{
  "id": "fractal",
  "title": "分形",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "分形是一类数学集合或图案，其精细尺度结构可用标度律描述，通常涉及非整数维数。",
  "category": "mathematics",
  "subcategory": "geometry",
  "type": "concept",
  "aliases": [
    "碎形"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/fractal/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/fractal/",
      "json": "https://aiwiki.page/en/fractal.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "分形是一种集合、形状或数学图案，其特征是在不同尺度上都具有精细复杂的结构。典型的分形包含与整体相似的较小部分，具有放大后仍然存在的不规则性，或者需要用不同于线、面、体所具有的常见整数维数的维数概念来描述。分形几何将几何学拓展到难以用光滑曲线和曲面描述的对象，包括许多由反复进行数学运算而生成的集合，以及自然界中观察到的许多统计模式。\n\n“分形”一词由伯努瓦·曼德尔布罗于1975年提出，但一些重要例子及研究它们所用的数学工具，早在19世纪和20世纪初就已出现。分形将数学分析、概率、拓扑学和混沌理论联系起来。其应用包括对粗糙表面建模、分析不规则介质中的输运过程、合成地形，以及量化空间或时间上的变异性。\n\n“分形”一词在各种用法中并没有一个统一且公认的定义。严格数学意义上的分形可以在任意小的尺度上都具有结构；物理对象则只在有限的尺度范围内表现出类似行为。因此，要理解一个分形，就需要明确其构造方式、标度性质、相关的维数概念，以及在涉及测量时，证据所支持的尺度范围。"
    },
    {
      "heading": "标度、自相似性与概念的适用范围",
      "text": "分形几何的核心思想是：改变观测尺度，可能会揭示一种有规律的关系，而非呈现完全无关的图案。在严格的自相似性中，一个集合由自身的若干缩小副本组成。如果每个副本都缩小到原来的 \\(r\\)，且 \\(N\\) 个副本在没有显著重叠的情况下重构出原集合，那么这一标度关系意味着维数 \\(D\\) 满足\n\n\\[Nr^D=1, \\qquad D=\\frac{\\log N}{\\log(1/r)}.\\]\n\n将一条线段分成三等份，则有 \\(N=3\\)、\\(r=1/3\\)，且 \\(D=1\\)。如果改用一种构造，在相同的缩小比例下需要四个副本，则有 \\(D=\\log 4/\\log 3\\)，约为 \\(1.262\\)。\n\n严格的自相似性足以产生许多常见的分形，但并非必要条件。具有统计自相似性的随机集合，在尺度变换后保持的是统计特征，而非每一处细节。例如，一段海岸线在不同尺度下可能具有大致相当的粗糙程度，却并不包含几何形状完全相同的微型海岸线。更一般的标度关系可能涉及平均值、分布或相关函数，而非肉眼可见的相似性。\n\n自仿射性是一种各向异性的标度形式：不同方向按不同的比例变化。高度剖面 \\(h(x)\\) 的起伏可能满足\n\n\\[h(bx)-h(0)\\ \\overset{d}{=}\\ b^H[h(x)-h(0)],\\]\n\n其中，\\(\\overset{d}{=}\\) 表示依分布相等，\\(H\\) 为粗糙度指数。因此，水平距离与垂直起伏采用不同的比例进行缩放。许多随机函数的图像、断裂剖面和随时间变化的信号，用自仿射性来描述比用自相似性更为自然。\n\n分形性并不等同于视觉上的复杂性。一幅细节极为丰富的图像可能不具有稳定的标度律，而看似简单、尘埃般散布的点集却可能具有严格定义的非整数维数。也并非所有分形都必须具有非整数维数：某些不规则集合的豪斯多夫维数是整数，而对于某些空间填充构造，则需要区分参数域、函数图像和映像的维数。\n\n幂律往往是标度关系的一种表现，但仅凭幂律分布并不能确立分形几何特征。例如，事件规模的分布可能完全无法说明事件发生位置的几何特征。严谨的论述必须明确指出，进行尺度变换的究竟是什么：距离、所占据的质量、概率、时间，还是其他可观测量。同时，还必须区分严格的数学不变性与近似的经验关系。"
    },
    {
      "heading": "历史发展",
