 0,00342 i, -0,48176 -0,53165i.
Capitolul 4: Fractali determiniști

Acesta este motivul pentru care sunt necesare variații ale IIM (a se vedea MIIM) sau metode total
diferite - cum ar fi BSM (=Metoda de scanare a limitelor) -.
Algoritmul BSM este chiar mai elementar decât IIM. Folosește definiția lui K c , Eqn. (4.
4) și A c ( oo), Ecn. (4.3), într-un mod direct.
Algoritmii IIM și BSM sunt algoritmii de bază pentru mulțimile Julia, care se generaliz
ează cu ușurință la alte sisteme dinamice.
4.2 Familia pătratică
4.2.1 Mulțimea Mandelbrot

Setul Mandelbrot — descoperit de BB Mandelbrot în 1980 [67] — este următorul nostru obiect. Este
considerat a fi cel mai complex obiect pe care matematica l-a „văzut vreodată”. Este un fractal destul
de ciudat prin faptul că combină aspectele auto-asemănării cu proprietățile schimbării infinite. Ulter
ior vom discuta despre modul în care mulțimea Mandelbrot poate fi considerată ca man
ifestare picturală a ordinii în varietatea infinită de mulțimi Julia (pentru fiecare c există o
mulțime Julia completată K c ) - Cheia înțelegerii mulțimii Mandelbrot este mai degrabă urm
ătoarea clasificare brută: fiecare completat în setul Julia K c este 4

• fie conectat (o bucată)

• sau un set Cantor (praf de la infinit de puncte)
Vom da o explicație pentru (4.9), care va introduce un alt algoritm pentru Kc s. Dar înain
te de a discuta această clasificare, suntem acum în poziția de a defini mulțimea Mandel
brot M:

M = {c 6 C : K c este conectat}
4
Figura 4.3a,b,c,e,g sunt mulțimi Julia conexe. O mulțime este conectată dacă nu este c
onținută în unirea a două mulțimi disjunse și deschise. Figura 4.3d,f,h sunt mulțimi Can
tor. O mulțime Cantor este în corespondență unu-la-unu cu mulțimea tuturor punctelor
din intervalul [ 0 , 1 ], care au o expansiune triadică (adică expansiuni față de baza 3) în car
e cifra unu nu apare.
4.2 Familia pătratică
-1 0 Mandelbrot așezat în negru înconjurat de curbe echipotențiale.

Cum se obține poze cu M ? Cu alte cuvinte, cum se distinge K c fiind conectat de a fi

un set Cantor într-un computer? Ce este un indicator calculabil pentru alternativa (4.1
0)? Vom vedea că pe măsură ce explicăm de ce alternativa (4.10) este de fapt completă,
vom descoperi și indicatorul dorit.
Capitolul 4: Fractali determiniști

4.2.2 Vânătoarea de K c în plan – rolul punctelor critice

Să presupunem că c este fix și să presupunem că trebuie să localizăm K c . Următoarea id
ee poate fi văzută ca o rafinare a BSM. La început, tot ce știm este că K c acoperă o bucat
ă finită a planului z. Astfel, dacă alegem un disc foarte mare centrat la originea razei R și l
a limita Sr putem fi siguri că K c este în interior.
Vom proceda acum recursiv: Pentru k - 1,2,... calculăm preimaginea lui Sk -i sub f , a c

dică cu So = Sr

S k = {z: Mz) eS k - i} (4.11)

Aceasta înseamnă rezolvarea ecuațiilor z 2 + c = l • Să investigăm Sk -urile. Pretindem că Si este
o curbă închisă care poate fi considerată ca un cerc deformat (vezi Figura 4.7) . Acest lu
cru este cu siguranță adevărat dacă R este foarte mare, deoarece aproape de z = oo (vezi
Ecn. (4.2) ) f acționează ca fo(z) = z 2 , ușor perturbat de c. De cand
c

4.2 Familia pătratică preimaginea lui Sr sub /o este un cerc concentric cu raza y/R putem co
ncluziona că Si este într-adevăr o curbă asemănătoare unui cerc. În continuare, discută
m despre Sk , k > 1. Următoarea este o tautologie:
• fie toate Sk sunt asemănătoare unui cerc
• sau, există k* > 1 , astfel încât Sk sunt asemănătoare unui cerc pentru (4. 12 ) 0 < k < k* și n
u sunt ca un cerc pentru k > k*.
Secvența imbricată de Sjt asemănătoare unui cerc în primul caz aproximează K c din ce în ce mai bin
e ca k —► oo și, prin urmare, K c trebuie să fie conectat. Ce se poate spune despre al doilea
106
 107

caz? Rețineți că, de obicei, orice b E Sk -1 are două preimagini oi și 02 sub f c . Observația c
rucială este că pentru preimaginile constituite din ai și 02 sunt posibile doar următoarele
trei cazuri:
Fie, când b se întoarce o dată pe Sk- 1 , 01 mătură o curbă de semicerc (1) și 02 o mătură pe cea
laltă, fie mătură două curbe diferite (3), fie 01 mătură frunza superioară și 02 mătură frunza inf
erioară a figurii opt din (2). De ce cele două curbe asemănătoare unui cerc obținute ca ai
și 02 se mișcă trebuie să fie identice, separate sau să coincidă în exact un punct? Răspun
sul conduce la miezul problemei: Să presupunem, de exemplu, că 01 și 02 mătură curbele
care se intersectează în două puncte w\ și W 2 (vezi Figura 4.9).
Prin urmare, w\ este o rădăcină dublă a lui z 2 + c = b\ și u >2 este o rădăcină dublă a lui z 2 + c
= 62 (&i f 62 . deoarece altfel se are o contradicţie cu f c fiind de gradul 2 ). Dar acest lucru e
ste imposibil, deoarece ecuația z 2 + c = b permite rădăcini duble numai atunci când b = c
și acestea sunt w\ = 0 = W 2 . Acest lucru justifică situația (2) din Figura 4.8. Se folosește u
rmătoarea definiție:

Pentru f c ( z) = z 2 + c c se numește valoare critică. Preimaginea sa 0 se numește punct

critic.
Capitolul 4: Fractali determiniști
Astfel, al doilea caz din (4.12) este, prin urmare, complet caracterizat de oricare
(2) sau (3) din Figura 4.8. Adică fie c 6 Sk* , pentru unele k*, sau c este între Sk* și Sk *~i •
Figura 4.10 ilustrează al doilea caz din (4.12).
Observați că în figura 4.7 putem concluziona că c 6 K c , în timp ce în ambele cazuri din fi
gura 4.10 avem că c £ K c . Cu alte cuvinte, tocmai am văzut asta

M = {c : cE K c } = {c : 0 £ K c } = {c : 0 £A c (oo)}, (4.13)

și acesta este indicatorul calculabil care a condus la imagini timpurii ale lui M, ca de exe
mplu Figura 4.16(a) sau [67]. De asemenea, observați că, deoarece există un singur pun
ct critic finit pentru f c (folosind ecuația (4.2) se arată cu ușurință că și f c ( oo) = 0) preim
5

aginea unei figuri opt va fi o pereche disjunctă de figuri. -opt și preimaginea unei curbe
asemănătoare unui cerc în interiorul domeniului delimitat de Sk* vor fi o pereche disjunc
tă de curbe asemănătoare unui cerc, producând astfel secvențe imbricate care explică c
onstrucția mulțimii Cantor revendicată.

4.2.3 Seturi de niveluri

Aproximarea lui K c cu Sk are un potențial foarte bun pentru reprezentări grafice . (—*•
LSM/J). Sk - urile arată ca niște seturi de nivel ale unui profil în proiecție centrală de la infinit. Figura
4.11 oferă un exemplu.
Contururile seturilor de niveluri obținute prin LSM - adică Sk -urile discutate mai sus,
dacă T este complementul unui disc mare - au o interpretare frumoasă și importantă ca
curbe echipotențiale ale potențialului electrostatic al lui K c - Acesta este următorul nostr
u obiectiv ceea ce va duce la niște algoritmi mai sofisticați.
Rețineți că pentru un polinom general sau, mai general, o funcție rațională R se poa
5

te avea mai multe puncte critice. Ele se obțin ca zerouri ale lui R!{z) = 0, z g C U {oo} .
4.2.4 Curbe echipotenţiale

Fie c 6 M, adică K c este conectat. În acest caz se poate arăta [29] că există o mapare unu-
la-unu și pe biholomorfă 4> c : C \K C ► C \D, pentru care <f>c(z) rv> z când z ~ oo și care fa
6

ce următoarea diagramă comutativă (unde D este discul unității închise)

(4,14)

6
ambele <p c și <j>~ 1 sunt holomorfe, adică analitice complexe
Cu alte cuvinte, f o { z ) = <f > c (/ c ( (f> c 1 ( z) )), adică iterația lui /o în afara lui D este echiv
alentă cu iterația lui f c în afara lui K c .
Ca o consecință imediată, cineva are asta

9c(z) = log(|^ c (z) |) (4,15)

este funcție potențială pentru K c . Deoarece curbele echipotențiale ale lui D sunt doar cercu
ri concentrice, se obține curbele echipotențiale ale lui K c ca imagini ale acestor cercuri
sub . Acest fapt confirmă argumentul nostru euristic în construcția Sk -urilor din Figura 4.7.
Împreună cu g c merge o altă funcție naturală pe care o interpretăm ca funcție de timp de
evadare (continuă).

£ C ( 2 ) = -log 2 ( ffc (2)). (4,16)

(Rețineți că, pe măsură ce z se apropie de K c , atunci e c ( z) se apropie de oo.) Acum, car

e este
4.2 Familia pătratică

108
 109

Capitolul 4: Fractali determiniști

4.2 Relația de familie pătratică dintre e c ( z ) și contururile definite de LSM, unde este comp
lementul unui disc mare? Se știe, vezi [77], că
| e c ( z ) — l c ( z ; T ) | este mărginită uniform pentru z $£ K c , z € C \T (4.17)
Cu alte cuvinte, contururile obținute prin LSM sunt aproximări ale curbelor echipotenția
le ale lui K c .
Considerațiile de mai sus folosesc într-un mod esențial faptul că K c este conectat, d
eoarece altfel <f> c nu există ca în Ecn. (4.14). Dacă, totuși, K c este o mulțime Cantor, adi
că c ^ M, atunci (f> c există cel puțin în afara S% (vezi Figura 4.10) și acolo relația f o ( z ) =
este încă adevărată. Astfel, din nou, contururile obținute d
e LSM departe de K c vor fi asemănătoare unui cerc, în acord cu discuția noastră anterio
ară. În special, se spune că în acest caz c £ M : <f> c (c ) este încă definit. (4.18)
O reprezentare importantă a potențialului g c ( z) în scopuri grafice și matematice este dat
ă de (vezi [29]):

g c (z 0 ) = lim (4 .19)
k —►oo 2 K
Unde
Z k = z\_ 1 + c , k = 1,2,... .

4.2 Familia pătratică

Convergența este foarte rapidă, odată ce \zk \ este mare 7 . Folosind această informație,
A. Douady și J. Hubbard [29] continuă să arate că există de fapt o mapare biholomorfă u
nu-la-unu și pe
4> : C \M —» C \J9 (4.20)
D = {z : \z\ < 1}, care este dat de <t>(c) = < f > c ( c ) , vezi (4.18). Aceasta oferă o funcție po
tențială pentru M

G ( c ) = log |4>(c)|, (4.21)

care, similar cu Eqn. (4.19) poate fi reprezentat prin
G(c)=lim^|N (4,22)
k —KX> 2K

unde k = l - 1 + c, Z 0 = c, k = 1,2,...
z z

unde din nou convergența este rapidă pentru \ z k \ m a r i . Existența lui <t> de mai sus îns
eamnă că toate curbele echipotențiale ale lui M sunt asemănătoare unui cerc, adică im
agini ale cercurilor concentrice în jurul lui D sub «1> -1 . O consecință imediată a acestui l
ucru este că

M este conectat.

Acesta pare a fi un rezultat cu adevărat remarcabil, având în vedere complexitatea struct

urilor văzute la limita lui M (vezi [83] și Figura 4.21). Potențialul G conduce la o funcție de
timp de evadare (continuă).

110
 111

E ( c ) = -log 2 (G(c)), care este potrivit pentru a fi comparat cu o funcție de timp de evadare
(discretă) (analog cu Ecn. (4.16) ):

( T este o mulțime țintă care conține oo.) Dacă T este dat de T = { z : \ z \ > j ) , atunci \

E ( c ) — L ( c ; T ) \ este mărginit uniform pentru |c| < — și c £ M , (4.25) 7 Să înțelegem de ce Ecn. (4.19) este

adevărată. Combinând Eqn. (4.14) și Ecn. (4.15) produce:

<?c(/cU)) = log = log McU)) 2

|=2g c (z).
Astfel, repetând argumentul se obține:
2 k k
„ = *<£(«» = g \Uf k Az))\ lQ

2 2 *

În cele din urmă, ca k -+ oo avem și că f£(z) —+ oo și, astfel, Ecn. (4.19) rezultă din proprietatea
că <f> c ( z) ~ z când z ~ oo.
Capitolul 4: Fractali determiniști
4.2.5 Estimatori de distanță
O altă proprietate utilă se datorează lui J. Milnor și W. Thurston [77]: Folosind func ția po
tențială G( c) se poate arăta că pentru c în afara lui M distanța d( c, M) de la c la limita lui
M poate poate fi estimat ca unde G'( c) denotă gradientul obișnuit al lui G. DEM/M 8 este
un algoritm care se bazează pe Ecn. (4.29) și indică cum se calculează granița lui M. O a
proximare rezonabilă și practică pentru partea dreaptă a Ecn. (4.29) se obține în felul ur
mător: Pentru c lângă M avem că G(c) este aproape de 0, astfel încât putem aproxima sin
h ((7(c)) cu G ( c ) . Pentru a aproxima G ( c) și \ G ' ( c ) | folosim ecuația (4.22) și ecuațiile d
iferențiale Cauchy-Riemann pentru a obține:
(4,30)

Zn
/ dz n dc '
Estimarea distanței pentru punctele c lângă mulțimea Mandelbrot se aplică și pentr
u z lângă K c (conectat). DEM/J este un algoritm analog cu DEM/M (vezi Figura 4.15b).
Deși fiind riguros justificat doar pentru conectat K c , l-am folosit cu foarte mult succes și
pentru cazul setului Cantor, cum ar fi în Figura 4.15.

4.2.6 Unghiuri externe și descompuneri binare

Potențialul lui M este cel mai crucial pentru înțelegerea lui M . Deși am discutat deja cu
rbele echipotențiale din diferite puncte de vedere, acum vom schița pe scurt o discu ție
despre liniile de câmp. Acestea sunt ortogonale cu curbele echipotenţiale şi pot fi defini
te formal ca fiind imaginile liniilor de câmp ale potenţialului lui D = { z : \ z \ < 1} sub <t>
-1
(vezi Figura 4.17):

112
 113

L a = {OVe 2 ™) : r > 1}

8
Descrierea noastră de aici este potrivită și pentru colorarea exteriorului lui M (Placa 28
a fost obținută în acest fel). Folosiți pur și simplu Eqn. (4,31). Această estimare, totuși, p
oate fi folosită și pentru a configura algoritmi extrem de rapizi pentru a obține imagini c
u M și exploziile sale: Acoperiți exteriorul lui M cu discuri ale căror raze sunt determinate
de această ecuație. O altă alternativă ar fi folosirea Eqn. (4.31) pentru un proces de căut
are de cartier, similar cu MBSM.

Capitolul 4: Fractali determiniști

4.2 Familia pătratică

114
 115

4.2 Familia pătratică

Argumente MSetQD matrice de ieșire de tip boolean, dimensiune nx by ny
nx, ny rezoluția imaginii în direcția x și y
xmin, xmax valoarea x scăzută și ridicată a ferestrei de imagine
ymin, ymax valoarea y scăzută și ridicată a ferestrei de imagine
raportul de aspect al ferestrei este: nx cu ny
maxiter numărul maxim de iterații
prag distanța critică de MSet în unități de pixeli
Variabile ix, iy întreg
cx, cy real
dist estimarea distantei
Funcții MSetDist() returnează distanța estimată a unui punct către MSet

un număr rațional. O modalitate frumoasă de a vizualiza L a este oferită de un experiment

pe care îl numim descompunere binară a seturilor de nivele (vezi BDM/J. BDM/M) . Pent
ru detalii despre fondul matematic ne referim la [83], pp. 40-44, 64-76. Figura 4.19 prez
intă descompuneri binare pentru trei K c și se observă că
4.2 Familia pătratică
4.2.7 Setul Mandelbrot ca dicționar de o pagină pentru seturile Julia

Ultimul nostru aspect al setului Mandelbrot se ocupă de una dintre cele mai fenomenale
proprietăți ale sale. Într-un anumit sens, acesta poate fi considerat a fi un dicționar de o
pagină cu toate seturile Julia. Acest fapt dă imediat o aromă a complexită ții sale inimagi
nabile și, de asemenea, implică faptul că setul Mandelbrot nu este auto-similar, deoarec
e stochează infinit de multe seturi Julia diferite.
Mai precis, dacă privim la M cu un microscop focalizat pe c, ceea ce vedem seamănă foa
rte mult cu ceea ce vedem dacă privim la K c cu același micro-
Capitolul 4: Fractali determiniști

116
 117

4.2 Familia pătratică

Capitolul 4: Fractali determiniști

4.2 Domeniul de aplicare al familiei pătratice este încă concentrat la c, iar asemănarea tinde să
devină perfectă (cu excepția unei schimbări de scară) atunci când se mărește puterea de mărire.
Ilustram această proprietate minunată de „comprimare a imaginii” în Figura 4.22. O regiune de-a
lungul cardioidului (vezi partea de sus a Figurii 4.22) este în mod continuu suflat în sus și întinsă, as
tfel încât segmentul respectiv al cardioidului devine un segment de linie 10 . Rezultatul es
te prezentat în centrul figurii 4.22. Atașate la fiecare dintre componentele discului se ob
servă structuri dendritice cu 3,4,...,8 ramuri (de la stânga la dreapta). Acum alegem ca val
ori c particulare punctele de ramificație majore ale acestor dendrite (vezi săge țile). Pent
ru fiecare dintre aceste 6 valori c am calculat seturile Julia asociate (folosind DEM/J) car
e sunt afișate în partea de jos a figurii 4.22. Observăm o asemănare izbitoare în structuril
e și combinatoria structurilor dendrite. Figura 4.23 este încă un exemplu. Acolo arătăm
o fereastră minusculă la limita lui M aruncată în aer cu un factor de aproximativ 10 6 (part
ea de sus) și o comparăm cu o explozie (factor ~ 10 6 ) a unui set Julia asociat (partea de
jos).
Pentru toate celelalte proprietăți ale mulțimii Mandelbrot, de exemplu, structura din
interiorul său ne referim la [83].
10
Explozia se obține în felul următor: Atașat de cardioidul lui M se observă o infinitate
de componente asemănătoare discului. Fiecare dintre acestea caracterizează anumite ci
cluri periodice ale f c . De exemplu, cardioidul însuși colectează toate valorile c pentru ca
re f c are un punct fix atrăgător; discul mare atașat cardioidului colectează toate valorile
c pentru care f c are un 2-ciclu atractiv; următoarele două discuri mai mari atașate la car
dioid colectează toate valorile c pentru care f c are un ciclu de 3 atragere; etc. Conjectur
a că dimensiunea unui disc care caracterizează un ciclu p este proporțională cu p r a fost
recent demonstrată de J. Guckenheimer și R. McGehee [47]. Factorul nostru de explozie este ales în
consecință, astfel încât toate discurile din Figura 4.22 (centru) au aceeași dimensiune. Ele
caracterizează — de la stânga la dreapta — atragerea de 3-, 4-, ..., 8-cicluri.
Capitolul 4: Fractali determiniști

118
119
Capitolul 4: Fractali determiniști

4.3 Generalizări și extensii

4.3 Generalizări și extensii

Majoritatea algoritmilor introduși în secțiunea 4.2 pentru f c { z) = z 2 + c au extensii natur
ale la mapările raționale generale ale planului complex (pentru extensii la alte hăr ți, cu
m ar fi, de exemplu, hărți transcendentale vezi capitolul 3). Deci, fie R(z) o mapare rațion
ală generală, adică

120
 121

i?(2 ) =44> (4
- 35)
q(z)
unde atât p( z ) cât și q(z) sunt polinoame de grad dp și dq fără un divizor comun. Apoi, gra
dul de R este cJr = max {dp, dq}. Să presupunem că dR > 2 . În primul rând, definiția setului Jul
ia Jr a lui R este literalmente același cu cel din Ecn. (4.7) sau Ecn. (4.8), adică algoritmii
bazați pe aceste caracterizări - ca IIM și MUM - sunt exact aceiași. În general, însă, rolul
lui oo este altul. De exemplu, dacă
2
R(z)=(^^j (4,36)

atunci oo h 1 h 1 și R ' ( 1) = —4, adică 1 este un punct fix respingător și oo este pe e dintre cele d
ouă preimagini ale sale. De fapt, Eqn. (4.36) a fost un exemplu foarte important în istoria
decorurilor Julia: Este unul dintre exemplele exotice pentru care Jr. = CU{oo), situație ca
re nu apare niciodată în familia f c fiind discutat în Secțiunea 4.2.

