بَرخال، فرکتال، یا فراکتال (Fractal) ساختارین" است که هر جزء از آن با کلش متشابه است.

    هنگامی که برای اولین بار به فراگیری فراکتال ها فکر کردم ، تصور من هم مثل شما این بود که به دانش پیشرفته ای نیاز دارد من هنوز آمادگی یادگیری آن را ندارم . اما اشتباه می کردم . با وجود این که دوست داشتم بگویم که هندسه ی فراکتال ها خیلی دشوار است و شما باید به اندازه ی من با هوش باشید تا آن را درک کنید ، اما حقیقتاً بسیار ساده است . این مبحث به دانستن سه مطلب اصلی که در جبر سال دوم آموختیم ، نیاز دارد :

الف) توابع              ب) نمودارها              ج) اعداد موهومی


 الگوهای رویش برخالی

 

ایده خود متشابه در اصل توسط لایبنیتس بسط داده شد. او حتی بسیاری از جزئیات را حل کرد. در سال ۱۸۷۲ کارل وایرشتراس مثالی از تابعی را پیدا کرد با ویژگیهای غیر بصری که در همه جا پیوسته بود ولی در هر جا مشتق پذیر نبود. گراف این تابع اکنون برخال نامیده می‌شود. در سال ۱۹۰۴ هلگه فون کخ به همراه خلاصه‌ای از تعریف تحلیلی وایرشتراس، تعریف هندسی‌تری از تابع متشابه ارائه داد که حالا به برفدانه کخ معروف است. در سال ۱۹۱۵ واکلو سرپینسکی مثلثش را و سال بعد فرش‌اش (برخالی) را ساخت. ایده منحنیهای خود متشابه توسط پاول پیر لوی مطرح شد او در مقاله اش در سال ۱۹۳۸ با عنوان «سطح یا منحنیهای فضایی و سطوحی شامل بخش‌های متشابه نسبت به کل» منحنی برخالی جدیدی را توصیف کرد منحنی لوی c. گئورگ کانتور مثالی از زیرمجموعه‌های خط حقیقی با ویژگیهای معمول ارائه داد. این مجموعه‌های کانتور اکنون به‌عنوان برخال شناخته می‌شوند. اواخر قرن نوزدهم و اوایل قرن بیستم توابع تکرار شونده در سطح پیچیده توسط هانری پوانکاره، فلیکس کلاین، پیر فاتو و گاستون جولیا شناخته شده بودند. با این وجود بدون کمک گرافیک کامپیوتری آنها نسبت به نمایش زیبایی بسیاری از اشیایی که کشف کرده بودند، فاقد معنی بودند. در سال ۱۹۶۰ بنوا مندلبرو تحقیقاتی را در شناخت خود-همانندی طی مقاله‌ای با عنوان «طول ساحل بریتانیا چقدر است؟ خود متشابه‌ای آماری و بعد کسری» آغاز کرد. این کارها بر اساس کارهای پیشین ریچاردسون استوار بود. در سال ۱۹۷۵ مندلبرو برای مشخص کردن شئی که بعد هاوسدورف-بیسکویچ آن بزرگ‌تر از بعد توپولوژیک آن است کلمه «برخال» (fractal) را ابداع کرد. او این تعریف ریاضی را از طریق شبیه سازی خاص کامپیوتری تشریح کرد.

 مجموعه جولیابر خالها از نظر روش مطالعه به برخالهای جبری و بر خالهای احتمالاتی تقسیم می‌شوند. از طرف دیگر برخالها یا خودهمانند اند (self similarity) یا خودناهمگرد (self affinity) هستند. در خودهمانندی، شکل جز شباهت محسوسی به شکل کل دارد. این جز، در همه جهات به نسبت ثابتی رشد می‌کند و کل را به وجود می‌آورد. اما در خودناهمگردی شکل جز در همه جهات به نسبت ثابتی رشد نمی‌کند. مثلاً در مورد رودخانه‌ها وحوضه‌های آبریز بعد برخالی طولی متفاوت از بعد برخالی عرضی است Vx = ۰. ۷۲-۰. ۷۴ و Vy = ۰. ۵۱-۰. ۵۲ (ساپوژنیکوف و فوفولا ،۱۹۹۳) لذا شکل حوضه آبریز کشیده‌تر از زیر حوضه‌های درون حوضه است. به خودهمانندی همسانگرد (isotropy) می‌گویند. به خود ناهمگردی ناهمسانگرد (anisotropy) می‌گویند  

 هنگامی که برای اولین بار به فراگیری فراکتال ها فکر کردم ، تصور من هم مثل شما این بود که به دانش پیشرفته ای نیاز دارد من هنوز آمادگی یادگیری آن را ندارم . اما اشتباه می کردم . با وجود این که دوست داشتم بگویم که هندسه ی فراکتال ها خیلی دشوار است و شما باید به اندازه ی من با هوش باشید تا آن را درک کنید ، اما حقیقتاً بسیار ساده است . این مبحث به دانستن سه مطلب اصلی که در جبر سال دوم آموختیم ، نیاز دارد :

الف) توابع              ب) نمودارها              ج) اعداد موهومی

      یک تابع، معادله ای است که از دو مختص استفاده می کند و مختصات جدیدی به شما می دهد.به عنوان مثال در f(x)=3x-1  ، f(x) همان y  و 3  شیب ( سه واحد به سمت بالا و یک واحد به سمت راست ) و (1-) نقطه ی شروع می باشد . این تابع را به صورت زیر رسم می کنیم                                                                                                                              

 

                                                                                           

 

 

 

 

 

 

 

 

 

            البته نمودارها ، مطالب متفاوتی را بیان می کنند . از آن ها می توان برای پیش بینی ها به خوبی استفاده کرد . به عنوان مثال ، یک ماشین با سرعت 50 کیلومتر در ساعت در حال حرکت است . در عرض 2 ساعت چه مسافتی طی می کند ؟ با رسم یک نمودار می توان مسافت طی شده را ، با همان سرعت در 5 ، 10 و حتی 150  ساعت پیش بینی کرد . برای نمودارهای مختلف توابع متفاوتی وجود دارد.نمی توان از نمودار یک اتومبیل برای یافتن زمانی که به طول می ـ  انجامد تا یک توپ از بالای یک ساختمان 2000 فوتی به طرف زمین رها می شود ، استفاده کرد.