      "text": "分形几何源于若干研究方向，这些研究最初挑战了人们对连续性、维数和几何规则性的传统认识。1872 年，卡尔·魏尔斯特拉斯提出了一个处处连续却处处不可微的函数。这类例子表明，连续函数的图像即使在局部也未必像一条光滑曲线。后来，人们将这些函数图像理解为粗糙的曲线，从而帮助建立了经典分析与标度思想之间的联系。\n\n格奥尔格·康托尔于 1883 年引入的康托尔集是一个影响尤为深远的例子。从一个区间中反复删去各段中间的三分之一，最终留下的是一个长度为零的不可数集。朱塞佩·皮亚诺于 1890 年构造了一条连续的空间填充曲线，大卫·希尔伯特则于 1891 年发表了一种相关的构造。这些曲线清楚地表明，仅凭连续性，并不能保持一维路径与二维区域之间的直观区别。\n\n赫尔格·冯·科赫于 1904 年描述了他构造的不可微曲线。瓦茨瓦夫·谢尔宾斯基于 1915 年提出了如今以他命名的三角形构造，并于 1916 年提出了与之相关的地毯构造。起初，人们将这些例子作为各自独立的数学构造来研究，而不是将它们视为某个统一类别的成员。它们揭示了直观几何的局限，也为建立严格的大小和维数概念提供了检验实例。\n\n费利克斯·豪斯多夫于 1918 年引入了以他命名的测度和维数。随后，阿布拉姆·贝西科维奇对非整数维集合及其几何性质的理论作出了重大贡献。与此同时，加斯东·朱利亚和皮埃尔·法图在 1910 年代后期研究了复函数的迭代，揭示出一些结构；这些结构后来成为计算机生成分形图像的核心。在“分形”一词出现之前，这些进展就已奠定了这一领域的大部分数学框架。\n\n曼德勃罗将这些研究脉络汇聚为一项广泛的研究计划，把数学与现实中观测到的不规则性联系起来。他于 1967 年发表的论文《英国的海岸线有多长？统计自相似性与分数维数》借鉴了刘易斯·弗莱·理查森的早期研究，探讨了为何测得的海岸线长度会随测量尺度而变化。曼德勃罗在 1975 年出版的《分形对象：形态、随机性与维数》（Les objets fractals: forme, hasard et dimension）中，以意为“破碎的”或“碎裂的”拉丁语 fractus 为词源，创造了 fractal（分形）一词。他于 1982 年出版的《大自然的分形几何》极大地扩大了这一学科的影响。\n\n在 1970 年代后期和 1980 年代，计算机可视化大幅提升了这一领域的公众知名度。迭代能够揭示仅凭公式难以推知的结构，而日益强大的图形处理能力则让人们可以通过图像直观地认识数学集合。由此形成的学科并非只是一批新图像的汇集：它融合了几何测度论、随机过程、动力系统以及描述自然界粗糙性的定量模型。"
    },
    {
      "heading": "维数与几何测度",
      "text": "通常的几何维数表示独立坐标或局部方向的数量。分形维数则量化细节的多少、所占空间或概率如何随观测尺度而变化。不同的定义衡量不同的特征，所得结果也未必一致。因此，如果不指明所用的定义以及所研究的集合或测度，仅给出一个分形的维数并不足以完整说明问题。\n\n豪斯多夫维数通过直径可任意小的集合构成的覆盖来定义。对于 \\(s\\geq 0\\)，除去一个约定的归一化因子，\\(s\\) 维豪斯多夫测度由下式给出：\n\n\\[\\mathcal H^s(E) = \\lim_{\\delta\\downarrow 0} \\inf\\left\\{ \\sum_i(\\operatorname{diam} U_i)^s: E\\subseteq\\bigcup_i U_i,\\ \\operatorname{diam}U_i\\leq\\delta \\right\\}.\\]\n\n豪斯多夫维数就是这一测度从无穷大变为零的临界值：\n\n\\[\\dim_H E=\\inf\\{s:\\mathcal H^s(E)=0\\}.\\]\n\n在临界值处，测度本身可能为零、有限正值或无穷大。\n\n盒计数维数通常更容易估计。若 \\(N(\\varepsilon)\\) 是覆盖一个有界集所需的边长为 \\(\\varepsilon\\) 的盒子数量，则在极限存在时，有\n\n\\[\\dim_B E= \\lim_{\\varepsilon\\downarrow0} \\frac{\\log N(\\varepsilon)}{\\log(1/\\varepsilon)}\\]\n\n否则，可分别用相应的上极限和下极限定义上盒维数和下盒维数。这个定义很自然地适用于图像分析，但仅在几种像素尺寸下进行计数，得到的只是有限分辨率下的估计。\n\n这些维数可能相差很大。\\([0,1]\\) 中的有理数构成一个可数集，因此其豪斯多夫维数为零。它们的盒计数维数却为一，因为它们在该区间中稠密，所以任何足够精细且与该区间相交的网格单元都包含有理数。