4.3.1 Metoda lui Newton

Un alt exemplu celebru este pe care cititorul îl va recunoaște imediat, dacă îl rescriem c
a z 3- 1
2
3z adică Ecn. (4.37) este metoda familiară Newton pentru a rezolva ecuația z 3 —1 = 0. De fapt, problema de a înțelege
Ecn. (4.37) se întoarce la Lordul A. Cayley din Cambridge (1879) și a fost una dintre problemele călăuzitoare pentru Julia
și Fatou pentru a dezvolta frumoasa lor teorie (vezi [84] pentru o discuție istorică). Rețineți că cele 3 zerouri ale lui z 3 — 1
= 0 (fiind z* = e x p ( yp ^ ) , k = 1,2,3 ) atrag puncte fixe ale lui R constituind 3 bazine de atracție A ( z k ) , k =
1,2,3. Faptul uimitor este că
J r = d A ( z k ) , k = 1,2,3
Capitolul 4: Fractali determiniști, adică dA( z\ ) = dA( 22 ) = dA( 23 ) , ceea ce înseamnă că Jr est
e un set de puncte triple în raport cu cele trei bazine. Se pare că această proprietate văz
ută în Figura 4.24 este de fapt o proprietate generală:

Să presupunem că R este o mapare rațională cu puncte fixe de atragere (puncte periodic

e) z \ , . . . , z k și bazine de atracție asociate A ( 2 ,), i = 1,..., .Atunci
J R = dA(zi),i=l,...,h. (4,39)
Cu alte cuvinte, se pot avea puncte cvadruple, puncte cvintuple,... , etc. Exemplele sunt,
de asemenea, ușor de generat. Doar alegeți un polinom cu un anumit număr de zerouri și aplicați
metoda lui Newton. Rețineți că pentru Eqn. (4.37) avem că R ( 00 ) = 00 . Totuși, aici 00 este un punct
fix respingător. Acest lucru este valabil pentru metoda lui Newton aplicată oricărui polinom de grad
> 2. Astfel, pentru mapările raționale obținute în acest mod se are că
Jr = închidere { 2 : Rk(z) = 00 pentru unele k).
4.3 Generalizări și extensii

Evident, pentru o interpretare numerică nu-i place să lucrezi cu oo. Prin urmare, se calcu
lează una dintre preimaginile finite ale lui oo sub R și mai degrabă se lucrează cu aceast
a, de exemplu, pentru Eqn. (4.37) unul are 0 h o o k o o , adică

Jr = închidere {z : Rk( 0 pentru unele k }.

Proprietatea (4.39) are un impact asupra BSM, MBSM, LSM/J și BDM/J. De fapt, ele se traduc literal
doar prin înlocuirea rolului lui oo cu cel al oricăruia dintre zerourile polinomului luat în considerare
pentru metoda lui Newton, să spunem z\ și ■ Apoi, mai degrabă decât testând orbitele care me
rg la oo față de orbitele care rămân mărginite, se testează pur și simplu. orbite mergând
spre z\ versus mergând spre . De fapt, Figura 4.24 a fost obținută de BSM pentru mapare
a (4.37), iar Figura 4.25b este un rezultat al BDM/J.
4.3.2 Clasificarea Sullivan

Una dintre întrebările matematice mai profunde despre funcțiile raționale R este de a ca
racteriza CU {oo } \ J r , complementul mulțimii Julia. Recent, D. Sullivan [98] a rezolvat ac
eastă problemă arătând că sunt posibile doar patru cazuri diferite, adică fiecare compon
entă a complementului lui J r este legată de (vezi [83] pentru detalii și imagini):

caz atractiv (ex. R ( z ) = z și \ R ! ( z ) \ < 1), caz parabolic (ex. R ( z ) = z și R ' ( z ) =

e x p ( 2 i r i a ) și a = | (rațional) ),
Caz Siegel-disc (de exemplu R ( z ) = z și R ' ( z ) = e x p ( 2 i r i a )
și u n „suficient de irațional”
cum ar fi media de aur a = ( V 5 — 1) /2)
Carcasa Herman-ring
În timp ce primele trei cazuri sunt legate de puncte fixe (sau, mai general, periodice), al
patrulea caz nu este. A fost descoperit de matematicianul francez M. Herman în urmă cu
câțiva ani. Cazul Siegel-disc 11 poartă numele marelui matematician german CL Siegel ca
re a descoperit acest caz în 1942. Descoperirea sa a dat naștere unei teorii incitante ( —>
Teoria Kolmogorov-Amold-Moser) care încearcă, de exemplu, să înțeleagă stabilitatea a sistemului
solar.
Depășește posibilitățile noastre și își propune să descrie mai multe detalii aici, dar î
ncă un rezultat este de remarcat: punctele critice ale lui R (adică soluțiile lui R ' ( z ) = 0
de rezolvat în CU {oo}) „indică” exact „caracter” al l u i R , adică care dintre cele patru c ase
apare (poate toate - poate niciuna). „Indicație” înseamnă că, dacă unul dintre cele patru cazuri este
prezent, atunci orbita a cel puțin unui punct critic z c (adică R ' ( z c ) = 0) z c i-> R ( z c ) i—> R 2 ( z
c )... va „conduce” la acel caz.

4.3.3 Familia pătratică revăzută

Proiectând aceste informații pe cunoștințele noastre despre / c ( z ) = z 2 + c adunate în

primul paragraf, va deveni mult mai clar chiar despre ce sunt diferitele posibilități ascun
se în diferitele opțiuni pentru c. În primul rând, rețineți că singurele puncte critice ale f
c sunt {0, oo}. Într-adevăr, pentru a rezolva f c ( z ) = 0 în CU {oo} se descompune în două

etape. Singura soluție finită este 0. Pentru z = oo trebuie să ne uităm la Ecn. (4.1) , adică
F ' c { u ) = 0 care pentru u - 0 corespunde cu z = oo. Deoarece f c ( oo) = oo pentru tot
c, totul despre natura lui f c va depinde numai
11
Fie R(a) = az + z 2 , atunci R( 0) = 0 și R'( 0) = a. Astfel, dacă o = exp( 2-nia) și a este medi
a de aur, atunci avem un exemplu. Cititorul poate încerca să calculeze J a și să observe di
namica aproape de 0 (vezi [83] pentru detalii).
4.3 Generalizări și extinderi pe orbită

0 t—> ci—► + c i—► ...

Dacă 0 6 A c (oo), adică. c ^ M, atunci nu poate exista niciunul dintre cele patru cazuri ale
Ecn. (4.40) , ceea ce se reflectă prin faptul că atunci K c = J c este un set Cantor. Dacă tot
uși 0 £ A c ( oo), adică c 6 M, atunci se poate avea în principiu unul dintre cele patru cazur
i. Se știe, totuși, că al patrulea caz nu există pentru f c (toate c) și se presupune că primul
caz (în afară de A c ( oo)) apare numai dacă c este din interiorul lui M. al doilea și al treilea
caz apar la granița lui M. O familie care este strâns legată de f c este familia (uneori numită
„familie logistică”, vezi Secțiunea 3.1.2)

r x (z) = \z(lz). (4,41)

De fapt se deduce cu ușurință o modificare afină a coordonatelor h ( z ) , astfel încât f c
(z) = h~\r x (Kz))).
122
 123

Această familie are avantajul că r>(0) = 0 pentru tot X și r^( 0) = X. Astfel, dacă X = exp(2
7rio:) și a se schimbă între 0 și 1, atunci X va „lovi” cazul 2 la infinit de des și, de aseme
nea, cazul 3 la infinit de des. De fapt, o mică perturbație arbitrară a lui X este suficientă
pentru a împinge situația 2 în situația 3 și invers, indicând faptul că Jc - urile pot sări
drastic atunci când c este schimbat foarte puțin. Pe scurt, dacă unul dintre cele trei cazuri de la 1 la 3
din Ecn. (4.40) există în afară de A c (oo) pentru f c , atunci orbita lui 0 va duce la ea și, prin u
rmare, pentru fiecare alegere a lui c poate apărea un singur caz. Se poate, totuși, să nu a
pară niciunul dintre cele patru cazuri (în afară de A c (oo)). De exemplu, dacă c = i , atun
ci

0 i—► i i — > — l + ii—► — i i—► — 1 + i1—►...

Cu alte cuvinte, orbita „critică” duce la un ciclu de lungime 2 pentru care se constată cu ușurință că
este respingător. Adică, A c ( oo) este singurul domeniu din complementul lui J c și de fapt
știm că J c este o dendrită (vezi Figura 4.3e). „Soarta” punctelor critice explică și exemplul exo
tic (4.36). Se găsește cu ușurință că acolo R are punctele critice {0,2} și

2h»0h-»ooi-*1i-+1, (și 1 este un punct fix respingător)

adică niciunul dintre cele patru cazuri nu este posibil, ceea ce înseamnă că Jr = C U {oo}.
Rețineți, de asemenea, că mulțimea Mandelbrot în vederea punctelor critice este doar l
ocusul valorilor c pentru care 0 ^ A c { oo). Acest lucru duce la idei pentru experimente
conexe de mapări mai generale:
Capitolul 4: Fractali determiniști

4.3.4 Polinoame
Rețineți că orice polinom p ( z ) (de grad > 2 ) are proprietatea că p( oo) = oo și p'(oo) =
0. Astfel, dacă avem o familie cu un parametru p c ( z ) ( de ex. p c ( z ) = z n + c ) putem id
entifica cu ușurință o mulțime asemănătoare lui Mandelbrot (A c ( oo) denotă din nou ba
zinul de atracție al lui oo):
M Pc = (ce C : toate punctele critice finite ale p c £ A c ( oo) }.

De fapt, din moment ce oo este atrăgător, cineva are întotdeauna asta

J Pc = dA c ( oo)
este mulţimea Julia de p c . Se știe (datorită lui P. Fatou) că pentru orice c 6 M Pc se leagă
mulțimea Julia J Pc .
Am menționat mai devreme că orice polinom de gradul 2 poate fi scris (după o modi
ficare afină a variabilelor) ca z 2 + c. Este lesne de observat că orice polinom de gradul 3
(după o modificare afină a variabilelor) poate fi scris sub forma p a j b { z ) = 2 3 — 3a 2 + 2

b , unde a, b GC .

Rețineți că p 0i t are punctele critice {+o,—o,oo}. Fie A a ,6(oo) bazinul de atractie al lui oo si d
efineste
= {(o, b) E C : +o £ A a< b(oo) și - o £ A a ,6(oo)}.
M a ,b corespunde mulţimii lui Mandelbrot de p a> j. Ma , b este un fractal în spațiu 4-dimen
sional și joacă același rol pentru polinoamele de gradul 3 ca și mulțimea Mandelbrot M
pentru polinoamele de gradul 2. Pentru studiile grafice pe computer se observă că
M a jb = M+ fl M-, unde
M+ = {(a, 6) e C : +a £ A 0 ,i(oo)} M- = {(a,6) e C :-a ^ A 0 ,6 (oo)}
Se pot obține imagini fantastice privind secțiunile transversale tridimensionale ale lui
M+ sau M-. Includem unul ca aperitiv (vezi Planșa 35).

4.3.5 O hartă specială de gradul patru

În [83] discutăm maparea rațională particulară a gradului patru:

4.3 Generalizări și extensii

Această mapare apare în modelele mecanice statistice pentru tranzițiile de fază feromag
netice. Se observă imediat că pentru toate c 6 C se are asta
R c ( 1) = 1 și R c (oo) = oo.
Mai mult, R' c ( 1) = 0 și R' c ( 0) = oo , adică 1 și oo atrag puncte fixe. Punctele critice ale lu
i R c sunt {1,-00,1 — c, ±\/l — c, 1 — f}. În plus, 1 — f- i-» oo și ±\/l — ci—>• 0. Astfel, pentru a
studia soarta punctelor critice, rămâne de investigat doar orbitele lui 1 — c și 0. Figura 4.26 prezint
ă un experiment (și un prim plan), în care sunt testate orbitele critice ale valorilor c. Este
destul de remarcabil că apare binecunoscuta figură de decor Mandelbrot. Acest fenome
n este cunoscut ca universalitatea setului Mandelbrot (pentru detalii vezi [30]).
4.3.6 Metoda lui Newton pentru ecuații reale

Totul până acum depinde foarte mult de structura analitică complexă. O întrebare fireas
că este: Ce se întâmplă, dacă se iau în considerare probleme similare pentru mapările în
spațiul euclidian, de exemplu a lui R 2 ? Hărți particulare (harta Henon, hărți liniare pe bucăți)
sunt luate în considerare în Capitolul 3. O altă clasă foarte interesantă de hărți este obținută prin
metoda lui Newton pentru sisteme de ecuații reale, să spunem G(x) = 0 , x e R 2 :
N(x) = x- DG~\x)G(x).
Aici D G este matricea derivatelor parțiale la x . Setul analog cu un set Julia în cazul com
plex este
J m = închidere {x : N k
(x) e Sg}
det(DC?(f)) = 0} și det denotă determinantul unei ma
Capitolul 4: Fractali determiniști unde S o = { x :
trice. Se pare că, deși J n joacă un rol similar cu cel al lui Julia în cazul complex, studiile
computerizate sunt remarcabil de diferite. Figura 4.27 prezintă doar două studii care do
cumentează această observație. Din nou [83] oferă exemple concrete.
4.3.7 Efecte speciale

În această secțiune de încheiere dorim să schițăm trei aspecte disjunctive ale naturii gr
afice

• homotopii naturale și artificiale

• animații din tabelul de căutare

• zoom animație fără CRAY

După cum au arătat discuțiile noastre despre seturile Julia, există un potențial extra
ordinar pentru animații doar prin schimbarea parametrilor. De asemenea, având în vede
re două hărți - să spunem / și g - o homotopie standard de tipul t f ( z ) + (1 - t ) g ( z ) = h t
( z ) , 0 <t< 1
4.3 Generalizări și extinderi permite transformarea structurilor (mult Julia, bazine de atracție)
atașate/în cele anexate g.

Dacă imaginea este obținută prin oricare dintre metodele setului de nivel, descomp
unere binară, potențial continuu sau estimare a distanței, o altă idee familiară și foarte
puternică este animația tabelului de căutare. Aceasta înseamnă că se leagă fiecare set de nive
l, de exemplu, la o intrare din tabelul de căutare. Prin schimbarea culorilor prin părți ale
124
 125

tabelului pot apărea apariții surprinzător diferite ale aceleiași structuri de bază. Anima ți
a hărții color poate fi apoi utilizată pentru a transforma continuu o imagine în cealaltă. D
esigur, structurile discutate în paragraful anterior reprezintă și un set de instrumente fru
mos pentru maparea texturii.
Discuția noastră finală generează câteva idei pentru animații cu zoom. Să presupun
em, de exemplu, că cineva ar dori să creeze o animație de zoom a setului Mandelbrot, s
ă zicem cu n(~ 25) imagini pe secundă. Având în vedere cantitatea de calcul necesară pe
ntru câteva minute de film, o abordare simplă ar fi intolerabilă pentru un minicomputer
(de exemplu, un mini obișnuit ar putea folosi aproximativ 30 de minute pe cadru la o rez
oluție rezonabilă, în valoare de aproximativ 750 de ore pentru 1 minut de film). Astfel de
cifre par să facă necesară supercalcularea. Dar chiar și cu o ma șină asemănătoare CRA
Y, un cadru ar putea dura aproximativ 30 de secunde, ceea ce înseamnă aproximativ 12
ore de timp foarte scump pentru un minut de film. Nici atunci produsul nu ar fi foarte sat
isfăcător, deoarece în apropierea limitei setului Mandelbrot structurile sunt atât de boga
te încât ar exista atât de multe schimbări de la cadru la cadru încât, ca urmare, s-ar vede
a o cantitate considerabilă de zgomot, făcând o filtrare absolut necesară. .
Evident, este nevoie de o abordare diferită. Vă sugerăm o metodă specială de interp
olare care reduce numărul de imagini care trebuie de fapt calculate - prin nivelul setat c
onsumator de timp sau prin metode cu potențial continuu (LSM/M , CPM/M) - dramatic.
Am produs o anumită animație a mulțimii Mandelbrot care mărește într-o anumită zonă
a graniței mulțimii Mandelbrot (văzută în Figura 4.21) până la un factor de creștere de 1
0 8 . Această animație se bazează pe doar aproximativ 40 (!) de cadre cheie și cele 3000
de cadre afișate efectiv pentru o animație de 2 minute [56] sunt obținute prin interpolar
e corespunzătoare (vezi Figura 4.28), care este descrisă mai jos.
Să presupunem că vrem să producem cadre cu o rezoluție de R ■ b x b pixeli (de exe
mplu, 680 x 512) pentru afișare în animație. Ideea este de a calcula v{ B ) cadre cheie de
rezoluție suficient de mare R • B x B și de a interpola cadrele afișate din acestea (R = rapo
rt de aspect; B > b). Întrebarea este cum să alegi B în mod optim? Să presupunem că strat
egia este de a minimiza costul de calcul al numărului total de cadre cheie. Acest lucru es
te legitim dacă costul pentru
Capitolul 4: Interpolarea fractalilor determiniști este considerabil mai mică. În prima aproxi
mare putem presupune că costul total este proporțional cu i/( B) R • B 2 . Având în vedere
b, B și v( B ) avem atunci ca factor de zoom total
v{b)
/ B\
m
\ TJ ~
Folosind acest calcul de relații ne spune că costul este minim pentru j = y/e, adică, B =
y/eb. În practică, totuși, costul va crește mai degrabă odată cu creșterea măririi și, ca rezu
ltat, alegerea optimă a lui j va fi oarecum mai mică decât y/e.
Odată ce cadrele cheie sunt obținute, sugerăm să calculăm cadrele afișate ale anima
ției după cum urmează: Fie K = {1,..., R • B} x {1,..., B} (respectiv D - {1 6} x (1,..., 6}) să fie
o reprezentare a pixelilor dintr-un cadru cheie (cadru respectiv afișat). În plus, fie (resp.
wd( », j)) să fie coordonata complexă care este reprezentată de pixelul ( i, j) și să fie
V K ( i j ' ) (respectiv v D ( f i e valoarea la pixel (*,;')) (de exemplu v K ( i , j ) = L ( c;
T ) , unde c = v j x i i J ) ca în ecuația (4.26) ).În prima aproximare s-ar sugera definirea valo
rilor v d ( i , j ) prin
= v K (k,l)

unde k , l sunt astfel încât | u > u { i , j ) — v j k ( k , l ) | este minim între toate opțiunile
(M) și K .
 Această definiție, totuși, ar produce efectele de aliasing bine-cunoscute și foarte ned
orite, care ar apărea chiar dacă toate cadrele ar fi calculate direct, adică nu ob ținute pri
n interpolare. Motivul pentru acest „zgomot” este rezultatul faptului că mici modificări în
w k vor produce schimbări dramatice în v / c în apropierea limitei setului Mandelbrot și ac
estea vor fi moștenite către v j j în toți pașii de zoom. Pentru a evita acest efect trebuie s
ă introduceți o „netezire”, adică
4.3 Generalizări și extensii următorul nostru obiectiv. Pentru a explica strategia noastră ar trebu
i să ne gândim la o funcție care este constantă pe bucăți (pe pixeli).
5 E
Fig. 4.29: Funcții constante pe bucăți v k și t> d*

Acum, dacă <5 este dimensiunea pixelului unui cadru cheie, de exemplu
. Wfdi,B) - wjdi 1)
-----------bTT\ ---------■
5=

și e este dimensiunea unui pixel dintr-un cadru afișat, apoi Figura 4.29 ilustrează situa ți
a. Fie A x ( i , j ) (resp. A n ( i , j ) ) să desemneze domeniul pătrat în planul complex de măsură
^ A k ^ I J ) ) = <5 2 (resp. = e 2 ) care pixel (»,/ ) reprezintă, vezi
Figura 4.30.
8 E

Fig. 4.30: Valorile lui v sunt constante pe suprafața acoperită de pixeli.

Apoi definim valorile „netezite” ale v p după cum urmează:

Capitolul 4: Fractali determiniști

Evident, Eqn. (4.43) este doar integrala lui vg supranormalizată de p i A o i h j ) ) -

Aceasta are grijă de „efectele de zgomot”. Rămâne o problemă și anume trecerea de la un cadru
cheie K n la următorul K m - 1 fără a vedea o discontinuitate. Homotopia din Ecn. (4.44)
va rezolva această problemă și va furniza valori adecvate ale cadrului cheie:
v(i,/) = (1 -p)vK n (i,j) + p[( 1 - t)t>/r„(»,;) + tvK„! (»',;')] (4,44)

Unde
Cu alte cuvinte, p poate fi interpretat ca dimensiunea relativă a intersec ției pixelului ( i, j)
cu ( n+ 1) -st cadru cheie. În cele din urmă, t ar trebui să fie 0 la cadrul cheie » și t ar trebui să
fie 1 la cadrul cheie n+ 1. O combinație de Eqn. (4.44) și Ecn. (4.43) a rezolvat problema de aliasing și
a fost utilizat cu succes în [56].

capitolul 5

Modelarea fractală a imaginilor din lumea

reală

Michael F. Barnsley

126
 127

5.1 Introducere

Omenirea pare să fie obsedată de liniile drepte. Nu sunt sigur de unde a început totul, d
ar îmi place să-mi imaginez doi druidi care supraveghează construcția Stonehenge și fol
osesc o bucată de sfoară întinsă pentru a verifica dreptatea marginilor acelor blocuri dre
ptunghiulare uriașe de piatră sau calea pe care fasciculul de lumină. de la echinocţiul ar
urma soarele. A fost cel puțin o formă eficientă de control al calității; pentru foarte puți
n efort depus de cei doi druizi, i-a ținut pe muncitori cu privirea ascuțită pe treabă.
Oricare ar fi istoria reală a chestiunii, aceasta nu modifică faptul că acum un indicator și semn
distinctiv al artefactelor Omului este linia dreaptă. Priviți în jurul camerei de la margine pentru mesele,
liniile de scanare raster ale televizorului și așa mai departe și jon de-a lungul întregii noa
stre interacțiuni cantitative cu lumea geometrică care se află în jurul nostru. În tehnologi
e, liniile drepte sunt elementul de bază: la o primă aproximare, ele descriu modul în care
un ferăstrău taie, cea mai scurtă cale între două puncte de pe o bucată de lemn. Încă di
n primele noastre momente de învățare suntem încurajați să manipulăm, să rotim și să t
raducem cuburi; a rula cercuri cu roți de jucărie; a sublinia, a îndrepta, a măsura pe linii
drepte și a folosi hârtie milimetrică. Romanii și-au făcut drumurile directe să traverseze Franța
barbară și Anglia; iar acum calculul nostru se bazează pe utilizarea „Funcțiilor lui x” care sunt
219
Capitolul 5: Modelarea fractală diferențiabilă
— atunci când le mărim suficient graficele, presupunem că t
oate arată ca linii drepte peste tot! Cât de omniprezente sunt!

