[论文解读] Orbit complexity, initial data sensitivity and weakly chaotic dynamical systems

Stefano Galatolo|ArXiv.org|Feb 23, 2001

Fractal and DNA sequence analysis参考文献 19被引用 8

一句话总结

本文利用非标准分析，提出了一类广义的初始条件敏感性与轨道复杂性的指标，以捕捉弱混沌系统中亚指数和幂律行为。该工作推广了Ruelle-Pesin定理与Brin-Katok定理，证明具有超指数敏感性的点构成一个零维集合，并将该框架应用于Manneville映射，表明轨道复杂性以 $ n^\alpha $ 的形式增长，其中 $ \alpha = 1/(z-1) $。

ABSTRACT

We give a definition of generalized indicators of sensitivity to initial conditions and orbit complexity (a measure of the information that is necessary to describe the orbit of a given point). The well known Ruelle-Pesin and Brin-Katok theorems, combined with Brudno's theorem give a relation between initial data sensitivity and orbit complexity that is generalized in the present work. The generalized relation implies that the set of points where the sensitivity to initial conditions is more than exponential in all directions is a 0 dimensional set. The generalized relation is then applied to the study of an important example of weakly chaotic dynamics: the Manneville map.

研究动机与目标

• 解决传统混沌指标（如Lyapunov指数、Kolmogorov-Sinai熵）在弱混沌系统中趋于零的局限性。
• 构建一个广义框架，用于测量初始条件敏感性与轨道复杂性，以捕捉亚指数与幂律行为。
• 在非紧致或弱混沌系统中，建立初始条件敏感性与轨道复杂性之间的严格关系。
• 将该框架应用于Manneville映射，作为弱混沌动力学的典型范例进行分析。
• 为解释混沌阈值附近系统中复杂性的经验观测结果提供理论基础。

提出的方法

• 利用非标准分析构造一个全序集 $ \mathcal{R} $，以表示所有可能的序列渐近增长速率。
• 通过符号轨道的算法信息内容（Kolmogorov复杂度）定义轨道复杂性，并将其推广至非紧致空间。
• 利用Brudno定理及其推广，将轨道复杂性与局部熵及敏感性指标关联。
• 将该框架应用于Manneville映射 $ T_z $，通过分析平均首次通过时间与符号动力学来估计复杂性。
• 利用大数定律对对数首次通过时间进行估计，从而估算期望轨道复杂度 $ \mathcal{E}^I(x,n,\epsilon) $。
• 采用Tsallis熵框架与稳定分布律，推导复杂性增长的逐点渐近估计。

实验结果

研究问题

• RQ1 在动力系统中，如何将初始条件敏感性与轨道复杂性推广至指数增长之外的范围？
• RQ2 在弱混沌系统中，广义敏感性与轨道复杂性之间存在何种关系？
• RQ3 在Manneville映射中，轨道复杂性如何增长？能否实现严格估计？
• RQ4 非标准分析在定义复杂性与敏感性指标的统一尺度中起到何种作用？
• RQ5 在零熵系统中，能否使用轨道复杂性的可计算近似值来研究经验数据？

主要发现

• 表现出超过指数敏感性的点的集合是零维的，意味着在拓扑意义上这类点极为稀少。
• Manneville映射中的轨道复杂性以 $ n^\alpha $ 的形式增长，其中 $ \alpha = 1/(z-1) $，$ z > 1 $ 为映射参数。
• 对于几乎所有 $ x \in [0,1] $，轨道复杂度 $ \mathcal{E}(x,n,\epsilon) \simeq n^\alpha $，证实了复杂度的次线性增长。
• 在给定的首次通过时间分布下，期望轨道复杂度 $ \mathbb{E}[\mathcal{E}^I(x,n,\epsilon)] $ 有界于 $ O(n^\alpha) $，其中 $ \alpha = 1/(z-1) $。
• 通过首次通过时间的渐近行为，利用对 $ \log t_i $ 的大数定律（其期望有限）推导出逐点复杂度估计。
• 理论结果与数值实验结果一致，显示复杂度增长为 $ O(n^\alpha) $，支持在经验研究中使用数据压缩作为算法复杂度的代理。