由此可见，基于均匀覆盖的维数能够反映集合在空间中的铺展程度，而具有可数稳定性的测度对此会有不同的刻画。\n\n对于 \\(n\\) 维欧几里得空间中的集合，豪斯多夫维数介于零和 \\(n\\) 之间。有界集一般满足 \\(\\dim_H E\\leq\\underline{\\dim}_B E\\leq\\overline{\\dim}_B E\\)。在适当的分离条件下，自相似集合的豪斯多夫维数、盒计数维数和相似维数相等；如果不满足这些条件，重叠就可能破坏这种相等关系。\n\n维数也不能替代勒贝格测度。维数为二的平面集合，其面积可能为零；两个维数相同的集合，其间隙与占据区域的分布也可能截然不同。要刻画分形的几何性质，除了维数，往往还需要考察间隙的统计特征、连通性、各向异性和局部测度。"
    },
    {
      "heading": "典型的确定性构造",
      "text": "三分康托集从 \\([0,1]\\) 开始构造。每一步都从各个剩余区间中去掉中间三分之一的开区间，经过 \\(n\\) 步后，便得到 \\(2^n\\) 个长度为 \\(3^{-n}\\) 的区间。它们的总长度为 \\((2/3)^n\\)，趋于零。然而，极限集合仍包含不可数多个点。这个集合恰好由那些存在仅使用数字 0 和 2 的三进制展开的数构成；对于端点处展开不唯一的情形，只要存在这样的展开，就选用它。其豪斯多夫维数为 \\(\\log 2/\\log 3\\)，约为 \\(0.631\\)。\n\n科赫曲线将每条线段替换为四条长度为原来三分之一的线段：保留原线段两端各三分之一的部分，再以一个向外凸起的等边三角形的两条边替代中间部分。若初始线段的长度为一个单位，经过 \\(n\\) 次迭代后，所得折线的总长度为 \\((4/3)^n\\)。极限曲线的长度无穷大，维数为 \\(\\log4/\\log3\\)。将这条曲线的三个副本按适当方向排列，便形成科赫雪花。它的边界长度无穷大，围成的面积却有限。如果初始等边三角形的面积为 \\(A\\)，那么极限雪花的面积就是 \\(8A/5\\)。\n\n谢尔宾斯基三角形的构造方式是：将一个等边三角形的边长二等分，保留由此得到的位于三个角上的小三角形，并反复进行这一操作。在第 \\(n\\) 步，共有 \\(3^n\\) 个三角形，每个三角形的边长为原来的 \\(2^{-n}\\)。极限集合的维数为 \\(\\log3/\\log2\\)，约为 \\(1.585\\)，而保留部分的面积则按原面积的 \\((3/4)^n\\) 趋于零。这个集合仍然是连通的，说明面积为零并不意味着集合由孤立点组成。\n\n构造谢尔宾斯基地毯时，先将一个正方形等分成九个小正方形，去掉中央的开正方形，再对每个保留下来的小正方形重复这一过程。其维数为 \\(\\log8/\\log3\\)，约为 \\(1.893\\)。三维的门格海绵在每一步都保留二十个边长为上一步三分之一的小立方体，其维数为 \\(\\log20/\\log3\\)，约为 \\(2.727\\)。随着构造过程中各处不断出现越来越细的通道，其体积趋于零。\n\n这些例子将普通形状中往往同时出现的几何性质区分开来。一个集合可以是连通的，但面积为零；也可以包含不可数多个点，但长度为零。一条闭合边界可以具有无穷大的长度，而不必围成无穷大的面积。这些例子也区分了有限步近似与其极限：科赫构造的每一个折线阶段都具有有限的长度，以及普通线段的几何性质。其分形维数属于极限集合，而不属于在任意精细分辨率下考察的各幅有限步图形。"
    },
    {
      "heading": "迭代函数系统与递归构造",
      "text": "迭代函数系统为构造自相似集提供了一个通用框架。设 \\(S_1,\\ldots,S_m\\) 是完备度量空间上的压缩映射。压缩映射使任意两点间的距离不超过原距离乘以某个固定的小于一的因子。在标准假设下，存在唯一的非空紧集 \\(K\\)，满足\n\n\\[K=\\bigcup_{i=1}^{m}S_i(K).\\]\n\n这个不变集就是该系统的吸引子。\n\n将问题转移到配备豪斯多夫距离的非空紧子集空间中，即可得到存在性与唯一性的结论。把紧集 \\(A\\) 映射到 \\(\\bigcup_iS_i(A)\\) 的映射本身也是压缩映射。因此，巴拿赫不动点定理保证迭代收敛到唯一的不动集。约翰·哈钦森在1981年的研究中系统地建立了这一框架，将简单的递归图形与关于集合和测度的严格结论联系起来。\n\n当每个 \\(S_i\\) 都是压缩比为 \\(r_i\\) 的相似映射时，候选维数 \\(s\\) 满足\n\n\\[\\sum_{i=1}^{m}r_i^s=1.\\]\n\n要使这一维数等于豪斯多夫维数，需要对重叠加以适当控制。