Arena potrivită pentru geometria euclidiană este descrierea pozițiilor relative și a mo

dului în care lucrurile se mișcă. Elipsele descriu aproape căile planetelor în jurul soarelu
i; iar liniile codifică mișcarea galaxiilor departe de centrul Universului. Un navigator folos
ește vectori pentru a aduna triunghiuri pentru a calcula vitezele rezultate, iar un cartogr
af folosește linii drepte laser între punctele de pe vârfurile munților pentru a ajuta la
triangularea suprafeței Pământului.
Cu toate acestea, lumea geometrică fizică care se află de fapt în jurul nostru și care e
ra în jurul acelor doi druidi este foarte diferită de liniile drepte, volumele de revolu ție, te
xtul grafic etc. cu care ne-am antrenat sinele științific să modeleze și să înțeleagă. lume
a fizică. Până la observarea aproape evazivă de simplă de către Mandelbrot [68] a existe
nței unei „Geometrii a naturii”, nu era nicio șansă să ne gândim într-un mod științific no
u la marginile norilor, la profilele vârfurilor pădurilor de pe orizont, aranjamentul complicat în
mișcare – deloc întâmplător – a penelor de puf la îmbinarea de sub aripa unei păsări în timp ce zboară.
Se pare că artiștii au făcut o tranziție similară cu cea pe care tehnologii și oamenii de știință o înc
ep acum, cu ceva timp în urmă. Citez dintr-o carte despre pictura peisajului [20]:

Frunzele, florile și cârcile din Reims și Southwell, care, la sfârșitul secolului al XII-lea, sparg
crusta înghețată a fricii monahale, au claritatea lucrurilor nou create. Literalitatea lor și lipsa de
selecție este o dovadă că au fost văzuți pentru prima dată.

Geometria este preocupată de a face intuițiile noastre spațiale obiective, iar geomet
ria fractală extinde acest proces. Ne este foarte greu la început, și apoi din ce în ce mai
ușor, să cuantificăm și să exploatăm relațiile geometrice care se observă în lumea fizică.
Teoria introdusă în acest capitol ne oferă o nouă riglă, care se transmite cu u șurin ță de l
a unul dintre noi la altul. Teoria este teoria IFS și, odată cu ea, putem descrie un nor la f
el de clar precum poate descrie un arhitect o casă. Teoria IFS se referă la geometria
deterministă : este o extensie a geometriei clasice. Folosește entități geometrice clasice (
de exemplu transformări afine, scalări, rotații și congruențe) pentru a exprima relațiile dintre părți ale
obiectelor geometrice generalizate, și anume „submulțimi fractale” ale planului euclidian. Folosind
numai aceste relații, teoria IFS definește și transmite structuri complexe.
5.2 Referințe generale și comentarii introductive

Fezabilitatea utilizării sistemelor de funcții iterate (IFS) în grafica computerizată a fost re

vizuită la întâlnirea SIGGRAPH din 1985 de Demko, Naylor și Hodges [23]. Lucrarea de f
ață se referă la dezvoltarea IFS ca instrument practic pentru producerea de imagini, incl
usiv nori și fum, orizont, peisaje marine, flăcări, structuri ramificate cum ar fi frunze și feri
gi și obiecte simple create de om. În mod specific, abordează problema modului în care
IFS poate fi utilizat pentru a modela geometric și a reda obiecte bidimensionale și tridim
ensionale.
Utilizarea geometriei fractale, atât deterministă, cât și nedeterministă, pentru a mode
la scene și obiecte naturale, a fost investigată de o serie de autori, printre care Mandelbr
ot [ 68 ], Kawaguchi [59], Oppenheimer [80], Fournier și colab. [40], Smith [96], Miller [7
6] și Ambum și colab. [1]. Abordarea prezentată
Capitolul 5: Modelarea fractală aici își are rădăcinile în aceste investigații. Cu toate acestea, se carac
terizează printr-un singur cadru determinist care poate atinge o gamă aparent nelimitată
de obiecte. Acest cadru se concentrează pe teoria măsurării mai mult decât pe geometri
a fractală. Baza matematică a teoriei sistemelor de funcții iterate apare într-o literatură î
n creștere rapidă, vezi [5,31,48,54].
Pentru a aborda problema de modelare și randare propusă, sunt introduse două noi
concepte IFS. Acestea sunt (1) Teorema colajului, care sugerează un algoritm de modela
re geometrică interactivă pentru găsirea codurilor de sistem de funcții repetate și (2) un
algoritm de iterație aleatorie pentru calcularea geometriei și redarea imaginilor pornind
de la codurile IFS ( RenderIFS ( ) ) .
Teorema Collage [4] oferă un mijloc pentru modelarea interactivă bidimensională fol
osind IFS și este potrivită pentru implementare pe o stație de lucru grafică pe computer.
Intrarea este o imagine țintă bidimensională, de exemplu o aproximare poligonală la limi
ta unei frunze. Ieșirea de la algoritm este un cod IFS care, atunci când este introdus în al
goritmul RenderIFS(), oferă o redare a țintei inițiale. Apropierea acestei redări de imagine
a dorită depinde de eficiența cu care utilizatorul este capabil să rezolve interactiv o anu
mită problemă geometrică.
Algoritmul RenderIFS() se bazează pe o extensie a teoriei matematice a IFS care permit
e utilizarea transformărilor care nu micșorează distanțele spațiale, așa cum este formula
t în [6] și[32]. Pornește de la un cod IFS de intrare, explicat în Secțiunea 5.3 și, cu ajutor
ul iterației aleatorii, produce un obiect geometric determinist împreună cu randarea val
orilor. În ciuda utilizării iterației aleatorii, se obține o imagine finală unică odată ce au fo
st specificate fereastra de vizualizare, rezoluția și o funcție de atribuire a culorilor.
Prezenta abordare contrastează cu utilizarea algoritmilor de rafinare recursive aleato
rii pentru a produce modele de teren (vezi de exemplu [40,68] și [76]), proceduri stocast
ice utilizate pentru a produce nori și texturi [68] și modele aleatoare de ramificare și cre
ștere pentru plante. ( [2,59,80] ): în toate astfel de cazuri, produsul final depinde de sec
vența de numere aleatoare precisă apelată în timpul calculului. Prezentul algoritm
RenderIFS() are caracteristica că mici modificări ale valorilor parametrilor din codul IFS de
intrare produc doar mici modificări în imaginea rezultată. Acest lucru este important pen
tru independența sistemului, utilizarea interactivă și animația. În plus, imaginile variază î
n mod constant în ceea ce privește modificările ferestrei de vizualizare și rezoluției. Ima
ginile pot fi generate la o rezoluție foarte mare sau vizualizate în mod echivalent într-o fe
reastră mică, fără a se reduce la blocuri de culoare solidă.
5.3 Introducere intuitivă

Motive suplimentare pentru dezvoltarea algoritmilor IFS în grafica pe computer inclu

d următoarele: (a) Codurile IFS asigură compresia imaginii: imaginile care arată ca plant
e și nori, de exemplu, inclusiv randări complicate, pot fi generate din baze de date mici.
Aceasta înseamnă că multe imagini diferite pot fi stocate într-un mediu de sta ție de lucr
u, (b) algoritmii IFS sunt astfel încât să poată fi implementați într-o manieră extrem de p
aralelă. De exemplu, algoritmul RenderIFS() poate fi rulat pe mai multe procesoare simulta
n, toate folosind generatoare de numere aleatorii diferite. Aceasta înseamnă că, în princi
piu, imaginile naturale pot fi generate și manipulate în timp real.
128
 129

Utilizarea Teoremei Collage și a algoritmului RenderIFS() în modelarea geometrică și re

darea obiectelor bi- și tridimensionale este demonstrată în Secțiunea 5.6. Se arată cum
se produc imagini cu nori și fum, coșuri și ferigi.

5.3 Introducere intuitivă în IFS: Haos și măsuri

În secțiunile 5.5 și 5.6 formalizăm. În această secțiune, oferim în mod informal câteva di
ntre ideile cheie.

5.3.1 Jocul Haosului: „Capetele „Cozi” și „Late”

Să presupunem că există trei puncte etichetate „capete”, „cozi” și „parte” marcate în mod arbitrar pe
o bucată de hârtie. Tu ești jucătorul: marchează un al patrulea punct pe hârtie (localizea
ză-l unde vrei) și etichetează-l z \ . Acum prefaceți-vă că dețineți o monedă care, atunci
când este aruncată, aterizează uneori pe partea ei, alteori cu fața în sus și alteori coadă
în sus. Aruncă moneda! Apare „capete”. Marcați un nou punct zz , la jumătatea distanței dintre
z\ și punctul etichetat „capete”. Aruncă moneda. Apare „Side”. Marcați un nou punct 23 , la jumătate
a distanței dintre 22 și punctul etichetat „Side”. La pasul al treilea , aruncați moneda și, după cu
m apare „capete”, „cozi” sau „parte”, marcați un nou punct 2 n+ i pe hârtie, la jumătatea distanței
dintre punctul 2 „ și punctul etichetat cu același nume pe care îl arată moneda. Continuați să faceți
asta mult timp și marcați 1 000 000 de puncte pe hârtie 21 , 22 , 23 ,..., 2999 , 999 , 21 , 000.000 • Acum
ștergeți primele opt puncte 21 , 22 , 23 ,..., 2 g. Cum arată punctele rămase? Fac praf la întâmplar
e pe hârtie? La început nu se așteaptă prea mult!
Totuși, ceea ce vedeți de fapt, dacă creionul este suficient de ascuțit, măsurarea est
e suficient de precisă și dacă șansele nu sunt îngrozitor împotriva dvs., va fi imaginea din
Figura 5.2.
Să numim imaginea limitativă P. Observați cum P este unirea a trei copii de jumătate
de dimensiune a lui însuși. De fapt

P = 1V\(P) l)W2 ( P U W 3 ( P )

unde, de exemplu, w \ este transformarea afină (pentru mai multe despre transformările afine, vezi
mai jos) care duce triunghiul cu vârfuri la 'Capetele', 'Cozi' şi 'Latura', la triunghiul cu vârfuri la
'Capetele', A și respectiv B.
Acum să descriem o generalizare a Jocului Haosului. Fiecare d i n t r e w i , W 2 ,
. . . ,wn fi o transformare care ia un punct din plan, R 2 la un nou punct w( z ) E R 2 . Fie ca fi
ecare transformare să fie astfel încât să apropie punctele unul de altul. Adică dacă d ( z i , 22 ) este
distanța dintre o pereche de puncte z \ și Z 2 , atunci pentru ceva 0 < k < 1

d{vjj{z\),Wj(z 2)) < kd(zi,Z 2)

pentru toate perechile de puncte z \ și Z 2 din R 2 , pentru fiecare transformare w } . O ast
fel de transformare se numește mapare de contracție. Un exemplu de astfel de transfor
mare
5.3 Introducerea intuitivă este w : R 2 — * ■ R 2 care acţionează asupra punctului z = ( x , y ) co
nform w ( x , y ) = Q j - x + j y + l , j x + jj/ + 0,5^ . Observați că aceasta poate fi scrisă și în nota
ție matriceală,
' 0,5 0,25' X
'1'
X 1

y 0,25 0,5 y T 0,5

Acțiunea acestei mapări de contracție pe o față zâmbitoare înscrisă într-un triunghi est
e prezentată în Figura 5.3.
Iată generalizarea Jocului Haosului. Fie w \ , W 2 , ■ ■ ■ , w n mapări de contracție car
e acționează pe R 2 (sau pe o bucată de hârtie). Alegeți orice punct 20 și alegeți aleatori
u și aplicați transformările pentru a produce o succesiune de puncte z \ , z i , 23 , • • • ,
2999 , 999 , 21 , 000 , 000 , • • • • De exemplu, pentru a obține 273 vom obține aleatoriu alege unu
l dintre punctele w \ ( 272 ), u >2 (272 ) , . . . , u>n( 272 ) • Apoi, cu probabilitatea unu, secvența
va converge către o imagine unică, sau un set limitator de puncte. Această imagine, poat
e gri pe fundal alb, va fi singura care se supune ecuației (vezi [54])

P = w \ { P ) U W 2 ( P ) U ... U w n ( P ) (5.1)

O parte din rezultatul P al iterării aleatoare a cinci transformări afine, care au fost alese
oarecum arbitrar, este prezentată în Figura 5.4.
Iată câteva puncte care trebuie remarcate despre Figura 5.4. Structura lui P este foar
te complicată: limitele nu ar fi simplificate prin mărire, ele sunt într-adevăr „fractale”. P este t
otal fix odată ce se cunosc transformările
Capitolul 5: Modelarea fractale wi ,W 2 , ■ ■ ■, vjn care o fac. Fiecare transformare afină este specificată de
șase numere cu două cifre — așa că îi pot spune fratelui meu Jonathan în treizeci de secunde la t
elefon din Australia (știe cum să joace Jocul Haosului), cum să facă exact aceea și entitat
e geometrică despre care discutăm. Aici. Imaginea P este cu adevărat complicată: conți
ne, de exemplu, multe găuri fundamental diferite (găuri tehnic care, inclusiv limitele lor,
nu pot fi mapate sub difeomorfisme de la unul la altul). P nu este auto-similar: mărirea m
are a părților din imagine nu va dezvălui copii mici ale întregii imagini. P nu depinde de
probabilitățile relative atribuite diferitelor transformări, atâta timp cât toate sunt pozitiv
e; (totuși, dacă vreo probabilitate este prea mică, s-ar putea să fie nevoit să joace Jocul
Haosului pentru o perioadă foarte lungă de timp înainte ca întreaga imagine P să apară).
5.3 Introducere intuitivă

5.3.2 Cum două frunze de iederă întinse pe o foaie de hârtie pot specifica o transformare afină

Va fi foarte util, pentru înțelegerea modului de aplicare a teoremei colajului și a algoritm

ului RenderIFS() din Secțiunea 5.4, pentru a vedea cum două imagini ale aproximativ acel
ași obiect plat pot fi folosite pentru a determina o transformare afină w : R 2 -»R 2 .

Pentru a ilustra ideea, pornim de la o copie Xerox a două frunze de iederă reale (fără pro
bleme de copyright!), una mare și una mică, așa cum se arată în Figura 5.5. Dorim să găs
im numerele reale a , b , c , d , e și / astfel încât transformarea, în notație evidentă
X ab X 1 e ax+by+e
y CD y T / cx + dy+ f

are proprietatea w(FRUNZĂ MARE) aproximativ egală cu (FRUNZĂ MUCĂ)

Începeți prin a introduce axele de coordonate x și y, așa cum se arată deja în Figura
5.5. Marcați trei puncte pe frunza mare (am ales vârful frunzei, un vârf lateral și punctul î
n care tulpina se unește cu frunza) și stabiliți coordonatele acestora (ai,Q! 2 ), ( 0 i , / h ) şi (
71 , 72 ). Marcați punctele corespunzătoare pe frunza mică, presupunând că o omidă nu le-a mâncat și
stabiliți-le coordonatele; să spunem ( ai, qt 2 ), ( P i , 0 2 ) și respectiv ( 71 , 72 ).
Capitolul 5: Modelarea fractale

Atunci a , b și e se obțin prin rezolvarea celor trei ecuații liniare aria + 012 b + e =
&i, f o a + f o b + e = f o ,
71 a + 726 + e = 71 ;
în timp ce c, d și / satifify ari c + QT 2 d + / = a 2 , f o c + f o d + f = f o ,
71 c + 72 ^ + / = 72-

130
 131

5.4 Calcularea imaginilor din codurile IFS

5.4.1 Ce este un cod IFS

O transformare afină w : R 2 — ► R 2 din spațiul bidimensional R 2 în sine este definită pri
n
X anx + orice + b\
al m e u _ a2i x + 022 și + 62

unde ay și b , Sunt constante reale. Dacă A denotă matricea (ay), b reprezintă vectorul ( 61 ,
62 )*, unde t reprezintă transpunerea, iar x reprezintă vectorul ( 11 , X 2 ) 4 , atunci scriem
w(x) = Ax + b

Transformarea afină este specificată de șase numere reale. Având în vedere o transforma
re afină, se poate găsi întotdeauna un număr nenegativ s astfel încât

11 w ( x ) — w { y ) 11< s - 11 x — y \ | pentru toate x și y

Numim cel mai mic număr s astfel încât acesta să fie adevărat constanta Lipschitz pentru u>.
Aici _______
|| x ||= yjx\ + x\
O astfel de transformare afină se numește contractivă dacă s < 1 și se numește simetrie dacă
|| w ( x ) — w ( y ) ||=|| x — y || pentru toate x și y
Este expansiv dacă constanta lui Lipschitz este mai mare decât unu. Un IFS bidimensio
nal constă dintr-un set de N transformări afine, N un număr întreg, notat cu
5.4 Calcul luând fiecare R 2 în R 2 , împreună cu un set de probabilități

{Pl>P2,P3,-..,PAr}, unde fiecare p,- > 0 și pi+P2+P3 + -.- + PJV= 1 •

Fie s n constanta Lipschitz pentru w n pentru fiecare n= 1,2 ,N. Apoi spunem că codul DFS r
espectă condiția de contractivitate în depășire dacă
„ P 1 - P 2 P 3. . J>N - 1
5
1 s 2 „3 • • • SN ^ 1 •
Un cod IFS este un IFS
{w n ,p n : n= 1,2,..., N }
astfel încât să fie respectată condiția medie de contractivitate 1 .

5.4.2 Modelul de bază asociat unui cod IFS

Fie { v j n , p n : n = 1,2,..., N } să fie un cod IFS. Apoi, printr-o teoremă a lui Barnsley și Elto
n [6] există un obiect geometric asociat unic, notat cu A, o submulțime a lui R 2 , numită
atractor al IFS. Există, de asemenea, o măsură asociată unică notată cu p . Această măsur
ă poate fi considerată ca o distribuție a nisipului infinit de fin, de masă totală unu, situat
ă pe A, așa cum este descris intuitiv mai sus. Măsura unui submulțime /? a lui A este gre
utatea nisipului care se află pe /?. Se notează cu p(/3). Modelul de bază asociat unui co
d IFS constă din atractorul A împreună cu măsura p , și este simbolizat prin ( A , p ).
Structura lui A este controlat de hărțile afine { w \ , w z ,..., ivn} în codul IFS. Adică, cel
e 6 ■ N numere din hărțile afine fixează geometria modelului de bază și vor determina, l
a rândul lor, geometria imaginilor asociate. Măsura p este guvernată de probabilitățile {p
i ,P2 t - • ■ ,Pn} salut codul IFS. Această măsură este cea care oferă informațiile de randar
e pentru imagini.
Modelul de bază ( A , p ) poate fi considerat ca un subset al spațiului bidimensional a
cărui geometrie și colorare (fixate de măsura ) sunt definite la cea mai fină rezoluție ima
ginabilă. Modul în care modelul de bază definește imaginile, prin proiecția prin ferestre
de vizualizare pe pixeli, este descris în secțiunea următoare. Algoritmul pentru calculul a
cestor imagini este dat în Secțiunea 5.4.4.
1
Noțiunea de IFS poate fi generalizată cu ușurință la mapări neliniare. Vezi, de exem
plu, variantele Metodei de iterație inversă (IIM) pentru seturile Julia în Capitolul 4 și algo
ritmul JuliaIIM() în Capitolul 3.
Capitolul 5: Modelarea fractale

5.4.3 Cum sunt definite imaginile din modelul de bază

Fie (A, p) modelul de bază asociat unui cod IFS. Lasă o fereastră de vizualizare să fie defin
ită de

V — {(x, y ) ' X m in ^ X ^ Xman Vanin ^ V ^ I/mai} •

Se presupune că V are măsură pozitivă, și anume p ( V ) >0. Fie specificată o rezoluție de

vizualizare prin partiționarea V într-o grilă de dreptunghiuri L x M, după cum urmează. Int
ervalul [ x m in, x m a x ) este împărțit în L subintervale [ xj, xj+i) pentru £ = 0 , 1 L — 1, unde

Xj — I min + ( Xanax Xmin) ^ •

În mod similar [ y m i n , y m a x ) este împărțit în M subintervale [y m ,y TO+ i) pentru m = 0,1,..., M

— 1 unde

Van — Vanin + ( Vmax — Vanin) , , •

M

Să Vi, m notează dreptunghiul

Vi, m = { ( x , y ) : x i < x < x i + i , y m < y < y m+ 1 }.

