3.3 3.3 分岔、混沌与控制入门

3.3 分岔、混沌与控制入门

本节摘要：参数稍微一动，系统的长期行为可能发生质变——平衡点分裂、周期加倍、乃至进入混沌。本节用虫口模型演示倍周期通向混沌的完整路线，量化混沌的初值敏感性，最后转向"干预"：以倒立摆为例说明反馈控制如何把一个不稳定的平衡点变稳，接通控制理论的入口。

学习目标

阅读完本节，你应当能够：

1. 画出虫口模型的分岔图并解读周期加倍现象；
2. 解释初值敏感性与有界非周期的混沌双重特征；
3. 说出闭环反馈改变系统特征值的机制。

虫口模型：一条参数轴上的沧海桑田

虫口迭代模型是离散动力系统的入门标本：下一代数量等于参数 r 乘以当代数量再乘以（一减当代数量），状态归一化到 0 与 1 之间。它的全部复杂性都藏在参数 r 里：r 小于 3 时种群收敛到不动点；r 跨过 3，不动点失稳，长期行为变成两点周期；继续加大 r，周期依次翻倍成 4、8、16……直到大约 3.5699 处进入混沌——轨道永不重复、却永远有界。

这种"参数渐变引发行为突变"的现象叫分岔。它的管理含义值得咀嚼：一座渔场、一条供应链，若运营参数正好停在分岔点附近，微调政策就可能让系统从平稳态跳进振荡态，且这种跳跃不会提前打招呼。

import numpy as np

def logistic_map(x, r):
    return r * x * (1 - x)

def attractor(r, x0=0.4, n_burn=800, n_keep=200):
    """丢弃暂态，保留长期行为样本"""
    x = x0
    for _ in range(n_burn):
        x = logistic_map(x, r)
    out = [x]
    for _ in range(n_keep - 1):
        x = logistic_map(x, r)
        out.append(x)
    return np.array(out)

# 沿参数轴扫描：每个 r 记录长期轨道的取值集合
for r in [2.8, 3.2, 3.5, 3.55, 3.9]:
    att = attractor(r)
    uniq = len(np.unique(np.round(att, 4)))
    print(f"r={r}: 长期行为取 {uniq} 个不同值, "
          f"范围 [{att.min():.3f}, {att.max():.3f}]")
​

五个参数值分别对应：单点不动点、2 周期、4 周期、8 周期、混沌（取值几乎连续散布）。把 r 从 2.5 到 4 每隔 0.002 扫一遍、每个点画出长期轨道散点，就是著名的分岔图——树状分叉不断加密，最终糊成一片。

混沌：不是随机，胜似随机

混沌的两要素是初值敏感与有界非周期。后者从分岔图右端直接可见；前者才是混沌的杀伤力所在：两个只差亿分之一的初值，几十步之后轨道彻底分道扬镳。量化手段是看分离距离随步数的增长速率（正的李雅普诺夫指数）：

import numpy as np

def separation_growth(r=3.9, x0=0.4, gap=1e-10, n=60):
    """追踪一对近邻初值的分离历史"""
    xa, xb = x0, x0 + gap
    dist = []
    for _ in range(n):
        xa, xb = r*xa*(1-xa), r*xb*(1-r*xb)
        dist.append(abs(xa - xb))
    return np.array(dist)

d = separation_growth()
log_d = np.log(np.maximum(d, 1e-300))
growth = np.polyfit(np.arange(30, 55), log_d[30:55], 1)[0]
print(f"前段分离速率约 e 的 {growth:.3f} 次方每步")
print(f"初始间距 1e-10 → 第 {np.argmax(d > 0.1)} 步已超过 0.1")
​

典型结果：分离速率约每步放大到 e 的 0.7 次方（李雅普诺夫指数约 0.7），初始十亿分之一的差异在四十步左右放大到宏观量级。这就是长期预测失效的数学机制——不是模型不好，也不是计算不准，而是系统本身在指数放大一切不确定性。对预测工单的正确交付物因此从"第 50 步的值"变为"第 50 步的分布"，这把话题交给第 4 章的随机方法与第 8 章的不确定性量化。

干预：反馈让不稳定变稳定

倒立摆是控制理论的开场白：摆杆竖直朝上是一个不稳定的平衡点（线性化特征值一正一负的鞍点），松手即倒。但只要装一个角度传感器与作动器，按"角度偏差乘增益、角速度乘阻尼增益"的规律施加校正力，闭环系统的特征值可以被推到左半平面——不稳定变成渐近稳定。反馈的本质就是重新配置特征值。

import numpy as np
from scipy.integrate import solve_ivp

# 倒立摆线性化模型：状态 = 角度偏差, 角速度
g, L, mc, mp = 9.81, 1.0, 1.0, 0.3

def open_loop(t, s):
    A = np.array([[0, 1], [g/L, 0]])          # 无控制：鞍点
    return A @ s

def closed_loop(t, s, kp=25.0, kd=8.0):
    """状态反馈：校正力正比于角度与角速度"""
    u = -kp * s[0] - kd * s[1]
    A = np.array([[0, 1], [g/L, 0]])
    B = np.array([[0], [1/(mc*L)]])
    return A @ s + (B * u).ravel()

print("开环特征值:", np.round(np.linalg.eigvals([[0,1],[g/L,0]]), 3))
K = np.array([[-25, -8]])
Acl = np.array([[0,1],[g/L,0]]) + np.array([[0],[1/(mc*L)]]) @ K
print("闭环特征值:", np.round(np.linalg.eigvals(Acl), 3))

sol = solve_ivp(closed_loop, [0, 5], [0.35, 0.0], rtol=1e-9)
final = sol.y[:, -1]
print(f"初偏 0.35 rad → 终态角度 {final[0]:.4f}, 角速度 {final[1]:.4f}")
​

开环特征值一正一负，闭环在合适的增益下实部全负——角度从 0.35 弧度收回竖直附近。增益的选取有讲究：太小拉不住，太大则作动器饱和且对噪声过敏，这个权衡在第 6 章的优化语言里有精确表述（线性二次型调节器把"稳得快"与"用力省"写成加权目标）。本节只需要记住机制：传感器（观测）、控制器（反馈律）、作动器（执行）三件套合起来，等于给系统改写了雅可比矩阵。

⚠️ 常见坑：把混沌当成"随机噪声"处理，试图用平滑或平均消除。混沌是确定性系统产生的类随机行为，平滑掉它等于抹掉系统真实动态，正确做法是做分布预测或改变系统参数（控制）。

💡 关键直觉：分岔图、李雅普诺夫指数、反馈增益三件事共享同一条主线——参数与结构决定长期行为。建模者的价值不是算出轨迹，而是知道把手拧到哪里，系统会从一种性格切换成另一种。

参数轴上的行为地图

本节要点回顾

• 分岔是参数渐变引发行为质变，虫口模型的倍周期路线是最短教科书案例；
• 混沌两要素：有界非周期与初值敏感，李雅普诺夫指数量化分离速率；
• 长期预测的正确交付物是分布而非单值，混沌不是噪声不能平滑；
• 周期窗口说明混沌区结构复杂，秩序与混乱交替出现；
• 反馈即改写雅可比：观测、控制律、执行三件套让不稳定平衡点变稳。