一个标准的充分条件是开集条件：存在一个非空有界开集，它在各映射下的像均包含于该开集之内，且两两不相交。如果不同的符号序列反复映射到相同的几何位置，相似维数公式就可能高估实际维数。\n\n更一般的系统采用仿射映射 \\(S_i(x)=A_ix+b_i\\)，允许在不同方向上以不同的比例压缩。这类自仿射构造能够生成蕨叶状图案、各向异性的地毯状图形和不规则曲面。它们的维数要难确定得多，因为矩阵 \\(A_i\\) 的奇异值、主方向的取向以及重叠情况都会产生影响。仅仅计算组成部分的数量，并为它们指定一个共同的尺度，已不再足够。\n\n一种实用的绘制方法是混沌游戏。算法从一个点出发，反复选择其中一个映射并将其作用于当前点。当各映射的选取概率均为正，且映射具有压缩性时，迭代点会趋近吸引子，并对其进行采样。即使底层吸引子保持不变，这些概率也会影响不同区域被访问的密集程度。这就将支撑集的几何形状与其上的质量分布区分开来。\n\n由映射索引组成的有限字符串，可用作吸引子各个部分的地址。这种符号编码将递归几何与序列及概率测度联系起来。它也解释了为什么同一个集合的两幅图像可能看起来不同：一幅可能突出集合所占据的位置，另一幅则展示某种不变测度，其权重更偏向特定分支。"
    },
    {
      "heading": "复迭代：朱利亚集与曼德勃罗集",
      "text": "复数上的迭代通过反复应用函数产生分形，而不是通过显式替换几何片段来构造分形。对于复系数多项式 \\(f\\)，初始点 \\(z_0\\) 生成轨道 \\(z_0,z_1,z_2,\\ldots\\)，其中 \\(z_{n+1}=f(z_n)\\)。相邻的初始点可能收敛到某个吸引周期轨道，也可能逃向无穷远，或者尽管起初彼此接近，后续行为却截然不同。\n\n朱利亚集是这种迭代中的不稳定区域。更精确地说，它是迭代函数族构成正规族的开集的补集。对于次数至少为二的多项式，填充朱利亚集由轨道始终有界的点组成，而朱利亚集就是它的边界。填充朱利亚集可以包含内部区域，而其边界既可能连通，也可能分裂成彼此分离的部分，并可在每个尺度上呈现复杂精细的结构。\n\n二次函数族\n\n\\[f_c(z)=z^2+c\\]\n\n给出了最广为人知的例子。曼德勃罗集是使临界点 \\(z=0\\) 的轨道始终有界的所有参数 \\(c\\) 构成的集合。因此，朱利亚集研究的是固定一个函数、改变初始点的情形，而曼德勃罗集研究的是改变函数参数的情形。对于这个函数族，填充朱利亚集连通，当且仅当 \\(c\\) 属于曼德勃罗集。\n\n计算机图像通常采用逃逸时间着色法。对每个参数或初始点反复迭代，直到迭代值的模超过某个阈值，或达到预设的迭代次数上限。对于定义曼德勃罗集的临界轨道，一旦模超过 2，就能保证轨道将逃向无穷远。颜色通常表示逃逸前的迭代次数，有时还会根据轨道的增长情况进行平滑处理。这些颜色只是可视化时的选择，并非该数学集合固有的彩色组成部分。\n\n阿德里安·杜阿迪和约翰·哈伯德的研究确立了曼德勃罗集的连通性。宍仓光广则证明，其边界的豪斯多夫维数为二。具有完整的平面维数，本身并不意味着平面面积为正。整个曼德勃罗集是否局部连通，仍是一个重要的未解问题，不过在许多参数范围内，其局部连通性已得到证明。\n\n反复出现的、形似曼德勃罗集的微小结构，反映了不同周期的迭代之间的深层联系。这些联系需要用重整化来描述，而不能用一个涵盖整个集合的精确相似映射来概括。因此，常见的说法“同一种形状永远重复下去”只揭示了其中一部分数学内涵：不同区域可能呈现不同的尺度比、组合结构和极限几何形态。"
    },
    {
      "heading": "随机分形与粗糙的随机路径",
      "text": "当几何构造中包含随机因素，或随机过程生成不规则集合时，就会产生随机分形。在随机化的递归构造中，可以按照给定的概率，彼此独立地保留各个子立方体。另一种情形是，随机过程的值域或图像也可能是分形，尽管它并非通过直观可见的形状替换方式构造而成。在这种情况下，相关结论讨论的是以概率一成立的维数或标度性质。\n\n维纳过程，也称标准布朗运动，是一个基本例子。在一维情形下，它具有连续的路径和独立的高斯增量，并且满足\n\n\\[\\operatorname{Var}[B(t+h)-B(t)]=h.\\]\n\n其标度律为\n\n\\[B(at)\\overset{d}{=}\\sqrt a\\,B(t).\\]\n\n因此，典型涨落的大小随经过时间的平方根增长，而非与时间成正比。这就产生了连续但几乎必然处处不可微的路径。\n\n从布朗运动中可以提取出几种不同的分形对象，它们的维数不应混为一谈。一维布朗运动的图像 \\(\\{(t,B(t)):0\\leq t\\leq1\\}\\) 的豪斯多夫维数几乎必然为 \\(3/2\\)。