Apoi modelul digitizat asociat cu V la rezoluția L x M este notat cu I ( V , L , M ) . Este format din
toate acele dreptunghiuri Vi >m astfel încât p{ Vj iTO ) 0, (adică toate acele dreptunghiuri pe
care se află o masă pozitivă de nisip).
Modelul digitizat I ( V , L , M ) este redat prin atribuirea unui singur indice RGB fiecărui
dreptunghiuri V/ >ra . Pentru a realiza acest lucru, se specifică o hartă de culori / care aso
ciază indici de culoare întregi cu numere reale în [0,1]. Fie numcols numărul de culori difer
ite care urmează să fie utilizate. S-ar putea alege, de exemplu, nouă tonuri de gri pe un s
istem RGB; atunci numcols = 9 și indicele de culoare i este asociat cu i ■ 12,5 % Roșu, i • 12,5
% Verde și i • 12,5 % Albastru, pentru i = 0,1,2,...,8. Intervalul [0,1] este împărțit în subinterval
e conform
0 ~ Co ^ Cl C 2 <1 .. . < Cnumcols = 1 •
Fie harta de culori / definită de /(0) = 0 și pentru x > 0 de

/(x) = max{i : x > Ci }.

Fie Umax maximul de măsurare p conținut în unul dintre dreptunghiurile Vi t an'-
Panax = max p( Vi m.) •
1 =0 , L — 1 m - 0,..., M — 1
5.4 Calcul

I ( V , L , M ) este redat prin atribuirea indexului de culoare

(5,4)

la dreptunghiul V/ )TO .
În rezumat, modelul de bază este convertit într-o imagine, corespunzătoare unei fere
stre de vizualizare V și rezoluției L x M , prin digitizarea la rezoluția L x M a părții atract
132
 133

orului care se află în fereastra de vizualizare. Valorile de randare pentru această digitizar
e sunt determinate de măsura Vj >m ), (care corespunde maselor de nisip care se află pe p
ixeli).

5.4.4 Algoritmul de calcul al imaginilor redate

Următorul algoritm pornește de la un cod IFS ( w n > p n • n = 1,2,..., N ) împreună cu o fere

astră de vizualizare V s p e c i f i c a t ă și rezoluția L x M . Se calculează imaginea IFS asociat
ă, așa cum a fost definită în secțiunea anterioară. De fapt, o mers aleatorie în R2 este gene
rată din codul IFS, iar măsurile V/ >m ) pentru pixeli sunt obținute din frecvențele relative
cu care sunt vizitate diferitele dreptunghiuri. Faptul că algoritmul funcționează este o co
nsecință a unei teoreme profunde a lui Elton [32].
Un punct inițial (xo, yo) trebuie fixat. Pentru simplitate presupunem că transformarea
afină w i ( x ) = A x + b este o contracție. Atunci, dacă alegem ( zo, yo ) ca punct fix al lui
w \ știm a priori că ( x o , y o ) aparține imaginii. Aceasta se obține prin rezolvarea ecuați
ei liniare
O matrice L x M I de numere întregi este asociată cu fereastra digitizată. De asemenea, tr
ebuie specificat un număr total de iterații, num, mare în comparație cu Lx M. Partea de m
ers aleatoriu a algoritmului continuă acum așa cum se arată în codul RenderIFS(). Matricea
L x M I este inițializată la zero. După finalizarea algoritmului elementelor matricei I li se dau
valori ale indicelui de culoare conform Ecn. (5.4), adică

Imax
Cu condiția ca n u m să fie suficient de mare (vezi exemplele din 5.6), teorema ergodică a
lui Elton asigură că, cu o probabilitate foarte mare , valoarea de redare I; m atribuit pixelu
lui ( l , m ) se stabilizează la valoarea unică definită în Secțiunea 5.4.3 ca / ( . Acest algori
tm este utilizat pentru a calcula toate imaginile
\ H>max /

dat cu acest articol.

5.5 Teorema colajului
5.5 Determinarea codurilor IFS: Teorema colajului

Într-un cod IFS { w n , p n • n = 1,2,..., N}, w n este cel care d

etermină geometria modelului subiacent, adică structura atractorului, în timp ce p n - urile
sunt cele care furnizează informații de redare prin intermediul măsurii. Aici descriem un a
lgoritm interactiv de modelare geometrică bidimensională pentru determinarea w n -
urilor corespunzătoare unui model dorit. (Unele comentarii cu privire la modul în care p n
-urile sunt alese pentru a produce efectele de randare dorite sunt făcute în Secțiunea 5.6.) Algoritmul
își are baza matematică în Teorema Collage [4].
Algoritmul pornește de la o imagine țintă T care se află într-o fereastră de vizualizare
V, aici considerată a fi [ 0,1] x [0,1]. T poate fi fie o imagine digitizată (de exemplu, o frunz
ă albă pe un fundal negru) fie o aproximare poligonală (de exemplu, o limită a frunzei po
ligonalizate). T este redat pe monitorul stației de lucru grafice. Se introduce o transform
are afină u > i ( x ) = A ^ x + , c u c o e f i c i e n ț i i i n i ț i a l i z a ț i l a = o f ^ i = 0,25, Oj^ = <4^ = = 0. Im
aginea w i ( T ) este afișat pe monitor într-o culoare diferită de io* constă de fapt dintr-o
copie de dimensiune sfert a l u i T centrat mai aproape de punctul (0,0). Utilizatorul ajustează
acum în mod interactiv simbolurile cu ajutorul tastelor sau al mouse-ului, astfel încât imaginea w \ { T )
să fie translată, rotită și tăiată în mod diferit pe ecran. Scopul utilizatorului este de a tran
sforma w \ ( T ) astfel încât se află peste o parte din T : adică w \ { T ) este redat ca un subset
al pixelilor care reprezintă T . Este important ca dimensiunile lui w \ ( T ) să fie mai mici de
cât cele ale lui T , pentru a se asigura că w \ este o contracție. Odată ce w \ ( T ) e s t e
p o z i ț i o n a t c o r e s p u n z ă t o r , a c e s t a e s t e f i x a t , este introdusă o nouă subcopie a țintei 102
(T). Atunci u >2 este ajustată interactiv până când acoperă un subset al acelor pixeli din T
care nu sunt în w i ( T ) . Suprapunere între w \ ( T ) și W 2 ( T ) este permis, dar pentru eficienț
ă ar trebui să fie cât mai mic posibil.
10 , ( z ) = SiZ + ( 1 — Si) 0
si = 0,6 01 = 0,45 + 0,9*
52 = 0 .6 02 = 0,45 + 0,3*
S 3 = 0,4 — 0,3
% 03 = 0,60 +0,3*
54 = 0,4 + 0,3 i 04 = 0,30+ 0,3*
Tabelul 5.1: Parametrii IFS pentru Figura 5.7.

În acest fel utilizatorul determină un set de transformări afine contractive { w i , u>2, • •

•,i u m )cu această proprietate : ținta originală T și mulțimea
N
T = |JlO n (r)
rc=l sunt apropiate vizual, în timp ce AT este cât mai mic p
osibil. Indicele matematic
5.5 Teorema de colaj al apropierii dintre T și T este distanța Hausdorff h ( T , T ) definită mai
jos; iar prin „aproape vizual” înțelegem cu adevărat „ h { T , T ) este mic”. Hărțile { w \ , W 2 , - ■ ■ ,
w n } astfel determinate sunt stocate. Teorema colajului, enunţată mai jos, ne asigură apoi că
atrăgătorul oricărui cod IFS, care foloseşte aceste hărţi, va fi, de asemenea, „aproape vizual” de T . Ma
i mult, dacă T = T , mai precis dacă h ( T , T ) = 0, apoi A = T . Astfel, algoritmul furnizează
coduri IFS astfel încât geometria modelului de bază să semene cu cea a țintei.
134
 135

Algoritmul este ilustrat în Figura 5.6, care prezintă un taiget T de frunze poligonale în stân
ga sus și jos. În fiecare caz T a fost aproximativ acoperit de patru transformări afine ale lu
i însuși. Sarcina a fost realizată prost în imaginea de jos și bine făcută în imaginea de su
s. Atractorii corespunzători sunt afișați în partea stângă: cel de sus este mult mai aproap
e de geometria țintei, deoarece colajul este mai bun. Procesul este, de asemenea, ilustr
at în Figura 5.7, care arată (a) un colaj, (b) IFS pe care îl determină (în notație complexă)
și (c) atractorul IFS.
Declarațiile precise care guvernează algoritmul de mai sus sunt următoarele. Distan ț
a Hausdorff h(A, B ) dintre două submulțimi închise mărginite A și B ale lui R 2 este definită
ca h ( A , B ) = max « max min II x — y II; max min || y — x || [• . (5,5)

l x£A y£B ' ' yeB zeA J

Teorema colajului face o afirmație despre distanța Hausdorff dintre atractorul A al unui
sistem de funcții iterate și setul țintă T .

Teorema colajului [ 4 ] : F i e { w , Pn '■ » = 1,2 un cod IFS de hărţi afine contractive. Fie s < 1
n

cea mai mare constantă Lipschitz pentru hărți. Fie e > 0 orice număr pozitiv.
Fie T o submulțime limitată dată a lui R 2 și să presupunem că hărțile w n au fost alese astfel încât
Atunci h ( T , A ) < T ^ ~ 1 — s unde A denotă atractorul IFS.

Capitolul 5: Modelarea fractale

5.5 Teorema colajului

Capitolul 5: Modelarea fractale

5.6 Demonstrații
5.6.1 Nori

Figura 5.8 prezintă opt transformări afine ale graniței unui nor poligonalizat. Folosind al
goritmul RenderIFS(), acestea au fost suprapuse pe ținta originală și determină un cod IFS
bidimensional { w n , p n : n = 1,2,...,8}. Probabilitățile sunt alese proporțional cu suprafeț
ele norilor corespunzătoare, cu excepția uneia căreia i se dă dublul acestei valori. Se uti
lizează o hartă de culori /( x ) care atribuie o scară de gri, de la negru la alb, intervalului
0 < x < 1 . Două imagini corespunzătoare, redate folosind algoritmul R e n d e r l F S f ) cu
n u m = 2 • 10 6 , sunt prezentate în Figurile 5.9 și 5.10. În fiecare caz, unui cloudlet diferit i
s-a dat o probabilitate crescută și are ca rezultat simularea unui nor iluminat din direc ția
acestui cloudlet.
Capacitatea unui model IFS de a furniza imagini semnificative din punct de vedere vi
zual pe mai multe scale diferite este ilustrată în figurile 5.11, 5.12 și 5.13, care arată zoo
m-uri succesive corespunzătoare aceluiași cod IFS. Baza de date de bază, codul IFS, poa
136
 137

te fi exprimată în mai puțin de 100 de octeți, în afară de parametrii de vizualizare. Numă

rul d e iterații este crescut cu mărirea pentru a menține constant numărul de puncte car
e aterizează în fereastra de vizualizare.

5.6.2 Peisaj cu coșuri și fum

Plăcile 33 și 34 arată două vederi calculate din același model de bază. A doua vedere es
te un prim plan asupra fumului care iese dintr-unul dintre coșurile din prima vedere. Co
durile IFS bidimensionale constau din: un nor (8 transformări afine), un fundal care inclu
de orizontul (10 transformări afine), trei penuri de fum diferite (5 transformări afine fieca
re), trei coșuri diferite (6 transformări afine fiecare) și un câmp. Probabilitățile au fost al
ese proporțional cu determinanții transformărilor, adică |ou 022 — 012021 1 dacă w este da
t ca în Ecn. (5.3) . Imaginile sunt suprapuse din spate în față. Întreaga bază de date IFS, i
nclusiv funcțiile de atribuire a culorilor, poate fi exprimată succint folosind mai puțin de
2000 de octeți, ceea ce înseamnă că, la rezoluția utilizată în fiecare figură, raportul de c
ompresie este mai bun de 500:1, în timp ce un codificator standard pentru lungimea rul
ării aplicat la o imagine individuală aici nu dă mai bine decât 5:1.
Modelarea geometrică necesară pentru găsirea codurilor IFS utilizate aici a fost reali
zată folosind algoritmul descris în Secțiunea 5.5 aplicat imaginilor țintă poligonalizate.
Acestea din urmă au fost derivate din trasările componentelor imaginilor
5.6 Demonstrații într-un număr al National Geographic. Numărul de iterații pentru placa 33 a
fost 4 • 10 6 și pentru celelalte plăci a fost menținut proporțional cu suprafața ferestrei.
5.6.3 Vegetația
Algoritmii din acest capitol pot fi aplicați pentru modelarea și redarea unei game largi d
e plante și frunze, așa cum este ilustrat în figurile 5.14 până la 5.16. Figura 5.14 arată a
Capitolul 5: Feriga de modelare fractală împreună cu câteva prim-planuri și demonstrează că o i
magine codificată IFS nu trebuie să fie auto-similară. Mai mult, nu există un model simpl
u de creștere a plantelor pentru această imagine. Acest lucru contrastează cu structura f
runzei și a nervurii asociate prezentate în Figura 5.15. Acestea au fost ob ținute prin apli
carea algoritmului de modelare geometrică la o frunză dată de Oppenheimer [80]. Codul
IFS pentru nervuri constă din trei transformări afine, în timp ce frunza umplută, care ar fi putut fi
obținută prin „vopsirea” regiunii definite de nervuri, este atractorul pentru șase afine. Acest lucru
ilustrează faptul că unele modele de ramuri și creștere deterministe pot fi reformulate în termeni de t
eoria IFS: în astfel de cazuri noi algoritmi, cum ar fi RenderIFS(), devin disponibili pentru ra
ndare.

Placa 32 prezintă patru vederi ale aceleiași femele tridimensionale. Codul IFS constă
din patru transformări afine tridimensionale care au fost obținute prin modificarea ieșirii
din algoritmul de modelare geometrică. Vizualizările sunt calculate direct din codul IFS f
olosind algoritmul RenderIFS(), așa cum este ilustrat în Figura 5.17. IFS utilizat pentru mod
elul bidimensional subiacent constă din patru hărți afine sub forma a se vedea Tabelul
5.2 și, de asemenea, Figura 5.17.
Pe o stație de lucru bazată pe 68020, o singură vedere a femelei tridimensionale necesi
tă un minut de calcul. Figura 5.16 prezintă un arțar codificat IFS
5.6 Demonstrații
Hartă Traduceri Rotații Cântare
hk 6 rs
0,1
1 0,0 0,0 0 0 0,0 6
-2, -2, 0,8 0,8
2 0,0 1.6 5 5 5 5
3 0,0 1.6 49 49 0,3 0,3
4 0,44 12 -50 0,3 0,3
0,0 0 7
Tabelul 5.2: Feriga IFS.

frunze. Opțiuni diferite de probabilitate duc la randări diferite fără modificarea geometri
ei.
Capitolul 5: Modelarea fractale
Anexa A

Peisaje fractale fără cute și cu râuri

Benoit B.Mandelbrot

Acest text abordează trei probleme legate, dar oarecum independente. Defectul cel mai
de bază al falsurilor fractale din trecut este că fiecare dintre ele nu reu șe ște să includă r
ețelele fluviale. Acesta este unul dintre motivele pentru care aceste falsuri arată cel mai
bine când sunt privite dintr-un unghi mic deasupra orizontului și sunt cel mai rău atunci
când sunt examinate de la zenit. Acesta este și motivul pentru care realizarea unui mode
l combinat complet aleatoriu de râuri și munți va fi un progres major pentru grafica comput
erizată (și poate și pentru știința geomorfologiei). Scopul principal al acestui text este d
e a schița două soluții parțial aleatorii pe care le-am dezvoltat foarte recent și pe care Ken
Musgrav le-a redat.
Un al doilea defect iritant foarte diferit este specific metodei de proiectare a peisajel
or (numită deplasare la mijloc sau subdiviziune recursivă) care este descrisă în [40]. A câ
știgat o expunere largă în „Star Trek II” și este rapid, compact și ușor de implementat. Principalul
său dezavantaj este că generează „trăsături” care atrag atenția și, prin lungimea și dreptatea lor, fac ca
scena redată să pară „nenaturală”. Acest defect, care a ajuns să fie numit „problema încrețirii”, este
ilustrat în corpul cărții de față. A fost semnalat prima dată în [69], iar cauzele sale sunt profunde, astfel
încât nu poate fi eliminată prin tratament cosmetic. Acest text schiță mai multe metode car
e evită șifonarea de la început. (Nu eram conștienți de faptul că [76] abordase această p
roblemă înaintea noastră. Metoda lui este oarecum similară cu a noastră, dar nu există o
suprapunere față în față.)

243
Anexa A

Un al treilea defect prezent în majoritatea falsurilor este că văile și munții sunt simetrice
din cauza simetriei distribuției gaussiene. Imaginile lui Voss din [69] au arătat că această condiție
nedorită este mult îmbunătățită prin procesarea neliniară ulterioară. În plus, „muntii noștri cu râuri”
implică o asimetrie extremă, ceea ce înseamnă că această lucrare abordează această pro
blemă direct. Dar, în plus, acest text schițează un drum diferit și mult mai simplu către a
celași scop. Arată că este suficient să folosim metoda familiară a deplasării punctului mij
lociu cu deplasări a căror distribuție este departe de a fi gaussiană, de fapt sunt extrem
de asimetrice.
În căutarea algoritmilor pentru proiectarea peisajului, deci în acest text, o problemă
centrală este cea a dependenței de context. Metoda familiară a deplasărilor punctului mijlociu
este independentă de context, care este sursa atât a virtuții sale cele mai izbitoare (simplitate),
cât și a defectului său cel mai izbitor (creasing). În peisajele reale însă, însu și faptul că râ
urile curg în jos introduce o dependență foarte marcată de context; este teoretic infinit
și practic se extinde la scara generală a redării.
Această introducere a enumerat obiectivele noastre în ordinea importanței descresc
ătoare, dar aceasta este și în ordinea complexității crescânde și a divergen ței crescând
e față de ceea ce este deja familiar experților în grafică pe computer. Prin urmare, discu
138
 139

ția care urmează este ușurată prin trecerea la o complexitate crescândă. Se speră că noi
le proceduri descrise în acest text vor injecta vitalitate proaspătă subiectului aparent sta
bilizat al designului peisajului fractal. În orice caz, designul peisajului merită o investigaț
ie dincolo de ceea ce este deja înregistrat și dincolo de remarcile relativ casual din acea
stă lucrare.

Al Variante non-Gauss și non-aleatoare ale deplasării punctului mediu

A.1.1 Construcții de deplasare a punctului mediu pentru paraboloizi

Unul dintre scopurile acestui text este de a explica mai bine deplasarea punctului de mij
loc, plasându-l în contextul său istoric. Construcția lui Arhimede pentru parabolă, a șa c
um este explicată în Cuvânt înainte, poate fi extinsă la suprafața S cea mai apropiată de
aceasta, care este paraboloidul izotrop z = P ( x , y ) = a — b x — c u 2 . Aici, cel mai simplu
2

inițiator este un triunghi în loc de interval, secțiunea lui S de-a lungul fiecărei părți a tri
unghiului fiind o parabolă. O a doua etapă este interpolarea sistematică la nodurile unei
rețele din ce în ce mai strânse formată din triunghiuri echilaterale. Această procedură, n
ecunoscută lui Arhimede, este o adaptare la geometria clasică non-aleatorie a metodei F
ournier et al. utilizați pentru a genera suprafețe fractale. Când toate interpolările de-a lu
ngul liniilor transversale cresc, pentru că 0 (resp., în jos, pentru că b < 0), convergem cătr
e Muntele Arhimede (Figura Al) (resp., către Cupa Arhimede, care este Muntele răsturnat cu susul în
jos ). .) Modificări ușoare adecvate în această construcție produc ceilalți paraboloizi. În
coordonate reduse, ecuația unui paraboloid este z = P ( x , y ) = a — bx 2 — , cu 0 în toate cazurile și
cu c > 0 dacă paraboloidul este eliptic (a cap), dar c < 0 dacă acesta este hiperbolic (o şa). Prin
„ajustarea” adecvată a deplasărilor punctului mijlociu în sus și în jos, se poate obține oricar
e dintre rezultate. Șaua lui Arhimede este prezentată în Figura A.2.
A.1.2 Deplasarea punctului mediu și fractalii sistematici: curba fractală Takagi, înrudirea acesteia și
suprafețele aferente

La mult timp după Arhimede, în jurul anului 1900, teoreticianul numerelor Teiji Takagi a
reînviat metoda deplasării punctului mijlociu, dar cu o regulă diferită pentru mărimea rel
ativă (împărțită la 8 ) a deplasărilor verticale: în loc să urmeze succesiunea 1 (o dată), 4
(de două ori), 4~ 2 (2 2 ori) ... 4 ~ k ( 2 k ori), etc., a făcut ca mărimile relative să fie 1 (o dată),
_1 .