它在一维空间中的值域是一个区间，维数为一。在 \\(d\\) 维空间中，布朗运动的值域的豪斯多夫维数几乎必然为 \\(\\min(2,d)\\)。这说明，明确时间是否作为一个坐标计入十分重要。\n\n分数布朗运动通过参数 \\(H\\) 推广了这种标度性质，其中 \\(0<H<1\\)。它是一个均值为零的高斯过程，对于非负时间，其协方差为\n\n\\[\\mathbb E[B_H(t)B_H(s)] =\\frac12\\left(t^{2H}+s^{2H}-|t-s|^{2H}\\right)\\]\n\n。它的增量具有平稳性，过程的标度指数为 \\(H\\)。普通布朗运动对应于 \\(H=1/2\\) 的情形。一维分数布朗运动路径在非退化紧区间上的图像，其豪斯多夫维数几乎必然为 \\(2-H\\)。\n\n另一种模型有时称为分形渗流，它反复将一个立方体细分为 \\(m^d\\) 个子立方体，并以概率 \\(p\\) 保留每个子立方体。在非平凡的存活情形下，以不灭绝为条件，其维数为\n\n\\[d+\\frac{\\log p}{\\log m}.\\]\n\n连通性则是另一个问题：存活下来的集合未必包含一条横跨原立方体的路径。因此，随机分形将几何、分枝、依赖关系和概率结合在一起，而维数仅描述其可能结果的一个方面。"
    },
    {
      "heading": "多重分形与非均匀测度",
      "text": "当质量或概率的分布极不均匀时，单一维数可能不足以描述其特征。两个集合占据空间的方式可能相似，但各自的大部分质量却可能集中在截然不同的区域。多重分形分析研究测度的局部标度指数的取值范围，以及具有相同指数的点所构成的集合的几何性质。\n\n设 \\(\\mu\\) 为测度，\\(B(x,r)\\) 为以 \\(x\\) 为中心、半径为 \\(r\\) 的球。当下列极限存在时，局部维数定义为\n\n\\[\\alpha(x)=\\lim_{r\\downarrow0} \\frac{\\log\\mu(B(x,r))}{\\log r}.\\]\n\n关系式 \\(\\mu(B(x,r))\\approx r^{\\alpha(x)}\\) 表示，局部质量按半径的幂律缩放。指数越小，质量在小尺度上越集中，因为 \\(\\alpha\\) 越小，\\(r^\\alpha\\) 减小得越慢。\n\n一个简单的例子是在康托集构造的两个分支上分别赋予不相等的概率 \\(p\\) 和 \\(1-p\\)。每个由长度为 \\(n\\) 的地址确定的区间，其几何长度均为 \\(3^{-n}\\)，但质量取决于每个分支被选中的次数。若一个序列选择第一个分支的极限频率为 \\(\\theta\\)，则其局部指数为\n\n\\[\\alpha(\\theta)= -\\frac{\\theta\\log p+(1-\\theta)\\log(1-p)}{\\log3}.\\]\n\n当 \\(p\\) 在零与一之间变化时，测度的支撑集保持不变，但质量分布会发生显著变化。\n\n配分函数将这些差异汇总起来：\n\n\\[Z(q,\\varepsilon)=\\sum_i\\mu_i(\\varepsilon)^q \\sim\\varepsilon^{\\tau(q)}.\\]\n\n正的 \\(q\\) 突出质量较大的盒子；负的 \\(q\\) 则突出较小的非零质量，并且对采样不充分尤为敏感。对于上述概率不等的康托测度，\n\n\\[\\tau(q)= -\\frac{\\log\\!\\left(p^q+(1-p)^q\\right)}{\\log3}.\\]\n\n当 \\(q\\neq1\\) 时，广义维数为 \\(D_q=\\tau(q)/(q-1)\\)。取极限得到的信息维数 \\(D_1\\) 与信息熵的标度行为有关。\n\n多重分形谱 \\(f(\\alpha)\\) 描述局部指数为 \\(\\alpha\\) 的点集的豪斯多夫维数。在适当假设下，可通过勒让德变换关系由 \\(\\tau(q)\\) 求得：\n\n\\[f(\\alpha)=\\inf_q\\{q\\alpha-\\tau(q)\\}.\\]\n\n对于某些模型，这一关系是已得到证明的数学结果；对于另一些模型，它则是一种仍需论证其适用性的形式体系。经验上得到的非线性 \\(\\tau(q)\\) 可能反映真实的异质性，但记录过短、非平稳性、宽分布或测量噪声也可能造成表观上的多重分形行为。"
    },
    {
      "heading": "混沌动力学、临界现象与普适性",
      "text": "分形经常以动力系统的不变集的形式出现。反复的拉伸使邻近轨道彼此分离，而折叠则使它们保持在有界区域内。其他方向上的收缩可使长期运动集中到一个几何上很薄的集合上。这样的集合可能是奇异吸引子，不过术语的用法并不统一，也并非所有混沌系统都有分形吸引子。\n\n洛伦兹方程展示了这一机制：\n\n\\[\\dot x=\\sigma(y-x),\\qquad \\dot y=x(\\rho-z)-y,\\qquad \\dot z=xy-\\beta z.\\]\n\n爱德华·洛伦兹于1963年提出这一系统，将其作为与大气对流有关的简化模型。在常见的参数取值 \\(\\sigma=10\\)、\\(\\rho=28\\) 和 \\(\\beta=8/3\\) 下，数值计算得到的轨道围绕两个叶瓣盘旋，同时表现出对初始条件的敏感依赖。它们的长期几何形态既不是周期轨道，也不是光滑的二维曲面。\n\n李雅普诺夫指数量化了无穷小扰动平均膨胀和收缩的速率。它们是动力学量，而不是维数，但在适当的假设下，可以与维数建立联系。卡普兰–约克表达式\n\n\\[D_{\\mathrm{KY}} =j+\\frac{\\lambda_1+\\cdots+\\lambda_j}{|\\lambda_{j+1}|}\\]\n\n使用按大小排列的指数，其中 \\(j\\) 是使这些指数的部分和非负的最大下标。这一表达式往往能给出有用的维数估计，但不应将其视为计算豪斯多夫维数的通用公式。\n\n分形标度也出现在连续相变附近。在渗流理论中，晶格上的格点或键各自独立地被占据，而控制参数决定是否形成大型连通团簇。在临界阈值处，团簇的几何结构可能不具有特征性的中间长度尺度。对于三角晶格上的临界格点渗流，二维团簇的质量维数为 \\(91/48\\)。偏离临界点时，有限的关联长度会截断临界标度行为。\n\n重整化群方法将观测尺度的变换形式化，并解释了为何微观结构不同的系统可以具有相同的临界指数。在一维迭代中，经由倍周期分岔通向混沌的途径提供了另一个普适性的例子。对于具有二次型极大值的适当光滑映射，相邻分岔之间的参数区间不断缩小，其比值趋于约 \\(4.6692\\)，即费根鲍姆常数。在分岔的累积点处，不变集具有层级结构。这些联系解释了分形为何会出现在由截然不同的方程支配的系统中：即使略去微观细节，共同的标度行为仍可保留下来。"
    },
    {
      "heading": "自然图案与有限的标度范围",
      "text": "自然物体仅在有限的尺度范围内与数学分形相似。海岸线受到地质条件、侵蚀、泥沙输运、波浪和潮位的影响。在足够小的尺度上，颗粒、孔隙乃至分子结构会取代地图上可见的表观层级结构。在极大的尺度上，地貌的有限范围又使同一标度律无法继续适用。\n\n海岸线测量问题说明了普通长度与依赖尺度的长度之间的区别。如果用步长为 \\(\\varepsilon\\) 的分规测量，大约需要 \\(N(\\varepsilon)\\propto\\varepsilon^{-D}\\) 步，那么估算长度满足\n\n\\[L(\\varepsilon)\\approx N(\\varepsilon)\\varepsilon \\propto\\varepsilon^{1-D}.\\]\n\n当 \\(D>1\\) 时，在标度范围内，步长越小，估算的长度就越大。这并不意味着每条海岸线都具有同一个普适维数，也不意味着实测的物理长度真的会在所有尺度上发散。\n\n水系网络是有序分支结构的另一个例子。支流汇合成更大的河流，而汇水面积和河道长度在整个流域内呈现系统性的变化。分支比和异速生长关系可以描述这种组织结构，但河道轨迹的维数与河长和流域面积之间的关系并不是同一个量。地质约束和气候可能导致不同标度区间之间的转变，而不是形成一条适用于所有流域的定律。\n\n树木、血管网络和气道网络等生物分支结构常被称为分形，因为反复分支使输运通路分布于空间之中。这些结构的层级是有限的，分支大小不一定遵循单一比例，而且功能约束也会影响其形态。蕨类植物或西兰花花球的几何形态可能近似自相似，而对于输运网络，除了维数之外，可能还需要分析连通性、阻力和末端间距。\n\n在多孔岩石和粗糙界面中，分形模型可用于描述孔径分布、表面积或空间相关性。这些是不同的性质：孔隙空间维数、表面维数和输运指数不一定相同。即使两个样本具有相近的几何维数，连通性仍可能对流动产生很大影响。\n\n在实证研究中，只有当明确指定的观测量在有记录的区间内遵循可重复验证的标度关系时，使用分形概念才最有说服力。仅有视觉上的相似并不足够。研究报告中的指数取决于嵌入空间、观测方法、物理边界以及形成该图案的过程；要将某一情境中的维数用于另一情境，不能仅凭表面相似。"
    },
    {
      "heading": "计算、可视化与经验估计",