2 (de două ori), 2 ( 2

-1 -2 de 2
ori) ... 2~ k (2 k ori), etc.. Efectul este drastic, deoarece parabola n
etedă este apoi înlocuită cu figura A.3 foarte netedă, care este un exemplu timpuriu al u
nei funcții care este continuă dar nu poate fi diferențiat nicăieri. Apoi, un matematician
pe nume Landsberg a ales w în mod arbitrar în intervalul 1/2 < < 1 și a efectuat deplasăr
i la mijloc de 1 (o dată), w (de două ori),... w k (de 2 k ori), etc... Figura A.4 corespunde lui w =
.6.
Aceste curbe au dimensiunea fractală 2 — | jurnalul w\. Deoarece w variază de la 1/2 la 1 , această
2

dimensiune variază de la 1 (o curbă limită de dimensiunea 1 , dar de lungime logaritmică i

nfinită) la 2 .
(Când 0 < w < 1/2 dar w ^ 1 /4, curbele sunt rectificabile, cu o dimensiune fractală sat
urată la valoarea 1. Derivatele din stânga și dreapta există în toate punctele. Cele două
derivate diferă atunci când abscisa este diadică, adică de forma p 2 ~ k , cu un întreg p, da
r există o derivată bine definită atunci când abscisa este nediadică.)
Din nou, să modificăm curba Takagi la Fournier et al.. Omologul său de suprafață, pe
care îl numim Muntele Takagi, este prezentat în Figura A.5. Un fapt remarcabil este relevat a
tunci când examinăm această suprafață dintr-un unghi suficient de mic, în raport cu sca
ra verticală din imagine, și dintr-un unghi orizontal care evită direcțiile rețelei. La un cos
t intelectual ridicol de scăzut, am oferit o iluzie realistă de ordinul întâi a unui teren mon
tan (alte priviri pot fi luate mai puternic de iluziile botanice). Cu toate acestea, văzut dintr-un unghi
vertical înalt, Muntele Takagi dezvăluie un model de văi și de „cupe” fără prize, ceea ce este total
nerealist. Dintr-un unghi orizontal de-a lungul direcțiilor rețelei, iluzia se prăbușește și ea cu totu
l: grila triunghiulară originală folosită pentru simulare ne copleșește percepția. Inspectar
ea Muntelui Takagi dintr-un unghi mic ales aleatoriu duce la o varietate de terenuri surp
rinzătoare, care nu par imediat a fi toate la fel.
Anexa A
Lecția pe care tocmai am învățat-o se întâmplă să aibă o consecință mult mai largă.
Fiecare dintre peisajele fractale explorate până acum este cel mai bun atunci când este
privit la un unghi mic.
(Întrebarea a ceea ce este un unghi înalt sau un unghi scăzut, în comparație cu vertic
ala, este legată de omologul cantității 8 din definiția Muntelui Arhimede, deci și de faptu
l că diferitele noastre reliefuri sunt auto-afine, mai degrabă decât de sine. - similar.)

A. 1.3 Deplasări aleatoare ale punctului mijlociu cu o distribuție a deplasărilor puternic non-
Gauss
În deplasarea aleatorie a punctului mijlociu (Fournier et al.), structura văilor și crestelor
este mai puțin accentuată decât este cu Muntele Takagi, dar rămâne aparentă și deranj
antă. Poate fi atenuat prin modificarea distribuției de probabilitate a deplasărilor aleato
are ale punctului mijlociu. Distribuția gaussiană este simetrică, prin urmare o suprafa ță
browniană fracțională poate fi răsturnată cu susul în jos fără a se modifica statistic. Fund
ul văilor și crestele munților reale nu sunt simetric. Această dificultate l-a determinat pe V
oss să introducă transformări neliniare după fapt. Peisajele non gaussiene rezultate (Plăc
ile 8 și 10) sunt uimitoare, dar artificiale. Dacă renunțăm la idealul Brown fracțional dre
pt și adevărat, la fel de bine se poate înlocui Gaussianul cu altceva.
Prima distribuție nesimetrică potrivită cu care ne-am jucat este binomul asimetric al
parametrului p: X 1 cu probabilitatea p și
A 1 Variante ale deplasării punctului mijlociu
Fig. A.6: Primele peisaje fractale construite prin deplasări aleatorii ale punctului mijlociu
cu o distribuție foarte oblică.
Fig. A.7: Al doilea peisaj fractal construit prin deplasări aleatorii ale punctului mijlociu cu
o distribuție foarte oblică.
Anexa A

X = —p/( 1 — p) cu probabilitatea 1 — p . Valorile p < 1/2 dau văi plate și munți cu vârfuri, iar
valorile p > 1/2 dau munți plati și văi adânci. Înlocuirea p cu 1 — p întoarce un relief cu susul în jos.
O a doua posibilitate care este ușor de utilizat și cu care ne-am jucat a fost „exponențialul redus —
1”, iar o a treia a fost distribuția Gamma cu un parametru întreg b, adică „suma exponențialelor reduse
b —6 ” .
Aceste schimbări foarte simple dincolo de Gaussian s-au dovedit a duce la o cre ștere
foarte marcată a realismului. Exemple datorate lui Rejean Gagne sunt prezentate în figuri
le A.6 și A.7.

140
 141

A.2 Peisaje aleatorii fără cute

A.2.1 O clasificare a schemelor de subdiviziune: Se pot deplasa punctele medii fie ale firelor de cadru, fie
ale plăcilor
Indiferent de problema distribuției, o a doua dezvoltare începe prin a examina cu aten ți
e diferitele implementări publicate ale deplasării aleatoare a punctului mijlociu, pentru a
vedea ce au în comun și cum diferă.
Prima caracteristică comună. Începând cu o rețea inițială de noduri sau vârfuri, o „cuibărește” într-o
rețea mai fină, care conține atât „vârfurile vechi” unde H ( P ) , înălțimea la P este deja cunoscută, cât
și multe „noi vârfuri” unde H ( P ) trebuie interpolat.
A doua caracteristică comună. Pentru a calcula H ( P ) la N puncte ale unui fractal de punct
mijlociu necesită un număr de calcule proporțional cu N . În schimb, cele mai bine contr
olate aproximări ale mișcării browniene fracționale necesită N log N calcule. Factorul log
N în costul de calcul ni se pare de o semnificație scăzută în comparație cu costul randăr
ii. Dar aceasta pare, cumva, a fi o opinie controversată.
O trăsătură distinctivă. Diverse metode de interpolare se împart în două feluri pe care le
propun să le numesc deplasare wireframe și deplasare plăci . (Unii fizicieni dintre cititori po
t fi ajutați știind că distincția ecou cea dintre legături și percolarea locului ).
În deplasarea punctului de mijloc al cadru de sârmă, suprafața este gândită ca un „cadru de sârmă”, o
colecție de intervale, iar unul deplasează punctul de mijloc al fiecărui interval. Se știe că procedura
este independentă de context.
În deplasarea punctului de mijloc al plăcilor, suprafața este gândită ca o colecție de plăci și
se deplasează puncte în „mijlocul” fiecărei plăci. Procedura va fi văzută în funcție de context.
A.2 Peisaje aleatorii fără cute

Singura implementare posibilă a deplasării punctului mijlociu al cadrului pur este ab

ordarea lui Fournier și colab., aplicată subdiviziunii triunghiurilor.
Atunci când rețeaua inițială este formată din pătrate, este necesar să se deplaseze r
elieful, nu numai la punctele de mijloc ale cadrului, ci și la centrele pătrate, care sunt pu
nctele medii ale plăcilor. Construcția rezultată este un hibrid cadru-plăci.
În corpul acestei cărți, dorința ca un algoritm mai curat să interpoleze într-o rețea p
ătrată i-a împins pe autori de la abordarea hibridă cadru-plăci și i-a condus la o procedu
ră de punct de mijloc. (Nu am observat că au făcut acest lucru, până când nu mi-a spus
Voss.)

A.2.2 Independenta contextului si textura „sifonata”.

Diferența majoră dintre punctele de mijloc ale cadru și plăci implică dependența de context,
o noțiune din lingvistica formală care a fost adusă în grafică în [96].
Fractalii cadru de punct mediu sunt independenți de context, în sensul că singurele i
ntrări externe care afectează forma unei suprafețe într-un triunghi sunt altitudinile de la
vârfuri. Toată lumea din grafica computerizată știe că aceasta este o comoditate extraor
dinară.
Pe de altă parte, suprafețele Brown fracționale încorporează o durată infinită de dep
endență de context, astfel încât interpolarea lor chiar și într-o zonă mică necesită anumi
te cunoștințe asupra unei zone înconjurătoare nelimitat de largă. Modelele de relief car
e includ rețele de râuri cu rază lungă împărtășesc în mod necesar această proprietate. E
ste esențial pentru modelarea peisajului.
Ce zici de fractalii din punct de mijloc? Este important să știți că acestea depind de
context.
Din păcate, fractalii de la mijlocul cadru au o textură foarte nedorită. Mi-au adus ami
nte de hârtia îndoită și mototolită și (după prima uzură înapoi) Fournier et al. mi-au recu
noscut criticile. Suprafețele maro fracționate nu au această textură „sifonată” nedorită. Această
discrepanță m-a făcut cu mult timp în urmă să mă întreb dacă dependența de context este sau nu
singurul motiv pentru încrețire. Acum avem un contra-exemplu: implementările fractalilor din punctul
de mijloc din această carte sunt independente de context, dar posedă o textură „încrețitoare”, deși poate
într-o măsură mai puțin extremă.
Săpând mai adânc, textura nedorită ar putea fi determinată de oricare dintre următoarele cauze.
A) „Cursul pătratelor”: „folclorul” programatorilor și fizicienilor sugerează că efectele false datorate
structurii rețelei tind să fie cele mai puternice în cazul rețelelor pătrate în care privilegiile
Anexa A

direcțiile numărul doi. Acest lucru sugerează încercarea de rețele triunghiulare sau hexagonale, în care
direcțiile privilegiate sunt trei. B) „Cuibarea ramelor”. Cele mai puternice probleme de textura apar m
ereu de-a lungul cadrelor care leaga cele mai mari placi. Să ne oprim asupra acestui pun
ct. După cum s-a observat anterior, vârfurile plăcilor din etapa fc-a de construcție sunt înto
tdeauna imbricate printre vârfurile plăcilor în toate etapele ulterioare. Dar, în plus, plăcil
e triunghiulare au proprietatea mult mai puternică că rețeaua de laturi de plăci din stadiul
fc-a de construcție este imbricată în (adică, o parte din) rețeaua de laturi de plăci din et
apa ( k + 2) -a. , ( k + 4) -th, etc. Cred că această caracteristică este responsabilă pentru șif
onare și propun să demonstrăm cum poate fi evitată.
Propria mea recentă reînnoire a interesului activ pentru reliefurile fractale se întâmpl
ă să ofere teste pentru ambele explicații de mai sus ale încrețirii. O primă abordare evită
pătratele și folosește plăcile triunghiulare clasice, ale căror rame sunt imbricate. O a dou
a abordare folosește plăci care se bazează pe hexagon, dar sunt de fapt delimitate de cu
rbe fractale; cadrele lor nu sunt imbricate.

A.2.3 Un nou algoritm care utilizează deplasarea punctului mijlociu al plăcilor

triunghiulare
Cu triunghiuri, scopul este de a construi o suprafață fractală ale cărei înălțimi la vârfuril
e unei rețele triunghiulare inițiale sunt variabile aleatoare independente distribuite iden
tic, în timp ce valorile sale în cadrul fiecărei plăci sunt interpolate aleatoriu. Rezultatul es
te spus de către fizicieni că are o „scara încrucișată” care este exact egală cu latura triunghiurilor
inițiale; deasupra acestei scale, suprafața este staționară din punct de vedere statistic, iar sub această
scară seamănă mai mult cu mișcarea browniană fracțională.
În prima etapă, Figura A.8a, înălțimea din centrul triunghiului ABC din rețeaua primei
etape primește valoarea

~ [ H ( A ) + H ( B ) + H { C ) ] + o deplasare aleatorie a punctului mijlociu.

Aceasta determină H ( P ) la vârfurile unei rețele triunghiulare de ordinul doi, care este
rotită cu 30° și ale cărei laturi sunt mai mici în raportul 1 /\/3. A doua etapă de construcție, Figura A.
8b, ia medii în fiecare țiglă și adaugă o deplasare adecvată a punctului de mijloc. Rețineți că două
valori vor fi interpolate de-a lungul fiecărei părți a lui ABC și că acestea vor depinde de valorile i
nițiale dincolo de triunghiul ABC. Rețeaua a treia etapă, Figura A.8c este din nou triunghiulară și
rotită cu 30 °, prin urmare se cuibărește rețeaua din prima etapă. A treia etapă de construcție din cadrul
ABC este, de asemenea, afectată de valorile inițiale dincolo de acest triunghi.
Din punct de vedere conceptual, trebuie să combinați și interpolarea cu extrapolarea. A
ceasta din urmă echivalează cu schimbarea caracterului valorilor lui H( P ) pe noduri
A.2 Peisaje aleatorii fără cute
Anexa A

a rețelei inițiale. În loc să le considere staționare, extrapolarea le vede ca fiind interpola

te, în timpul unei etape anterioare numerotate negative, din valorile de pe vârfurile unei
rețele mai libere. Dacă extrapolarea continuă la infinit, rezultatul este o suprafa ță în car
e H ( P ' ) și H ( P " ) sunt ușor, dar nu neglijabil, corelate chiar și atunci când punctele P ' și
P " sunt foarte departe unul de celălalt. Acesta este exact ceea ce este valabil pentru miș
carea browniană fracțională.

142
 143

A.2.4 Un nou algoritm care utilizează deplasarea punctului de mijloc al plăcilor hexagonale

Principala noutate este că plăcile sunt alese astfel încât ramele lor să nu se cuibărească.
Motivul constă în următorul fapt familiar. În timp ce un pătrat este subdivizat în patru păt
rate și un triunghi în nouă triunghiuri după două etape, un hexagon nu poate fi subdivizat
exact în rețea mai mici/hexagonale hexagonale. Cu toate acestea, o subdiviziune aproxi
mativă poate fi făcută folosind plăci care sunt aproape hexagonale, dar ale căror limite s
unt curbe fractale. Cel mai simplu exemplu este ilustrat de Planșa 73 din [68] unde este
arătat că este drenat de un arbore de râu deosebit de simplu pe care îl vom întâlni din n
ou în Secțiunea A.3. Aceasta tigla se imparte in 3 subtile de dimensiuni mai mici dar de f
orma identica. (Plansa 71 din [68] arată o astfel de țiglă diferită, divizibilă în șapte).
Începând cu un hexagon obișnuit, prima etapă de construcție a acestei plăci este pr
ezentată prin compararea liniilor îndrăznețe din figurile A.8d și A.8e: aici partea cu care
se întâlnește prima (când se deplasează de la A în sensul acelor de ceasornic) este rotită
cu 30 ° . ; este posibil să fi fost rotit fie cu +30 °, fie cu—30 °, iar restul acestei etape de construcție
este pe deplin determinată de această singură alegere. În același timp, Figura A.8d, H ( P ) este interp
olată în centrul hexagonului inițial de media cu greutate egală a deplasării a șase vecin
e. Dar H ( P ) este, de asemenea, interpolat prin medii adecvate în alte trei puncte decentrate, unde se
întâlnesc trei sub-hexagoane (deci „ punctul de mijloc ” nu este sinonim cu „centru” .) Greutățile de
mediere pot fi alese în multe moduri diferite, cu efect considerabil asupra texturii. La toate
aceste medii ponderate se adaugă deplasările. Următoarea etapă de interpolare prin compararea liniilor
îngroșate, prezentate în figurile A.8e și A.8f, implică din nou o decizie arbitrară între +30° și -30°,
astfel rotația este de -30°. În fiecare etapă , granița hexagonului modificat devine din ce în ce
mai mototolită și nu se cuibărește niciodată în combinația de limite superioare ale etap
ei. În timp ce o textură nedorită poate fi prezentă de-a lungul acestor curbe completate,
faptul va conta puțin, deoarece aceste curbe nu reușesc să atragă aten ția, spre deosebi
re de liniile drepte care ies în evidență.
A. 3 Peisaje cu rețele fluviale

A.3 Peisaj aleatoriu construit pe rețele de râuri prescrise

Ideea din spatele celor doi algoritmi de peisaj care vor fi descriși acum este de a construi
mai întâi o hartă, cu copacii săi râului și bazinelor hidrografice, apoi să „completăm” un relief aleatoriu
care se potrivește hărții. Cele două implementări disponibile astăzi au slăbiciunea că hărțile în sine nu
reușesc să fie aleatorii.
Un ingredient major al acestei abordări (dincolo de implementarea actuală) amplifică
asimetria deja discutată dintre văi și munți, prin trasarea unor râuri și bazine hidrografic
e foarte asimetrice. Relieful de-a lungul unui bazin hidrografic poate și ar trebui să urce
și să coboare, cu minime locale la surse, iar această cerință poate fi (și va fi în acest text)
implementată printr-o procedură randomizată de deplasări pozitive ale punctului mediu.
Pe de altă parte, relieful de-a lungul unui râu merge în mod necesar în aval, deci trebuie
să urmeze o curbă fractală care diferă profund în structura sa de orice a fost folosit până
acum în acest context.

A.3.1 Construirea pe o hartă non-aleatorie formată din râuri drepte și bazine hidrografice, cu bazine de
drenaj pătrate

Primul nostru exemplu de copaci prescriși pentru râuri și bazine hidrografice este foarte
grosolan, dar merită să descrie, deoarece este ușor de urmărit. Este sugerat de Figura A.9, care
reproduce un sfert din Planșa 65 din [68], rotită cu 45° în sensul acelor de ceasornic. Se vede
triunghiuri negre subțiri: unul are lungimea 1 și trece de-a lungul diagonalei verticale, două au
lungimea 2 -1 , opt de lungime 2 ~ 2 , etc. ... Fiecare triunghi este menit să reprezinte un râu
drept care curge spre latura sa foarte scurtă. În mod similar, se vede triunghiuri albe sub
țiri, menite să reprezinte un bazin de apă drept. Se construiește o hartă non-aleatorie fo
arte regulată făcând toate acele triunghiuri să devină infinit de subțiri.
Relief de-a lungul bazinului hidrografic. Aceasta este caracteristica cea mai vizibilă în redare
a modelelor de relief anterioare. Aici este, de asemenea, locul în care curbele de deplas
are a punctului de mijloc sunt cel mai puțin controversate și le putem folosi la fel de bine
pentru a modela relieful aici. Minimele locale de-a lungul acestui relief sunt cuspi ascuțiți, vor fi
sursele râurilor, iar harta prescrie pozițiile acestora. Cea mai simplă implementare folosește deplasări
pozitive și constă în modelarea reliefului de-a lungul bazinelor hidrografice prin funcțiile Land
sberg definite în Secțiunea I. De asemenea, se poate multiplica deplasarea pozitivă a pu
nctului mediu cu un factor aleator care este pozitiv, deci nu deplasează sursele.

trebuie să aducem ceva nou, și anume curbe fractale care n

Relief de-a lungul râurilor. Aici
u urcă niciodată. Cea mai simplă implementare se numește binom non-aleatoriu de pro
porție p < 1/2. Aici, Figura A.IOa pierderea de altitudine a unui râu între izvorul său și gura sa este
împărțită în raportul 1 — p în jumătatea din amonte și p < 1 — p în jumătatea din aval. O repartizare
similară, Figura A. 10b, se efectuează de-a lungul fiecărui segment al unui râu între puncte ale căror
distanțe de la sursă sunt de forma q 2 ~ k și ( 5 + 1 ) 2 “*. Acest lucru dă pentru fiecare profil de râu o
linie festonată care este ilustrată pe linia superioară a figurii A. 10. Fiecare râu este plat în apropierea
gurii sale și vertical în apropierea izvorului său, o caracteristică care exagerează percepția tuturor
asupra realității, dar nu o face. nedreptate masivă.
Inutil să spunem că p fix poate fi înlocuit cu un multiplicator variabil selectat aleatori
u.
Structura fractală a punctelor de șa. Aceste puncte sunt exemplificate prin punctul (1 / 8 ,1/8)
din Fig. A.9, după ce figura a fost transformată mental
A.3 Peisaje cu rețele de râuri, astfel încât toate triunghiurile sunt infinit de subțiri. De-a lungul
fiecăruia dintre cele două bazine hidrografice (care devin linii de pante de 45° sau —45° pe hartă),
există un minim local în acest punct de șa. Cele patru râuri sunt ortogonale cu bazinele de apă (au
pante de 0 sau 90° pe această hartă), iar pe ele punctul de șa este o sursă și un maxim abso
lut.
Structura fractală a punctelor de întâlnire a râurilor. Trei râuri care se întâlnesc se aplatizează chiar în
amonte de punctul lor de confluență, iar râul care iese are o „cascada” abruptă chiar în aval de acest
punct. Fiecare bazin hidrografic atinge un minim.
Inițiatorul construcției. Altitudinile inițiale de la cele patru vârfuri ale pătratului trebuie se
lectate pentru a satisface următoarele constrângeri: gura are cea mai mică altitudine (gâ
ndiți-vă la ea ca nivelul mării), punctul opus diagonal are o altitudine h > 0, iar cele dou
ă puncte rămase au altitudini care depășesc ph-ul, dar sunt altfel arbitrare. Unește fiecare v
ârf cu vecinii săi, nu numai pe hartă, ci în relief și unește gura cu vârful opus, din nou în r
elief. Relieful prefractal inițial rezultat este un singur bazin de drenaj care se proiectează
pe două triunghiuri isoscele drepte unite prin ipotenuzele lor.
Prima etapă a construcției. Primul pas al acestei etape este de a rupe fiecare dintre triung
hiurile inițiatorului în două, deplasând altitudinea deasupra punctului de mijloc.
Anexa A

a pătratului în jos, de la altitudinea inițiatorului h/2 până la valoarea inferioară ph. Efectul acestui
pas este de a atrage două râuri care sunt ortogonale cu cel inițial și se înclină spre centr
u. Următorul pas este să mutați punctele medii ale laturilor pătratelor inițiale în sus cu o
144
 145

cantitate w. Efectul este de a împărți fiecare interval de bazin de apă drept în două inter
vale și de a adăuga patru intervale de bazin de apă suplimentare, fiecare mergând de la
una dintre cele patru noi surse până la punctul de mijloc al râului inițial. Ca rezultat, fiec
are triunghi din inițiator se va fi împărțit în patru. Rezultatul acestei prime etape de cons
trucție constă în patru pătrate pe hartă, iar pe fiecare pătrat un bazin de drenaj care are
proprietățile pe care le-am cerut reliefului inițiator.
A doua etapă de construcție. Poate proceda exact ca prima. Relieful final este definit de cei
doi parametri p și w. Inutil să spun, din nou, totul poate fi randomizat.