      "text": "计算机生成的分形图像，是对可能无限延伸的构造的有限表示。递归绘图必须在某个迭代深度或像素尺度处停止。逃逸时间图像的计算也必须在达到最大迭代次数后停止。这两种方法都无法直接展示无限精细的结构，而看似清晰的边界也可能只是渲染方式造成的。可靠的计算应当区分数值近似与经过严格验证的集合归属或维数结论。\n\n对于几何构造，直接递归法与迭代函数法提供了互补的策略。递归法显式生成每一步保留下来的各个部分，在这些部分的数量仍可控制时十分有效。随机迭代则对不变测度进行采样，无须枚举所有部分，就能生成可辨识的吸引子。对于复数迭代，自适应细分可将计算集中在归属尚不确定的边界附近，而距离估计和区间方法则能比固定的迭代次数上限提供更严格的控制。\n\n盒计数法是一种常用的经验维数估计方法。用若干不同盒尺寸的网格覆盖图像，统计被占据的盒子数量，再对 \\(\\log N(\\varepsilon)\\) 关于 \\(\\log(1/\\varepsilon)\\) 的关系进行直线拟合，求得斜率。拟合值取决于阈值处理、网格位置、边缘处理、像素分辨率以及尺度的选择。在低于分辨率的尺度上，数字图像无法揭示更多几何信息；在接近图像大小的尺度上，剩余的盒子又太少，无法得到稳定的估计。\n\n对于点云，关联和用于估计间距小于 \\(r\\) 的点对所占的比例：\n\n\\[C(r)=\\frac{2}{n(n-1)} \\sum_{i<j}\\mathbf1\\{\\|x_i-x_j\\|<r\\}.\\]\n\n如果在适当的范围内有 \\(C(r)\\propto r^{D_2}\\)，则可用其双对数关系的斜率估计关联维数。在时间序列分析中，通常使用重构的状态向量，但时间上相邻的观测值可能造成虚假的强聚集。排除时间上相近的邻点，有助于区分采样依赖性与几何结构的影响。\n\n评估不确定性，不能仅凭直线拟合得到的高决定系数。相邻尺度在统计上往往并不独立，而曲线关系在较短区间内也可能显得近乎线性。应当考察结果对裁剪、分辨率、分割以及不同标度区间的敏感性。当可用的尺度范围很窄时，与非分形模型进行比较尤其重要。\n\n不同方法估计的是不同的量。盒计数法近似估计支撑集的维数，关联方法侧重点对之间的质量分布，而谱方法则依据对过程的假设来推断粗糙程度。只有当相关假设足以支持对这些指数进行比较时，结果的一致性才有意义。若只给出一个“分形维数”数值，却不说明估计方法、采样设计和尺度区间，就不能算是完整且可复现的结果。"
    },
    {
      "heading": "技术与艺术应用",
      "text": "分形模型广泛用于计算机图形学，因为递归规则能够通过简洁的描述生成细节丰富的形态。随机中点位移法及相关的谱方法可生成粗糙的高度场，用于构建地形、云和纹理。调整粗糙度参数，可以改变粗尺度起伏与细尺度起伏之间的关系。这类模型无需模拟塑造真实景观的每一种物理过程，就能生成在统计特征上逼真的外观。\n\n程序化植被生成常使用L系统。阿里斯蒂德·林登迈耶于1968年提出这一系统，用以描述发育过程。一组重写规则在一代代迭代中替换符号，再由几何解释器将生成的字符串转换为枝条和叶片。L系统并不必然产生分形：有些系统生成的是规则的有限结构，或不具备尺度不变性的图案。只有递归、几何与缩放方式的某些特定组合，才会产生类似分形的分枝结构。\n\n分形图像压缩利用图像内部的近似自相似性。图像的某些部分通过对其他部分施加压缩映射来表示；解码时反复应用这些映射，逐步逼近重建图像。迈克尔·巴恩斯利参与建立了其数学框架并推动了商业化，而阿尔诺·雅坎的工作则推进了基于图像块的编码方法。这种方法可以实现紧凑的图像表示，但搜索合适的匹配区域可能使编码的计算成本很高。它尚未取代在常见图像格式中占主导地位的变换编码方法。\n\n受分形启发的天线设计采用具有递归形状的导体，包括类似科赫曲线的形状和谢尔宾斯基型图案。这些结构具有多个几何尺度，可以支持多种谐振模式，或在有限的占用面积内延长电流路径。天线性能取决于整体电磁设计，包括基板、馈电、损耗以及各单元之间的耦合。仅有分形轮廓，并不能保证更宽的带宽、更高的效率，或优于非分形设计的性能。\n\n在图像分析中，随尺度变化的纹理描述子有助于区分材料、表面损伤或空间模式。维数通常只是众多特征之一，其他特征还包括方向、对比度和频率成分。将这些方法用于生物或医学图像时，需要针对具体的测量任务进行验证；仅凭几何上的不规则性，既不能作出诊断，也不能将其视为某种潜在过程的特异性标志。\n\n分形也可作为艺术创作系统。迭代复映射、递归镶嵌和随机纹理使艺术家能够探索规则与视觉形态之间的关系。配色、投影、光照以及对局部区域的选取，都可能主导最终图像的面貌。数学集合提供了结构，但最终呈现的艺术作品通常还包含大量并非由该结构决定的创作选择。"