A.3.2 Construind pe harta non-aleatorie prezentată în partea de sus a plăcii 73 din „Geometria fractală a
naturii”

Această hartă din [68] a fost deja menționată în acest apendice, când a descris cea de-a
doua construcție a unui fals fractal fără șifonare, fără râuri. Acum construim simultan râu
ri și șocuri de apă, ca în Figura A. 11. Harta inițiatorului, Figura A. 11 a, este un bazin de
drenaj hexagonal, străbătut de un râu care se unește deci cu sursa S 2 - One presupune că
sunt cunoscute altitudinile H ( S o ) , H ( S i ) > H ( S o ) şi H ( S 4 ) > H ( S 2 ) .
Prima etapă a construcției. În primul rând, altitudinile de la punctele medii 5j, S 3 și S 5 de-a
lungul bazinului hidrografic sunt interpolate prin deplasarea pozitivă a punctului de mijl
oc (fie procedura Landsberg, fie o versiune randomizată a acesteia). Aceasta conduce la
H ( S i ) , H ( S 3 ) şi H ( S s ) . Apoi, râul inițial drept este înlocuit cu un râu în formă de Y, așa c
um este marcat. Figura A. 1 lb, altitudinea la mijlocul hexagonului se determină în acelaș
i spirit ca și în cazul bazinelor de drenaj pătrate: împărțind diferența sau altitudinea dint
re punctele finale So și S 2 inițiale în următoarele rapoarte : 1 — p în jumătatea din amonte și p
< 1 — p în jumătatea din aval.
Dacă construcția ar fi oprită în această etapă, ultima etapă a primei etape ar fi repre
zentarea reliefului rezultat cu șase triunghiuri. Dar dacă construcția va continua, ultimul
pas este să desenați cele trei bazine de drenaj mai mici prezentate în Fig. A. 11c.
A doua etapă de construcție. Fiecare sau bazinele de la sfârșitul etapei unul are un vârf „gura” și cinci
vârfuri „sursă” și, în caz contrar, fiecare satisface
A.3 Peisaje cu rețele fluviale
Anexa A

condiţiile cerute iniţiatorului. Prin urmare, s-ar putea crede că construcția poate continua ca în prima
etapă. Cu toate acestea, apare o complicație majoră: unele dintre vârfurile sursă ale noului hexagon
sunt împărțite între două hexagoane vecine. Acest lucru injectează dependență de context
și necesită o nouă regulă pentru a ieși din impas. Între mai multe posibilități, regula pe c
are am adoptat-o este aceasta: când doi interpolatori de altitudine sunt în conflict, alege
ți-l pe cel mai mare.
Implementările exploratorii ale noilor algoritmi de mai sus de F. Kenneth Musgrave și Rej
ean Gagne sunt uimitoare și sugerează că procedurile avansate în acest text pot reînvia
subiectul peisajelor fractale.

Anexa B
Un ochi pentru fractali

Michael McGuire

Punctul meu de vedere asupra fractalilor ca fotograf este o inversare a celui al graficienil
or. Scopul lor implicit în imaginile pe care le sintetizează este fotorealismul. Includerea
fractalilor a fost un pas mare spre acest obiectiv. Este o bucată din ceea ce face realitatea „reală”. Așa
că m-am dus să caut fractali cu camera mea. Știind că erau acolo, i-a făcut vizibili. Prin analogie, în
1878, Eadweard Muybridge a realizat primele fotografii flash ale unui cal în galop, dovedind că
la un moment dat din pasul său, toate copitele sale erau de pe pământ. Acest lucru a sta
bilit un pariu și de atunci pictorii au pictat toate copitele de pe pământ deodată. A șa cu
m fotografia a informat pictura, așa și grafica pe computer informează fotografia.
Fotografia este mai ales o artă a recunoașterii și a compoziției. Repetarea își are loc
ul ca element al compoziției. Conceptul fractal este o îmbogățire majoră și transcenden
tă a acelui element. Există o tensiune crescândă între complexitatea fractalilor și acel ca
non al compoziției care cere simplitate sau unitate sau un subiect la un moment dat. Te
nsiunea este rezolvată, dar rămâne datorită puterii unificatoare a conceptului fractal. Adi
că, complexitatea provine din aplicarea recursivă a unei legi subiacente simple. O comp
oziție provine nu dintr-o declarație explicită despre care este legea sau algoritmul parti
cular pentru un fractal văzut, ci dintr-o recunoaștere intuitivă că aceasta este ceea ce exi
stă.
Artiștii au fost întotdeauna observatori pasionați ai lumii naturale și s-ar aștepta să găsească
fractali în munca lor dacă ar fi privit. Schițele lui Leonardo ale apei turbulente arată acest lucru. Nu mă
pot gândi la nicio imagine fractală mai explicită decât Marele Val de la Kanazawa al lui Hokusai . Marea
mare formă C a valului pe

261
Anexa B

stânga, în timp ce amenință să înghită micul sampan ca o barcă, se repetă în valuri și wa

velets tot mai mici pe tot parcursul imaginii. Este acolo în fotografia de peisaj contempor
ană. L-am observat în special în lucrările lui Brett Weston, Don Worth și William Garnett.
În cartea sa Basic Photo Series Natural Light Photography, publicată pentru prima dată în 19
52, Ansel Adams a scris despre fotografiarea texturilor într-un mod care a demonstrat o î
nțelegere profundă și implicită a conceptului fractal, lipsind poate doar eticheta pe care
o folosim acum. Cu siguranță își avea în minte imaginea lui Mt. Williamson din Manzanar, cu b
olovanul său mare în prim plan și câmpul de bolovani în spate și formele care răsună ale
munților din spatele lor, cu lumina soarelui de după-amiază târzie curgând printre nori.
El a scris,

Luați în considerare fotografiarea peisajelor stâncoase, un alt exemplu care p

rezintă probleme serioase în redarea texturală. Dincolo de o anumită distanț
ă, un câmp mare de bolovani de granit va apărea ca niște pietre perfect neted
e, texturile naturale fiind dincolo de puterea de rezoluție a lentilei și!sau a em
ulsiei. Pentru a sugera substanța acestor pietre este necesar să se includă în
prim-planul foarte apropiat un bolovan în care textura este dezvăluită în mod
146
 147

adecvat. Apoi puteți spune că fotografia „citește bine”. În timp ce nu puteți vedea textura
în bolovanii îndepărtați, o puteți vedea în bolovanul din apropiere și presupuneți că toți
bolovanii sunt același material. Această conștientizare a substanței este cea care este de o
importanță vitală în fotografia interpretativă.Fotografia, indiferent de funcția ei, trebuie să
„citească” clar.

Adams ne spune că fractalii sunt esențiali.

Merită să ne amintim o tradiție a matematicii și geometriei care influențează și afect
ează fotografia. În special, o carte The Curves of Life a fost publicată în 1914 de Theodore A
ndrea Cook. Accentul său a fost pus pe modelele de creștere în spirală. Influența sa asu
pra lui Edward Steichen în fotografiile sale cu floarea-soarelui și asupra lui Edward West
on în cochiliile sale de nautilus a fost bine documentată. Fotografiile care înso țesc acest
eseu sunt o încercare de a continua această tradiție. Au fost realizate cu con știentizarea
ideii fractale și cu intenția de a o afișa. În ceea ce privește detaliile tehnice, acestea au fost
realizate în format mare, ceea ce favorizează captarea detaliilor pe cea mai largă gamă de scale -
fractalii.
Un ochi pentru fractali
Fig. BO : Muntele Williamson,Sierra Nevada. Fotografie de Ansel Adams, 1944. Prin amabil
itatea administratorilor Ansel Adams Publishing Rights Trust. Toate drepturile rezervate.

Un ochi pentru fractali

Fig. B.2: Stejar de California II, Rezervația Arastradero, Palo Alto

Fig. B.3: Lava Pahoehoe I, Hawaii

148
149
Fig. B.6: Pandanus, Kauai, Hawaii

Anexa C

O abordare unificată a curbelor

fractale și a plantelor

Dietmar Saupe

150
 151

Cl Sisteme de rescriere a șirurilor

În această anexă introducem așa-numitele sisteme L sau sisteme

de rescriere a șirurilor, care produc șiruri de caractere pentru a fi
interpretate ca curbe și imagini. Metoda, care este foarte interesa
ntă în sine, umple două goluri pe care capitolele principale le lasă
deschise. În primul rând, sistemele de rescriere oferă o modalitate
elegantă de a genera curbele fractale clasice, de exemplu, curba f
ulgilor de zăpadă von Koch și curbele de umplere a spațiului ale l
ui Peano și Hilbert. În al doilea rând, metoda a fost concepută de
inventatorii săi pentru a modela topologia și geometria plantelor, î
n special a modelelor de ramificare a copacilor și tufișurilor. Astfe
l, acest apendice oferă o tehnică de modelare care dă cu ușurință
plante cu aspect relativ realist.
În cursul algoritmului este generat un șir lung de caractere. Caracterele
sunt litere ale alfabetului sau caractere speciale, cum ar fi „+”, „[”, et
c. Un astfel de șir corespunde unei imagini. Corespondența este s
tabilită printr-o broască țestoasă asemănătoare LOGO care interp
retează secvențial caracterele ca comenzi de bază, cum ar fi „înai
nte”, „întoarce la stânga”, „întoarce la dreapta”, etc. Ingredientul
principal al metodei este algoritmul pentru generarea șirurilor. , d
esigur. Trebuie dat un prim șir format din doar câteva caractere. S
e numește axiomă. Apoi fiecare caracter al axiomei este înlocuit cu
un șir luat dintr-un tabel de
273
Anexa C

regulile de producție. Această procedură de înlocuire se repetă de un

număr prescris de ori pentru a produce rezultatul final. În rezum
at avem că imaginea finală este complet determinată de

• axioma,

• regulile de producție,

• numărul de cicluri și definiția acțiunilor țestoasei, care desenează imaginea din și

rul de ieșire.
ALGORITHM Plot-OL-System (nivel maxim)
Titlu Curbe fractale și plante folosind sisteme OL

Argumente maxlevel numărul de cicluri în generarea șirurilor

Globale axiomă șir care conține axioma sistemului OL
KarQ matrice de caractere (dimensiune num), intrări ale regulilor de
producție
Regulă[] matrice de șiruri (dimensiune num), rezultate ale regulilor de
producție
num numărul de reguli de producție
TurtleDirN numărul de direcții posibile ale broaștei testoase
Variabile str șir care urmează să fie generat și interpretat
xmin, xmax interval acoperit de curba în direcția x
ymin, ymax interval acoperit de curba în direcția y

ÎNCEPE
GenerateString (maxlevel, str)
CleanUpString (str)
GetCurveSize (str, xmin, xmax, ymin, ymax) Turtlelninterpretation (str, xmin, xmax, ymin, ymax)
 Vom vedea că pentru a specifica o curbă sau un arbore complex vor fi suficiente doa
r câteva reguli de producție. Axioma împreună cu regulile de producție pot fi privite ca
genele care controlează „creșterea” obiectului. Aceste informații pot fi foarte mici în co
mparație cu complexitatea imaginii rezultate. Același lucru este valabil și pentru sisteme
le cu funcții iterate din Capitolul 5. Provocarea pentru sistemele cu funcții iterate, precu
m și pentru sistemele L este de a stabili informațiile de sistem necesare pentru a produc
e un obiect dat sau un obiect cu proprietăți date. Acesta este un subiect de cercetare a
ctuală.
Sistemele L au fost introduse de A. Lindenmayer în 1968 [ 109] în scopul modelării c
reșterii organismelor vii, în special a modelelor de ramificare a plantelor. AR Smith în 19
84 [96] și R Prusinkiewicz în 1986 [88,110] au încorporat sisteme L în grafica computeri
zată. Acest apendice se bazează pe lucrarea lui P. Prusinkiewicz. Toate defini țiile și majo
ritatea exemplelor sunt luate din el
C.2 Curba fulgului de nea von Koch

ALGORITHM GenerateString (maxlevel, str) Generarea șirurilor de titlu în OL-System

Argumente maxlevel numărul de cicluri în generarea șirurilor

str șir de ieșire
Globale axiomă șir care conține axioma sistemului OL
matrice de caractere (dimensiune num), intrări ale regulilor de
KarO producție
matrice de șiruri (dimensiune num), rezultate ale regulilor de
Regulă[] producție
num numărul de reguli de producție
Variabile nivel întreg, numărul de cicluri de generare a șirurilor
comanda caracter
strO şir
eu, k întreg
Funcții strlen(e) returnează lungimea șirului s
strapp(e, t) returnează șirul s adăugat de șirul t
getchar(s, k) returnează al-lea caracter al șirului s
strcpy(s, t) procedura pentru a copia șirul t în șirul s

ÎNCEPE

lucrări 1 , unde cititorul interesat va găsi, de asemenea, o prezentare mai detaliată a istori
ei sistemelor L și referințe ulterioare.

C.2 Curba fulgului de nea von Koch revăzută

Principiul capacului L-systems poate fi exemplificat cu curba fulgilor de zăpadă von Koc
h din Secțiunea 1.1.1 (comparați Figura 1.3). Să presupunem că țestoasa asemănătoar
e LOGO este echipată cu următorul set de instrucțiuni de caractere:
1
Vezi și cartea recentă a lui P. Prusinkiewicz și J. Hanan, „Lindenmayer Systems, Fract
als and Plants”, Lecture Notes in Biomathematics, Springer-Verlag, 1989.
Anexa C
Fig. cl: Primele șase etape ale generației curbei fulgilor de nea von Koch. Sistemul OL est
e dat de axioma „F”, unghiul 8 = y și regula de producție F —> F—F++F—F.
C.2 Curba fulgului de nea von Koch
„F” trage o linie înainte,
„+” virați la dreapta cu 60°,
152
 153

' virați la stânga cu 60°.

Începem cu o linie dreaptă, notată cu „F”. Aceasta este axioma curbei fulgilor de nea von Koch. În
etapa 1 linia este înlocuită cu o linie înainte, o viraj la stânga, o linie, două viraj la dreapta pentru un
total de 120°, o linie, o viraj la stânga și o altă linie. În limbajul țestoasei, aceasta poate fi scrisă ca
șirul „F—F++F—F”. Putem ignora specificarea lungimilor segmentelor de linie în acest punct.
Ulterior, fiecare linie; simbolizat de caracterul „F”, din nou trebuie înlocuit cu șirul „F—F++F—F”.
Astfel, în treapta 2 avem șirul

„F—F++F—F—F—F++F—F++F—F++F—F—F—F++F—F”, iar în etapa 3 obținem

„F-F++FF - F-F++FF ++ F-F++FF - F-F++FF - F—F++F—F — F—F++F—F ++ F —F++F—F

— F—F++F—F ++
F—F++F—F — F—F++F—F ++ F—F++F—F — F—F++F—F —
F—F++F—F - F-F++FF ++ F-F++F -F - F-F++FF", și așa mai departe.

Anexa C
Fig. C.2: Primele șase etape în generarea curbei Hilbert de umplere a spațiului. Sistemul
OL este dat de axioma „X”, unghiul 8 = - și regulile de producție X —» — YF+XFX+FY—, Y
C.3 Definiții și implementare
Argumente str şir
xmin, xmax interval acoperit de curba în direcția x
ymin, ymax interval acoperit de curba în direcția y
Variabile i întreg
comanda caracter
Globale TurtleX poziția x reală a țestoasei
broasca
testoasaY poziția reală a broaștei testoase
TurtleDir direcția țestoasei (codificată ca număr
întreg)
TurtleDirN numărul de direcții posibile ale broaștei
testoase
matrice de valori ale cosinusului
CO[] TurtleDirN
SI[] matrice de valori TurtleDirN sinus
Funcții strlen(e) returnează lungimea șirului s
getchar(s, k) returnează al-lea caracter al șirului s
În rezumat avem că atunci când trecem de la o etapă la alta trebuie să înlocuim un caracter „F” cu
șirul „F—F++F—F\ în timp ce caracterele „+” și „ sunt păstrate. Astfel, L- sistem este format din
axioma M F” și regulile de producție
F —► F—F++F—F, -------------+ —► +, > —.

C.3 Definiții formale și implementare

Există diferite tipuri de sisteme L. Aici luăm în considerare doar sistemele OL, în care car
acterele sunt înlocuite cu șiruri de caractere (în sistemele pL se pot aplica reguli de subs
tituție mai complicate).
C.3 Definiții și implementare
Argumente str şir
xmin, xmax interval acoperit de curba în direcția x
ymin, ymax interval acoperit de curba în direcția y
Variabile i întreg
comanda caracter
Factor real
ix, iy numere întregi
Globale xsize, ysize dimensiunea ecranului în pixeli
Funcții strlen(e) returnează lungimea șirului s
getchar(s, k) returnează al-lea caracter al șirului s
Mutare la () mutați poziția grafică
DrawTo () trageți o linie către noua poziție grafică
XScreen (x) = INT (Factor * (x - xmin))
YScreen (y) = INT (Factor * (y - ymin))

Fie V să desemneze un alfabet și V* mulțimea tuturor cuvintelor peste V. Un sistem O

L este un triplet < V,uj,P >, unde V este alfabetul, w E V* un cuvânt nevid numit axiomă și
P C V x V* este un set finit de reguli de producție. Dacă o pereche ( c, s) este o producți
e, scriem c —* s. Pentru fiecare literă c 6 V există cel puțin un cuvânt s EV* astfel încât c —
*• s. Un sistem OL este determinist, dacă și numai dacă pentru fiecare c E V există exact u
n s E V* astfel încât c —> s.
În toate exemplele nu specificăm alfabetul V în mod explicit, acesta constă din toate
caracterele care apar în axiomă și regulile de producție. De asemenea, dacă nu este
menționată o regulă specifică pentru un caracter, atunci se presupune că este identitatea, adică + —» +,
------------------► — și, de obicei, F —> F.
Pseudocodul inclus implementează procedura de generare a șirurilor și interpretarea gr
afică. Programul extinde mai întâi axioma, apoi extinde șirul rezultat și așa mai departe.
CleanUpStringO este numit în continuare. Îndepărtează totul

154
 155

terpretation() determină în cele din urmă dimensiunea imaginii și produce graficul de ieșire. Trebuie remarcat faptul că în
cazul unui sistem OL se poate scrie o rutină recursivă echivalentă. Ar extinde câte un caracter, în conformitate cu regula de
producție corespunzătoare și apoi va recurge pentru fiecare dintre caracterele șirului rezultat până când este atins nivelul
dorit de detaliu. Caracterele finale pot fi interpretate grafic imediat cu condiția ca dimensiunile generale ale imaginii să fie
cunoscute a priori.
Rutinele pentru manipularea șirurilor oferite de limbajele de programare diferă foarte mult de la un limbaj la altul.
Pentru implementarea noastră am împrumutat câteva rutine din limbajul C. Cu toate acestea, acestea ar trebui să fie imitate
cu ușurință în diferite limbi, cum ar fi Pascal sau Basic.
Anexa C
Fig. CS: În stânga curba Peano de umplere a spațiului (etapa a treia). Sistemul OL este d
at de axioma „X”, unghiul 6 = f și regulile de producție X —* XFYFX+F+YFXFY—F—XFYFX, Y
—> YFXFY—F—XFYFX+F+YFXFY. În dreapta o curbă pătrată Sieipinsky (etapa a 5-a). Sistemul
OL este dat de axioma „F+F+F+F”, unghiul = f și regula de producție F —» FF+F+F+F+FF.
Fig. C.6: Curba dragonului (etapa a 16-a). Sistemul OL este dat de axioma „X”, unghiul 6
= f și regulile de producție X —> X+YF+, Y —» —FX—Y.