    },
    {
      "heading": "分形上的分析与主要研究方向",
      "text": "经典微积分在很大程度上依赖于光滑的局部坐标、切方向和通常的体积概念。许多分形并不具备这些结构。尽管如此，仍可以借助适当的测度和极限过程，定义积分、扩散、能量和微分算子。由此形成的学科通常称为分形上的分析，它研究的是发生在不规则集合本身上的过程，而不只是把这个集合作为普通空间的子集来分析。\n\n对于谢尔宾斯基三角形，一种方法是用一系列有限图来逼近该集合。先将各条边两端的函数值之差的平方求和，构造离散能量，再随着图的细化对这些能量进行重整化。对于标准谢尔宾斯基垫片，在第 \\(n\\) 级图上，归一化涉及因子 \\((5/3)^n\\)。取极限得到的二次型可用于定义一种拉普拉斯算子，从而能够在分形上建立热方程并研究调和函数。\n\n分形上的扩散可能比普通扩散更慢，因为瓶颈和反复出现的迂回路径会阻碍运动。游走维数 \\(d_w\\) 描述位移量级为 \\(t^{1/d_w}\\) 之类的标度关系，而谱维数 \\(d_s\\) 则描述热核或返回概率的标度关系。在适当的假设下，\n\n\\[d_s=\\frac{2d_H}{d_w},\\]\n\n其中 \\(d_H\\) 是豪斯多夫维数。对于标准谢尔宾斯基垫片，\n\n\\[d_H=\\frac{\\log3}{\\log2}, \\qquad d_w=\\frac{\\log5}{\\log2}, \\qquad d_s=\\frac{2\\log3}{\\log5}.\\]\n\n这些量分别刻画几何与动力学的不同方面。\n\n一个主要研究方向是存在重叠时的维数问题。即使是看似简单的仿射系统，其各个组成部分之间也可能出现复杂的重合。确定熵或符号复杂度在何种条件下能够转化为几何维数，将分形几何与信息论、遍历理论和加性组合学联系起来。自仿射集尤其具有挑战性，因为不同方向的收缩速率不同，而且方向还可能不断改变。\n\n投影问题和距离问题关注的是：经过几何观测后，分形的哪些信息仍能保留下来？它在直线上的投影有多大？它的点对之间的距离所构成的集合何时具有正长度？这些问题属于几何测度论，并与调和分析密切相关。答案不仅取决于维数，还取决于质量如何分布，以及质量的集中程度如何随尺度变化。\n\n在复动力系统中，朱利亚集和参数空间的几何性质，持续引出有关局部连通性、边界面积以及组合结构与形状之间关系的问题。对于经验模型，另一项挑战是辨明：在分辨率有限、存在测量噪声以及物理机制发生变化的情况下，哪些标度特征仍能保持稳定。无论是数学研究还是应用研究，都需要区分各种维数、测度和动力学指数；它们在图像中可能表现得相似，所承载的信息却各不相同。"
    }
  ],
  "links": [
    "geometry",
    "mathematical-analysis",
    "probability",
    "topology",
    "chaos-theory",
    "power-law",
    "karl-weierstrass",
    "continuous-function",
    "georg-cantor",
    "cantor-set",
    "david-hilbert",
    "hausdorff-dimension",
    "countable-set",
    "euclidean-space",
    "lebesgue-measure",
    "complete-metric-space",
    "banach-fixed-point-theorem",
    "affine-map",
    "complex-number",
    "polynomial",
    "stochastic-process",
    "wiener-process",
    "information-entropy",
    "dynamical-system",
    "renormalization-group",
    "erosion",
    "drainage-basin",
    "time-series",
    "coefficient-of-determination",
    "calculus",
    "laplace-operator",
    "heat-equation",
    "information-theory",
    "harmonic-analysis"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}