Pseudocodul nu este optimizat pentru viteză. Se pot face multe îmbunătățiri. De exemplu, caracterele pot fi identificate
cu reprezentarea lor ASCII întreagă. Pentru fiecare dintre cele 128 de caractere poate exista o regulă (posibil goală) stocată
într-o serie de reguli. În această configurație, căutarea regulii adecvate care să fie aplicată în extinderea unei scrisori este
mai simplă și mai rapidă. Ca o a doua observație, să subliniem că rutina de sistem strapp(), care adaugă un șir la alt șir, este
numită foarte des în algoritmul GenerateString(). Acest proces generează șiruri foarte lungi și, ca urmare, performanța
strappi) poate scădea dramatic. Este ușor să ocoliți această problemă, dar aceasta depinde din nou în mare măsură de
alegerea limbajului de programare. Astfel, omitem aceste detalii aici.
Abordarea noastră față de sistemele L poate fi extinsă în multe moduri. Dăm câteva idei (vezi [88]). ,
Anexa C
1. Strategia de extindere a caracterelor poate fi modificată astfel încât să se aplice una sau alta regulă conform literelor
precedente și următoare. Acesta este un caz de dependență de context, iar sistemele rezultate sunt numite pL-sisteme
(pseudo L-sisteme).
2. Toate obiectele generate de sistemele L deterministe sunt fixe. Nu există variații. Pentru a obține mai multe exemplare
diferite ale aceleiași specii, trebuie introdusă o anumită aleatorie împreună cu un sistem L nedeterminist. Astfel, există mai
multe reguli posibile de aplicat într-o anumită situație. Unele probabilități ar trebui atașate acestor reguli a priori. Apoi, un
generator de numere aleatoare poate decide care dintre reguli se aplică în cele din urmă. Această procedură amintește foarte
mult de sistemele de funcții repetate din Capitolul 5.
3. Țestoasa care interpretează șirurile extinse i se poate permite să învețe un vocabular mai larg de comenzi. De exemplu.
parantezele pot fi folosite pentru a grupa comenzile de desen care definesc limita unui poligon de umplut. Desigur, stilul de
linie și culoarea sunt parametri de interes. De asemenea, țestoasa poate fi instruită să se miște și să deseneze în trei
dimensiuni. Suprafețele curbe pot fi luate în considerare în plus față de poligoane.
Anexa D

Explorând setul Mandelbrot

Yuval Fisher

Acest apendice descrie limitele distanței și un algoritm care poate fi folosit pentru a
genera imagini alb-negru ale setului M Mandelbrot foarte rapid. Folosind aceste limite, algo
ritmul calculează discuri în C , planul complex, care sunt complet în interiorul sau în afar
a mulțimii M. După ce un număr relativ mic de aceste discuri sunt calculate și umplute, i
ese granița complicată a mulțimii Mandelbrot. O udină aproximativă a setului este gene
rată aproape instantaneu în comparație cu metodele de scanare a imaginii M, ceea ce fa
ce algoritmul ideal pentru explorarea în timp real a lui M. Algoritmul se bazează pe ideile
lui J. Milnor și W. Thurston (vezi Secțiunea 4.2). .5) care au fost extinse de A. Wilkes și J.
Hubbard.
Limita superioară din Secțiunea 4.2.5 privind distanța de la un punct situat în afara
setului Mandelbrot la setul a fost folosită pentru a desena unele dintre frumoasele imagini alb-negru
ale limitei setului Mandelbrot din această carte. Dacă s-ar cunoaște o limită inferioară a acestei
distanțe, ar putea fi desenat un disc în jurul lui c care s-ar afla în întregime în afara mulțimii, iar aces
t lucru are avantajul enorm că nu trebuie verificate alte puncte din acel disc pentru excl
156
 157

uderea din M . De fapt, o astfel de limitare pe distanța d( c, M) dintre un punct c situat în

afara lui M și M însuși este
(Dl)

unde G{c) este potențialul punctului c (vezi Ecn. (4.21) ).

În secțiunea următoare, demonstrăm Ecn. (Dl) și apoi descrieți un algoritm (vezi DBM/M )
care utilizează această estimare pentru a desena M. În a doua parte a acestui

287
Anexa D
apendice, obținem o estimare similară pentru un punct c în interiorul mulțimii Mandelbr
ot. Adică, dat un punct c 6 M, calculăm raza unui disc în jurul lui c care este complet con
ținut în M. În cele din urmă, descriem pe scurt un argument analog care se aplică mulți
milor Julia conexe.
Cititorii care sunt interesați în principal de implementare ar putea dori să treacă dire
ct la casetele care conțin algoritmul și pseudocodul.

Dl Mărginirea distanței la M
În această secțiune, calculăm o limită inferioară a distanței de la un punct c la M folosin
d două rezultate frumoase ale analizei complexe. Prima este o teoremă clasică datorată l
ui R Koebe, iar a doua este un rezultat relativ nou în dinamica complexă datorită lui Dou
ady și Hubbard.
Teorema Koebe £ afirmă că dacă / : D —* C este o funcție analitică din discul unitar desch
is D = {z : \z \ < 1} în planul complex și dacă /( z ) este unul la unu cu /(0) = 0 și |/'(0) | = 1
apoi 1 /( D) D Adică punctul zero este cel puțin l
a o distanță de \ de limita lui /( D ). Dacă /( 0) = o și |/'(0) | = b atunci putem aplica încă t
eorema Koebe prin translația și scalarea f ( z ) pentru a satisface ipoteza teoremei. În ace
st caz, f ( D ) DD( j , A ) . Rețineți că pentru a calcula raza discului, trebuie să cunoaștem b,
mărimea derivatei lui /( z ).
Raportăm acest rezultat la mulțimea Mandelbrot folosind o teoremă a lui Douady și
Hubbard[29]. Ei au demonstrat conexiunea lui M prin construirea unei hărți analitice, un
u-la-unu și pe hartă

<& : C \M -► C \D

unde, D = { z : \z\ < 1}. Nu putem aplica teorema Koebe acestei hărți deoarece nu este de
finită pe un disc. Totuși, dacă scriem r ( z) = j atunci r o <J> mapează C \M la D\ {0 }, iar inv
ersul acestei fracții este aproape definit pe un disc. Din păcate, ( r o $ ) ( z ) nu este definit
_1

la 0, dar putem muta punctul în care (ro <P)~ J (z) nu este definită în felul următor. Alegeți niște co
€ C \M și fie d= r(<h(co)) =

1
D( r, i) desemnează discul cu raza r centrat pe z în C .
D. 1 Limitarea distanței la M

Transformarea Mobius 2

z — d 1 - d z mapează d la 0 și 0 la —d. Deci m<ioro$> mapează C

\M la D\ { — d } . Dacă restricționăm 3 themap (m(£oro4») -1 (z) la
disc£)(|(i|,0) C D \ { — d), obținem o hartă ¥ pe D dată de
 Y : D -► C \ M .
z i-* ( m d o r o<&) -1 (|d|;z).

T mapează 0 »-*• co şi satisface ipoteza teoremei Koebe. Acum putem calcula l'F'(O) | = R =
și apoi D ( j , c q ) c ' V ( D ) . Adică, distanța de la co la M este de cel puțin j . Înlocuind G (
c) = log(|<J>(c)|) în Ecn. (D.2) obținem
2 sinh G ( c o )
G^IG'Cco)!'
dovedind Ecn. (Dl).
Când c este aproape de M , G { c) este aproape de 0 și putem folosi Eqn. (4.30) și est
imarea sinh G { c) w G { c) pentru a aproxima Ecn. (D.3) de către

Bf»2-4x|^}l°gKI (D.4)
\ Zn\** \ z n\
cu z n = f ^ ( c o ) și 4= £ f ? 0 (co).
Când co este departe de M , adică atunci când estimarea sinh G(co) f n G{ co) este sla
bă, putem aproxima R în Eqa (D.2) folosind

|^(co)|f« \z n \b (D .5)

|'b'(co)|^M^- 1 |4l, (D-6)

care sunt o consecință a construcției hărții de către Hubbard și Douady <b(c) [29],
2
dacă d = x + iy atunci d, conjugatul complex al lui d, este d = x — iy. Harta m&(z ) este an
alitică și bijectivă pe D, ceea ce este important deoarece avem nevoie de o hartă analitic
ă unu-la-unu pentru a aplica teorema Koebe.
3
Aceasta înseamnă că „aruncăm” unele puncte din D din estimarea noastră. O limită mai
precisă și oarecum greoaie poate fi obținută luând în considerare inversul lui m* oroOor: C
\r(M) —► D.

158
 159

Anexa D
Fig. D.2: Progresia unui algoritm FastM() modificat care arată conturul brut al unei porțiuni d
e M, rafinamente succesive și etapa finală de scanare. Parametrul RECUR a fost mai întâi
setat la 40 și apoi la 5 în imaginile cu 696 x 696 pixeli. Imaginile au 20,50,100,1000, 80
00 și, respectiv , 60,552 de apeluri către MDisk() . Rețineți că 60.552 este considerabil mai puțin
decât 484.416 de puncte pe care un algoritm de scanare standard ar trebui să le repete.

D.2 Găsirea discurilor în interiorul lui M

În această secțiune derivăm o limită inferioară a distanței de la un punct c EM la limita l
ui M. Ca și în secțiunea anterioară, combinăm teorema Koebe \ cu o teoremă a lui Douad
y și Hubbard.
Douady și Hubbard construiesc hărți din submulțimi din interiorul M la D. Se presup
une că interiorul mulțimii Mandelbrot constă din componente (sau regiuni) în care iterațiile
/ c ( z) = z 2 + c începând de la z = 0 vor converg către un ciclu periodic 4 al unei perioade
p. O componentă a interiorului lui M în care numerele /"(0) converg către un ciclu period
ic al unei perioade fixe p se numește hiperbolică. Se presupune că toate componentele i
nteriorului lui M sunt hiperbolice. De exemplu, principalul cardioidul lui M este o compo
nentă hiperbolică în care iteratele /"(0) converg ca n —> oo către un punct fix (care depinde de
punctul c).
Douady și Hubbard demonstrează că fiecare componentă hiperbolică a interiorului l
ui M poate fi mapată într-un mod unu-la-unu pe D. Vom aplica teorema Koebe la inversul
hărții pe care o construiesc, compusă cu transformarea Mobius corespunzătoare. În mo
d specific, ei arată că dacă W este o componentă hiperbolică a lui M cu c EW și dacă
z o ( c ) , . , 2 p _i(c) este un ciclu periodic 5 al perioadei p către care /"( 0) converge ca n —►
o o , apoi harta p : W - * D

160
 161

c ~ £(/c)(*o(c))
este analitic, unu-la-unu și pe. Dacă co E W și p(co) = d E D , atunci putem precompune
p(c) cu m d ( z ) = ( z — d ) / ( \ — d z ) pentru a obține o hartă ra^op : W —► D care hărți co ■
—» 0. Acum harta ( op) -1 (z) satisface ipoteza teoremei Koebe, prin constructie.
Pentru a calcula raza unui disc care este conținut în W trebuie să găsim | gr( m d op) -
1
( 0) | , pe care îl putem calcula inversând | ^( m d op) ( co ) |. Diferențierea dă,

|£(m d op)(c 0 )|= K(d)||^(/P)(* 0 (co))|. (D .8) Calcularea celui de-al doilea termen este

mai clară dacă scriem /£( z ) = / p ( c, z ) astfel încât,

4
Un ciclu periodic al perioadei p pentru f e (z) este o mulțime de numere z 0 ,..., Zp_i, z p = z 0 care satisface Z {+1 = /c(ZTj)'
5
Iteratele /”( z) și deci punctele care compun ciclul periodic depind analitic de parametrul c.
D.2 Găsirea discurilor în interiorul M

Aceasta nu este expresia cea mai plăcută, dar din fericire fiecare termen din Ecn. (D.9) p
oate fi calculat recursiv prin aplicarea regulii lanțului la
2
= [f\c,z)] + c.

Aceasta dă,
2
r-&r.
(D.10)
II
V xn+1 _ (D.ll)
lr r+l
dc 1 Tc '
_ (D.12)
dz dz* d 9
J
rr^l _ dcdz ■ %-r * r ■ (D.13)
dz dc dc dz
11
, p — 1 cu
O
/—N
8

—/° = 1 d z J
'
11

dd .0 _ ddm _ dzdz J
dcdz J
'
pentru n = 0,..
Deoarece z q ( c) este periodic, 20 (c) = Pic, 20 (c)) și putem calcula d z o ( c ) d r

— - 1 — = -r[/ p (c, 20 (c))]

ac ac
= ^/ p ( C, 20 ( c) ) + J^/ P ( C, 20 ( c) ) ,

SO, d z p (c) _ ^/p(c, 20 (c))

dc 1 p
- ^/ (c, 20 (c))
Combinând ecuațiile de mai sus ajungem la estimarea dorită,

|^(mdop) J
(0)| = R = ^
p
B = \——f + —— /p—
[
dcdz J
evaluat la (c, 2 ) = ( co, zo ( co) ) • Cu aceasta, D ( f , c ) C W c M . Adică, toate punctele care su
nt la o distanță mai mică decât f față de c vor fi și în M .
D.3 Seturile Julia conectate
Discuția din Secțiunea Dl se aplică aproape identic atunci când înlocuim o mulțime Mi
a conectată J cu M. Estimarea distanței se dovedește a fi sinh g ( z ) 2 sinh g ( z )
2 e^*'>\g'(z)\ Z> \g'(z)\
unde g ( z ) este potențialul unui punct z în afara mulțimii Mia J definită în Ecn.
(4.15).
Ca și mai înainte, limita inferioară a distanței este bine estimată cu z n = i + c, zo = z ; z'
n = 2z„_i , z' 0 = 1; și unde c este parametrul complex care definește setul Mia pentru
/ c ( z). Astfel, singurele modificări care sunt necesare pentru a aplica algoritmul
DBM/M la o mulțime Mia conectată implică ecuațiile recursive pentru z n și z' n .
Bibliografie

[1] Ambum, P., Grant, E., Whitted, T.

Gestionarea complexității geometrice cu metode procedurale îmbunătățite
Computer Graphics 20,4 (1986)
[2] Aono, M. și Kunii, TL
Generarea imaginilor arborelui botanic
IEEE Computer Graphics and Applications 4,5 (1984) 10-33
[3] Barnsley, MF și Demko, S.
Sisteme de funcții iterate și construcția globală a fractalilor The Proceedings of the Royal Socie
ty of London A399 (1985) 243-275
[4] Barnsley, MF, Ervin, V., Hardin, D. și Lancaster, J.
Rezolvarea unei probleme inverse pentru fractali și alte mulțimi Proceedings of the
National Academy of Sciences 83 (1985)
[5J Barnsley, MF
Funcții fractale și interpolare Aproximație constructivă 2 (1986) 303-329
[6] Barnsley, MF, Elton, J.
O nouă clasă de procese Markov pentru codificarea imaginilor Apare în : Journal of
Applied Probability
[7] Barnsley, MF
Fractali de pretutindeni să apară, (Academic Press, 1988)
[8] Beaumont, GP
Probabilitate și variabile aleatoare (EllisHorwood Limited, 1986)
[9] Becker K.-H. și Dorfler, M.
Computergraphische Experimente mit Pascal (Vieweg, Braunschweig, 1986)
[10] Bedford, TJ.
Dimensiunea și dinamica pentru mulțimi recurente fractale
Journal of the London Mathematical Society 2,33 (1986) 89-100
297
Bibliografie

[11] Berry, MV și Lewis, ZV

Pe funcția fractală Weierstrass-Mandelbrot Proc. R. Soc. Lond. A370 (1980)
459-484
[12] Binnig, G. și Rohrer, H.
Microscopul cu scanare tunel Scientific American (august 1985) 50 și urm.
[13] Blanchard, P.
Dinamica analitică complexă pe sfera Riemann Bull. Amer. Matematică. Soc.
11 (1984) 85-141
162
 163

[14] Bouville, C.
Elipsoizi de delimitare pentru intersecțiile raze-fractale Computer
Graphics 19,3 (1985)
[15] LaBrecque, M.
Fractal Applications Mosaic 17,4 (1986) 34^18
[16] Brolin, H.
Mulțimi invariante sub iterație de funcții raționale Arkiv f. Mat. 6 (1965)
103-144
[17] Cochran, WT și colab.
Ce este transformata Fourier rapidă?
Proc. IEEE 55 (1967) 1664-1677
[18] Coquillart, S. și Gangnet Afișare umbrită a hărților
digitale
IEEE Computer Graphics and Applications 4,7 (1984)
[19] Carpenter, L.
Redare computerizată a curbelor și suprafețelor fractale Computer
Graphics (1980) 109fT.
[20] Clark, K.
Peisagistică
(Fiii lui Charles Scribner, New York, 1950)
[21] Coulon,F.de
Teoria și procesarea semnalului (Casa Artech, 1986)
[22] Coxeter, HSM
Simetria non-euclidiană a imaginii lui Escher „Circle Limitin” Leonardo 12 (1979) 19-25
[23] Demko, S., Hodges, L. și Naylor, B.
Construcția obiectelor fractale cu sisteme de funcții iterate Grafică pe computer 19,3 (iulie 1985)
271-278 Bibliografie

[24] Devaney, RL
Un model liniar pe bucăți pentru zonele de instabilitate ale unei hărți de conserva
re a zonei.
Physica DIO (1984) 387-393
[25] Devaney, RL
O introducere în sistemele dinamice haotice (Benjamin Cummings Publishing Co., Menlo Par
k, 1986)
[26] Devaney, RL
Explozii haotice în sisteme dinamice neliniare Science 235 (1987) 342-345
[27] Dewdney, Alaska,
Recreere pe computer: Un microscop de computer se mări pentru a vedea cel mai
complex obiect din matematică Scientific American (august 1985) 16-25
[28] Dewdney, Alaska,
Recreeri pe computer: frumusețe și profunzime: decorul Mandelbrot și o turmă de
veri ai săi numite decorurile Julia Scientific American (noiembrie 1987) 140-144
[29] Douady, A., Hubbard, JH
Iteration des polynomes quadratiques complexes CRAS Paris 294 (1982) 123-126
[30] Douady, A. și Hubbard, JH
Despre dinamica mapărilor de tip polinomial
Ann. Sci. Ecole Normale Sup., %4 e serie, tl8 (1985) 287-343
[31] Diaconis, P. și Shahshahani, M.
Produse ale matricilor aleatoare și generarea imaginilor computerizate Contemporary
Mathematics 50 (1986) 173-182
 [32] Elton, J.
O teoremă ergodică pentru hărți iterate
Apare în : Journal of Ergodic Theory and Dynamical Systems
[33] Escher, MC
The World of MC Escher (HN Abrams, New York, 1971)
[34] Falconer, KJ
Geometria seturilor fractale
(Cambridge University Press, Cambridge, 1985)
[35] Family, F. și Landau, DP (editori)
Kinetics of Aggregation and Gelation (North-Holiand, New York, 1984) Bibliografie

[36] Family, F. și Landau, DP (editori)

Cinetica agregării și gelării (North-Holland, New York, 1984)
[37] Fatou, P.
Sur les ecuații funcționale
Taur. Soc. Matematică. pr. 47 (1919) 161-271,48 (1920) 33-94, 208-314
[38] Fishman, B. și Schachter, B.
Afișarea pe computer a câmpurilor de înălțime Computers and Graphics 5 (1980) 53-60
[39] Foley, JD și van Dam, A.
Fundamentele graficii interactive pe computer (Addison-Wesley, Reading, Mass., 1982)
[40] Fournier, A., Fussell, D. și Carpenter, L.
Redarea computerizată a modelelor stocastice Comm, din ACM 25 (1982) 371-384
[41] Fournier, A. și Milligan, T.
Algoritmi cadru tampon pentru modele stocastice IEEE Computer Graphics and Applicatio
ns 5,10 (1985)
[42] Freeman, JJ
Principiile zgomotului
(John Wiley & Sons, Inc., New York, 1958)
[43] Fricke, R. și Klein, F.
Vorlesungen iiber die Theorie der automorphen Funktionen (Teubner, Leipzig, 1897) și
(Johnson, retipărire)
[44] Galambos, J.
Teoria probabilității introductivă (Marcel Dekker Inc., 1984)
[45] Gardner, M.
Muzică albă și maro, curbe fractale și zgomot one-over-f Scientific American (aprilie
1978) 16 și urm.
[46] Gonzalez, RC și Wintz, P.
Procesarea digitală a imaginii
(Addison-Wesley, Reading, Mass., 1987)
[47] Guckenheimer, J. și McGehee, R.
conjecturei Mandelbrot N 2
Raport al Institutului Mittag-Leffler, Djursholm, Suedia
[48] Hata, M.
Despre structura seturilor auto-asemănătoare
Japan Journal of Applied Mathematics 2,2 (1985) 381^414 Bibliografie

[49] Harrington, S.
Grafică pe computer - O abordare de programare (McGraw Hill, New York, 1987)
[50] Heam, D. și Baker, MP
Grafică pe computer
(Printice-Hall, Englewood Cliffs, NJ, 1986)
164
 165

[51] Henon, M.
O mapare bidimensională cu un atractor ciudat Commun. Matematică. Fiz. 50 (1976) 69-77
[52] Hentschel, HGE și Procaccia, I.
Numărul infinit de dimensiuni generalizate ale fractalilor și atractorilor ciudați
Physica 8D (1983) 435-444
[53] Hofstadter, DR
Atractori ciudați: modele matematice situate delicat între ordine și haos
Scientific American 245 (mai 1982) 16-29
[54] Hutchinson, J.
Fractali și auto-asemănarea
Indiana University Journal of Mathematics 30 (1981) 713-747
[55] Julia, G.
Sur 1'iteration des fonctions rationnelles Journal de Math. Pure et Appl. 8 (1918) 47-245
[56] Jurgens, H., Peitgen, H.-O. și Saupe, D.
Setul Mandelbrot: o animație computerizată a sistemelor dinamice complexe
(Institut fur den Wissenschaftlichen Film, Gottingen, 1988) (va apărea)
[57] Jiiigens, H., Saupe, D. și Voss, R.
Redare rapidă a câmpurilor de înălțime în pregătire
[58] Kajiya, JT
Noi tehnici de urmărire a razelor de obiecte definite procedural Computer Graphics 17,3
(1983)
[59] Kawaguchi, Y.
Un studiu morfologic al formei naturii Computer Graphics 16,3 (1982)
[60] Lewis, JP
Metode pentru sinteza spectrală stocastică ACM Transactions on Graphics (1987) Bibliografie

[61] Liu, SH
Fractali și aplicațiile lor în fizica materiei condensate Solid State Physics 39
(1986) 207ff.
[62] Lovejoy, S. și Mandelbrot, BB
Proprietățile fractale ale ploii și un model fractal Tellus 37A (1985) 209-232
[63] Mandelbrot, BB și Ness, JWvan
Mișcare browniană fracțională, zgomote fracționale și aplicații SIAM Review 10,4 (1968)
422-437
[64] Mandelbrot, BB și Wallis, JR
Unele proprietăți pe termen lung ale înregistrărilor geofizice Water Resources Research 5
(1969) 321-340
[65] Mandelbrot, BB
Turbulențe intermitente în cascade auto-similare: Divergența momentelor superioa
re și dimensiunea purtătorului J. Fluid Mech. 62 (1974) 331-358
[66] Mandelbrot, BB
Fractali: formă, șansă și dimensiune (WHFreeman and Co., San Francisco, 1977)
[67] Mandelbrot, BB
Aspecte fractale ale iterației lui z t-* Az( 1 — z) pentru complexul A și z Analele NY Acad. Scienc
es 357 (1980) 249-259
[68] Mandelbrot, BB
Geometria fractală a naturii (WHFreeman and Co., New York, 1982)
[69] Mandelbrot, BB
Comentariu asupra redării pe computer a modelelor stocastice fractale Comm, din ACM
25,8 (1982) 581-583
[70] Mandelbrot, BB
Curbe fractale osculate de discuri sigma și construcție de seturi de limite auto-inver
se
Mathematical Intelligencer 5,2 (1983) 9-17
[71] Mandelbrot, BB
Fractali în fizică: clustere Squig, difuzii, măsuri fractale și unicitatea dimensionalită ți
i fractale J. Stat. Fiz. 34 (1984) 895-930
[72] Mandelbrot, BB
Fractali auto-afine și dimensiunea fractală Physica Scripta 32 (1985) 257-260
Bibliografie

[73] Mandelbrot, BB, Gefen, Y., Aharony, A. și Peyriere, J.

Fractali, matricele lor de transfer și secvențele lor dimensionale proprii J. Fiz. A 18
(1985) 335-354
[74] Mastin, GA, Watterberg, PA și Mareda, JF
Sinteza Fourier a scenelor oceanice
IEEE Computer Graphics & Applications, (martie 1987) 16-23
[75] Mai, RM
Modele matematice simple cu dinamică foarte complicată Nature 261 (1976) 459-467
[76] Miller, GSP
Definirea și redarea hărților de teren Computer Graphics 20,4 (1986) 39-48
[77] Milnor, J.
Auto-asemănarea și părul în setul Mandelbrot Institutul pentru Studii Avansate, preprint
[78] Musha, T. și Higuchi, H.
Fluctuația Ilf a unui curent de trafic pe o autostradă Jap. J. Apl. Fiz. 15 (1976) 1271-1275
[79] Norton, A.
Generarea și afișarea fractalilor geometrici în grafica computerizată 3-D 16,3 (1982) 61-67
[80] Oppenheimer, PE
Design și animație în timp real a plantelor și copacilor fractali Grafică computerizată 20,4
(1986)
[81] Orbach, R.
Dinamica rețelelor fractale Știință 231 (1986) 814-819
[82] Peitgen, H.-O. și Richter, PH
Die unendliche Reise
Geo 6 (iunie 1984) 100-124
[83] Peitgen, H.-O. și Richter, PH
Frumusețea fractalilor (Springer-Verlag, Berlin, 1986)
[84] Peitgen, H.-O., Saupe, D. și Haeseler, Fv
Problema lui Cayley și Julia se stabilește
Matematică. Intelligencer 6 (1984) 11-20
[85] Pietronero, L. și Tosatti, E. (editori)
Fractali în fizică
(Elsevier Science Publishers BV, 1986)
Bibliografie

[86] Press, WH, Flannery, BP, Teukolsky, SA și Vetterling, WT Numerical Recipes

(Cambridge University Press, Cambridge, 1986)
[87] Priestley, MB
Analiza spectrală și serii temporale, voi. 1 serie univariată (Presa academică, 1981)
[88] Prusinkiewicz, P.
Aplicații grafice ale sistemelor L
166
 167

Proc. de Graphics Interface 1986 - Vision Interface (1986) 247-253

[89] HK Reghbati
O privire de ansamblu asupra tehnicilor de compresie a datelor Computer 14,4 (1981) 71-
76
[90] Reif.F.
Fundamentele fizicii statistice și termice (McGraw-Hill, 1965)
[91] Robinson, FNH
Zgomot și fluctuații (Clarendon Press, Oxford, 1974)
[92] Rogers, David F.
Elemente procedurale ale graficii computerizate (McGraw-Hill, New York, 1985)
[93] Saupe, D.
Calcularea eficientă a mulțimilor Julia și a dimensiunii lor fractale Physica 28D (1987)
358-370
[94] Schuster, HG
Haos determinist: o introducere (Physik Verlag, Weinheim, 1984)
[95] Shlesinger, MF, Mandelbrot, BB și Rubin, RJ (editori) Proceedings of a Symposium on
Fractals in the Physical Sciences J. Stat. Fiz. 36 (1984)
[96] Smith, AR
Plante, fractali și limbaje formale Grafică pe computer 18,3 (1984) 1-10
[97] Stanley, HE și Ostrowsky, N. (editori)
Despre creștere și formă: modele fractale și non-fractale în fizică (Martinus Nijhoff
Publishers, Dordrecht, Olanda, 1986)
[98] Sullivan, D.
Homeomorfisme și dinamică cvasiconformale /
Ann. Matematică. 122 (1985) 401-418
Bibliografie

[99] Sullivan, D.
Homeomorfisme cvasiconforme și dinamica II, III preprinturi
[100] Voss, RF și Clarke, J.
„1 Dacă zgomot” în muzică și vorbire Nature 258 (1975) 317-318
[101] Voss, RF și Clarke, J.
1 If Noise in Music: Music from 1 If Noise J. Accous. Soc. A.m. 63 (1978) 258-263
[102] Voss,RF
1 Dacă zgomot (pâlpâire): o scurtă trecere în revistă
Proc. Al 32-lea simpozion anual privind controlul frecvenței, Atlantic City, (1979)4
0-46
[103] Voss, RF
Falsuri aleatorii de fractali în: Algoritmi fundamentale pentru grafica computerizată,
RA Eamshaw (ed.), (Springer-Verlag, Berlin, 1985) 805-835
[104] Voss, RF, Laibowitz, RB și Alessandrini, EI
Geometria fractala a percolarii in filmele subtiri de aur in: Scaling Phenomena in Disordered
Systems,
R. Pynn și A. Skjeltorp (eds.), (Plenum, New York, 1985) 279-288
[105] Voss,RF
Fractali aleatori: Caracterizare și măsurare Physica ScriptaT13 (1986) 27-32
[106] Welch, TA
O tehnică de comprimare a datelor de înaltă performanță Computer 17,6 (1984) 8-19
[107] Yaglom, A.
 O introducere în teoria funcțiilor aleatoare staționare (Prentice-Hall, 1962) și retipărire
(Dover, 1973)
[108] Rezumate extinse: Aspecte fractale ale materialelor (Materials Research Society, Pitts
burg) (1984), (1985), (1986)
[109] Lindenmayer, A.
Modele matematice pentru interacțiunea celulară în dezvoltare,
Părțile I și II
Journal of Theoretical Biology 18 (1968) 280-315
[110] Prusinkiewicz, P. și Hanan, J.
Aplicații ale sistemelor L la imaginile computerizate în: „Graph Grammars and their
Application to Computer Science; Third International Workshop”, H. Ehrig, M. Nag
l, A. Rosenfeld și G. Rozenberg (eds.), (Springer-Verlag). , New York, 1988).Index

AdditionsFMlD(), 86, 90 transformare afină, 228 contractiv, 228 expansiv, 228 aliasing,
54, 216 Almgren, F., 15 alphabet, 273, 281 Ambum, P., 221 animation, 215 anti-zoom,
215, 215 anti-zoom, 215 Arhimede, 11, 244 Cupa Arhimede, 245 Arnold, VI, 210 reprez
entare ASCII, 284 valoare asimptotică, 157.159 atractor, 148, 229 ciudat, 147
funcția de autocorelare, 65,69,91, 110
stare medie de contractivitate, 229 axioma, 273.277, 281
Franța barbară, 219 Barnsley, J., 226 Barnsley, M., 18.125.229 bazin de atrac ți
e, 172 Berger, JM, 5 bifurcație, 163
nodul de șa, 163 descompunere binară, 196 Metoda de descompunere binară pentr
u seturile Julia, 203
Metoda de descompunere binară pentru setul M, 203 binomi, asimetric, 248 Metoda de
scanare a limitelor, 176 acoperiri de cutii, 61 modele de ramificare, 273 broccoli, 58
Mișcare browniană, 39, 40, 42, 48, 69, 74, 76, 91
fracționar, 42,44,45, 58, 82 pe un cerc, 81 pe o sferă, 24, 33 tufișuri, 285, 286
calculator, 141, 143 calcul, 42.219 Teorema lui Campbell, 69 Cannon, J„ 15 Buchet Cantor, 16.159
Set Cantor, 148.179.182.186.192, 211
Carpenter, L., 10 Carter, E., 13,41 Plan cartezian, 151 Cayley, A., 207 Teorema limită ce
ntrală, 78 haos, 148
Chaos Game, 223, 224,226 set haotic, 146,149,152 coșuri, 238 Circle Limit III, 4 Clean
UpStringO, 277 închidere, 173 cloudlet, 236,238 nori, 12,13,23,35, 13,23,35, 23, 23, 2
3, 23, 23, 23, 23, 23 de galaxie , 62 colaj, 235 Teorema colajului, 235 culori, 31.130 har
tă de culori, 113.215.230 complet etichetate, 178 număr complex, 151 valoare absolut
ă, 151 reprezentare polară, 153
307
Comprimare index, 132 raport de compresie, 238 materie de condensare, 36 conectate,
179,181,187 local, 196,199 dependență de context, 251, 286 Metoda poten țială conti
nuă pentru seturile Julia, 190
Metoda potențial continuu pentru set Mandelbrot, corelație 190, cosinus 41,53, 59, 8
4,136, covarianță 144, 135 Coxeter, HSM, 4 cratere, 22, 31, 32 cute, 53,243 punct criti
c, 161,181,181,161,161,161,161,161,32

Damerau, FJ, 5 compresie de date, 132 grade, 207 Demko, S., 221 dendrite, 203
derivat, logaritmic, 67 sisteme deterministe, 139 Devaney, RL, 17.125 Dietrich, HC, 5
agregare limitată de difuzie, 14,37 Producție digitală, 10 model digitizat, 230 dimensiun
e, 28, 29,246 casetă, 61 euclidian, 28
fractal, 28, 30, 45, 55, 61, 63, 246
Hausdorff, 159 fractal latent, 64 masă, 62, 66 similaritate, 28, 60 topologice, 33,45
metode de deplasare, 96 DisplayHeightFieldO. 128.129 Distanța legată de interiorul M,
296
Metoda legată de distanță, 290
Metoda legată de distanță pentru seturile Julia, 296

168
 169

estimator de distanță, 192 Metoda de estimare a distanței, 196.199 decolorarea distan

ței, 131 distribuția, 134 densitatea, 175 dimensional finit, 136 Gaussian, 58, 244 norm
al, 77.134.135 uniform, 134.135 Dobkin, D.
Douady, A., 15,189, 288, 294
Dow Jones, 138.144
curba dragonului, 284
Drenaj, 123
Druid, 219
diadic, 247
sistem dinamic, 138.145 haotic, 145
ecologie, 139 Elton, J., 229.231 Epstein, D., 15 curbe echipotențiale, 184 teorema eigo
dică, 231 timp de evadare, 203 Escher, MC, 4 Escher-like, 187 singularitate esen țială, 1
57 fabrici euclidiene, 26, geometrie euclidiană, 26 25 așteptare, 134 explozie, 164 ung
hi extern, 192
FastMO, 291 Fatou, P., 150.172 Feller, W., 2 feriga, 240, 241.242 linii de câmp, 192.19
7 film, 8.167, 215 punct fix, 146, 171 atrăgător, 171 indiferent, 177171, 1771, 1771, 1
771, 1771, 1771, 1771, 1771 , fulgi, fractal, 34, 35,46 flapper, 58
metoda orizontului plutitor, 126 numere în virgulă flotantă, 131 Câmp de flori, 12
3 ceață, 131
Metoda de filtrare Fourier, 105 transformată Fourier, 65, 69,90 discretă, 49 inversă, 105
Fournier, A., 9,221 Planetă fractală, 22,24, 33,48 frecvență, 50 frecvență tăiată, 57 Fricke, R.,
2 funcție, 141 întreg, 157 exponențial, 157 transcendent, 156 Fussell, D„ 9
Gagne, R., 5, 250, 260 Galileo, 22 Gardner, M., 9 GaussO, 76, 77,134 GenerateSt
ringO, 275 Genesis, 10 GetCurveSizeO, 279 gingefbreadman, 149 Given, JA, gold
J film, JA18, 5 G. 36
percolare, 37 umbrire Gouraud, 112.130 grefa, 11
Marea Teoremă Picard, 157 Greenberg Associates, 8 tipuri de grile, 96 Guckenhe
imer, J., 203 Guder, F., 5 Gulliver, 58
Henonmap, 147 Hanan, J., 125 Handelman, SW, 5, 6, 8 Distanța Hausdorff, 235
Hawkes, J., 5
Herman, M„ 210 problema suprafeței ascunse, 126 curba Hilbert, 278 Hironaka, E., 18 histograma,
175 Hodges, L., 221 Hollywood, 8
Hubbard, JH, 15,17,189,287,288, 294
Codificare Huffman, 132 IBM, 5, 6
model de iluminare, 128 compresie imagini, 203 trepte, independent, 59 infinit, 170 Init
Gauss(), 77 punct inițial, 231 valori inițiale, 147 intermitență, 163,165 InterpolatedFM
O, 104,112 InterpolatedFMIDO. 100
interpolare, 216
multiliniar, 103.112 Metoda de iterație inversă, 152.173, 177
izotrop, 95
sistem de funcții repetate, 177.221 atractor, 235 cod, 229 iterație, 141.158 frunze de i
ederă, 227
Jiiigens, H., 125 Jacquin, A., 125 Jolet, 41 Julia set, 203
explodează, 159 algoritm rapid, 296 completat, 154.172.187 măsură Lebesgue, 15
9 Julia, G., 17.150.172 JuliallMO, 154.177 sărituri, independent, 48, 80
Kawaguchi, Y., 221 de cadre cheie, 215 Klein, F., 2Index
Grupuri kleiniene, 14 insula Koch, 283
Curba fulgilor de zăpadă Koch, 26, 27, 28, 51.275.276 Koebe P., 288 Kolmogorov, AN,
210
Sisteme L, 273, 274, 279 deterministe, 281 nedeterministe, 286 probabiliste, 286 pseu
do, 286 etichetare, 203
lacunaritate, 55, 56, 68, 87, 88 Laff, MR, 15 Landsberg, 246 peisaj, 32,47,70,249 a luna
r, 31 Laputa, 58 Last Starfighter, 10 lattice, 178,251
hexagonal, 252, 254 triunghiular, 252 frunze țintă, 233.235 codificare Lempel-Ziv-
Welch, 132 lungime, 63
Level Set Methods, 187 Level Set Methods for M , 190 level sets, 182 Lewis, JP, 110, 125
Lewitan, H„ 5 Lichtenberger, GB, 5 light scattering, 35 Lilac Twig, 123 Lindenmayer, A., 274
Lipschitz constant, 228, 235 ecuație logistică, 139.211 LOGO, 273 Lovejoy, S., 12 Lucas
film, 10
Malassenet, F., 125 set Mandelbrot, 130.165.177.186, 199.288
algoritm rapid, 287 universalitate, 213
Mandelbrot, BB, 15,25,125,177, 221
maple leaf, 241 Marden, A., 15 Mareda, JF, 125 Mastin G., 125 Mastin, G.,
Ill McGehee, R., 203 McKenna, DM, 5 McMullen, C„ 159 MDiskO, 293 mean, 134
incremente pătrate medii, dimensiunea ochiurilor de 75, 178 microscop, 203
deplasare la mijlocul punctului, 11, 51, 56, 78, 85,96, 243, 244,248 țiglă, 250 cadru de
sârmă, 250 MidPointBMO, 79 MidPointFM 1 D(), 85, 87 MidPointFM2D0,100, 87
MidPointFM2D0,100,G210Recursion,MidPointFM2D0,100,G210Recursion Milnor, J„ 15, 192.287
Metoda de scanare a limitelor modificată, 179
Metoda de iterație inversă modificată, 178
Model Moire, 160 Moldave, P., 15 momente, 67 monstru, 25
Loch Ness, 35 Moser, J., 210 Muntele Ararat, 8 Muntele Arhimede, 245 Muntele Takagi,
247 MSetCPM(), 191 MSetDEMO, 197 MSetDistO, 198 MSetLevelO, 188 MSetLSMO, 1
88 MSetLSMO, 188 MSetPot68, fractal198, fractal19 , D., 14, 15 Musgrave, K., 5, 125,2
43, 260 muzica, 39,42 Index
Naylor, B., 221 Ness, van JW, metoda 9 Newton, 17, 207,213 Nil, 39 zgomot, 39,40,216
Gaussian fracționar, 59 non-staționar, 66 Norton, VA, 15 Teorema de eșantionare N
yquist, 54
Oneto, JL, 5, 7 Oppenheimer, P., 13, 221.240 orbită, 143.148.157.163.164 înapoi, 153
evadare, 157.159 homoclinic, 164 periodic, 148.150 stabil, 148.150 stabil, 1414, 141
4, 145, 157, 157, 157, 157, 154
algoritmul pictorului, 113 parabolă, 11 paraboloid, 244 proiecție paralelă, 126 particule, lipi
cioasă, 38 curbă Peano, 29, 284 Peitgen, H.-O., 18.125 percolație, 36 clustere de perco
lație, 62 per ciclu periodic, 294, J. 2 Peyriere, J., 5 tranziții de fază, 213 Umbrire Phong,
130 cartografiere liniară pe bucăți, 149 Platon, 42
Plot-0L-System0,274 Poincar6, H., 15 calote polare, 33 poligoane, 113,150,286 p
olinom, 212 populație, 139 potențial, 130,186, 187 funcție potențială, 189 electr
ostatică, 182 probabilitate, 133
funcția de densitate a probabilității, 134 măsuri de probabilitate, 66 reguli de producți
e, 274, 281 proiecție, 126
perspectiva, 110 Prusinkiewicz, P., 13, 125.274 pseudocod, 73 impulsuri, independ
ent, 69
rand(), 77
adăugiri aleatorii, 96
succesive, 54, 56, 86,90 câmp aleatoriu, 95 funcție aleatoare, 136 număr aleatoriu,
77,133 faze aleatoare, 57 variabile aleatoare, 133 gaussian, 51 mers aleatoriu, 231 Ran
domCutsBMO, 82 trasare de raze, 109,112 3 dreptunghiuri, recurență vector de lumină,
127 modele de relief, 255 RenderlFSO, 223.231, 232 de randare, 113.128 cost de, 250
redimensionat, corect, 74,75, 83 Reuter, L., 125 spațiu RGB, 113 Richardson, 30 Richte
r, PH, 18,125 râuri, 1,243,256 Riznychok, JT, 5 Roeckerath-Ries, M.-T., 125 erori , 145 c
odare lungime, 132.238 Ruysdael, S. van, 13
spațiu de probă, 133 Sander, L., 14 Saupe, D„ 18.125 scalare, 25,28,47,50, 59 semințe, 77 Seiter, L., 5
autoafine, 59, 62, 64 Index
H.-O. Peitgen și RH. Richter

170
 171

Imagini ale sistemelor dinamice complexe

comunicare tehnică distinsă

Stimulantă intelectual și plină de plăci colorate frumoase, această carte a oamenilor de știință germani Heinz-Otto Peitgen
și Peter H. Richter este o încercare neobișnuită și unică de a prezenta domeniul dinamicii complexe. Rezultatele uluitoare
adunate aici invită publicul larg să împărtășească o nouă experiență matematică: să se bucure de farmecul frontierelor
fractale.
În 88 de imagini color (și multe alte ilustrații alb-negru), autorii prezintă variații pe o temă ale cărei repercusiuni depășesc
cu mult domeniul matematicii. Ele arată cum se desfășoară structuri de complexitate și frumusețe nevăzute prin acțiunea
repetată a unor reguli simple. Imprevizibilitatea implicită a multor detalii în aceste procese, în ciuda determinării lor
complete de către regulile date, reflectă o provocare majoră pentru concepția științifică predominantă.
• Aflați mai multe despre setul Mandelbrot și bucurați-vă de frumusețea și complexitatea acestui obiect fascinant.
• Experimentați cu fractali folosind algoritmii descriși în carte.
• Patru contribuții invitate, ale unor oameni de știință de seamă – inclusiv Benoit Mandelbrot – și un artist, completează cartea cu mai multe
fundații și opinii provocatoare despre relația dintre știință și artă.

. . Cu imaginile sale uimitoare în alb-negru și color , este atât un manual de matematică, cât și o podoabă pentru măsuța
de cafea . . științific american
„. . . Dar până de curând nici măcar un scriitor de science-fiction nu ar fi anticipat această carte ilustrată care
sărbătorește geometria incredibil de bogată codificată în umila ecuație pătratică . . Natură

1986/199 pp./184 cifre în 221 de ilustrații separate, majoritatea color/copertă cartonată/39,00 USD/ISBN 0-387-15851-0

Springer-Verlag Berlin Heidelberg New York Londra Paris Tokyo