زیرا یک توپ مثل اتومبیل ، از سرعت ثابتی پیروی نمی کند و نمودار آن مسلماً به صورت منحنی است . تمام این واقعیات وقتی صادقند که به فراکتال ها رجوع شود . به طور ساده ، یک فراکتال نوع متفاوتی از توابع است .

            امیدوارم که گیج نشده باشید . اگر شما آمادگی ورود به مبحث عنصر سوم هندسه ی فراکتال ، یعنی اعداد موهومی را دارید ، به قسمت بعد رجوع کنید .

بنابراین گیج نشده اید . بسیار خوب ، پیش می رویم . آن چه را که درباره ی این حقیقت که فراکتال ، نموداری از یک تابع متفاوت است ، به یاد آورید . تابع f(x)=f(x)*f(x)+c  یا f(x)=f(x)^2+c  یک تابع فراکتال است که به قانون بازگشت معروف است . این معادله ی به خصوص یک فراکتال معروف ، موسوم به مجموعه ی جولیان را تشکیل می دهد .

            در این معادله c یک عدد مختلط (شامل یک عدد موهومی) است که می تواند هر مقداری باشد و نتیجه ی آن یک مجموعه ی جولیان متفاوت باشد. n به جای مختصات نقطه قرار می گیرد

این موضوع را در نظر داشته باشید زیرا به زودی به آن باز می گردیم . این مختصات ویژه هستند زیرا همان طور که حدس زدید اعداد موهومی را در بر می گیرند.هنگامی که این مختصات

(x,y) هستند ، در هندسه ی فراکتال به صورت x+iy نشان داده می شوند . به عبارت دیگر ، x

مقداری ثابت و y  یک عدد موهومی است . همان طور که در هندسه ی فراکتال ها مشاهده کردید، محور x نشان دهنده ی اعداد حقیقی و محور y  نشان دهنده ی اعداد موهومی است .

حال به تابع فراکتال بر می گردیم . از مختصات (x+iy) به جای n استفاده می کنیم . حالا می پرسید که این تابع چه طور نمودارهای بزرگ فراکتال را می سازد . بسیار خوب ، نتیجه ی یک تابع ، به جای این که یک خط شود ، تنها یک نقطه را نمایش می دهد ـ که اگر ما به تعریف یک نقطه نگاه کنیم ، می تواند بی نهایت کوچک باشد ـ  که بیان می کند چه طور می توانیم یک قسمت از یک فراکتال را بزرگ کرده و به فراکتال جدید کاملی برسیم . نقطه در مختصات n قرار دارد . البته فراکتال ها بسیار رنگارنگ هستند. حالا این رنگ ها چه طور انتخاب می شوند؟ مثل هر چیز دیگر ، نسبتاً ساده است . ابتدا لازم است که یک نقطه را رنگ کنید ، بیایید نقطه (2+1i)

را در نظر بگیریم . برای مقدار c از (1+1i) استفاده می کنیم . به خاطر آورید که c می تواند هر عدد مختلطی باشد . حال این را در معادله قرار می دهیم .

f(n)=f(2+1i)=(2+1i)(2+1i)+(1+1i)

     =2*2+2i+2i+i^2+1+1i=5+5i-1=4+5i                   (i^2=-1)

            این ها مختصات جدید ما هستند . به یاد آورید که اگر یک مجموعه از مختصات را در یک تابع قرار دهید ، نتیجه یک مجموعه ی جدید از مختصات است . 4+5i مجموعه ی مختصات جدید است . هنوز کار تمام نشده است ، عمل بالا یک تکرار را نشان می دهد . مجموعه ی مختصات را وارد تابع می کنیم تا بتوانیم ثابت کنیم که یک نقطه  :

(a روی نمودار قرار نمی گیرد (مثال : در یک نمودار 10*10  مؤلفه های جدید (97 ، 234-) هستند) 

(b هرگز نمودار را ترک نمی کند (این قانون بعد از 200 بار تکرار ، اگر نقطه باز هم روی نمودار باشد ، صادق است .)

            نحوه ی انتخاب رنگ به این صورت است که اگر نقطه بعد از یک بار تکرار نمودار را ترک کند ، یک رنگ به آن نسبت می دهیم . هر نقطه بعد از آن ، که بعد از یک تکرار نمودار را ترک کند ، همان رنگ را دارد . تمام نقاطی که بعد از 2 تکرار نمودار را ترک می کنند ، با یک رنگ مشخص نشان داده می شوند و هر نقطه ای که نمودار را هرگز ترک نکند با رنگ متمایز معمولاً سیاه علامت گذاری می شود . بعد از انجام این فرایند ، برای تمام نقاط داخل این صفحه ، نتیجه ای نظیر این مجموعه ی جولیان می شود .

 

 

 

 

 

         

 

            تابع f(x)=f(x-1)^2+c   فراکتال دیگری را موسوم به مجموعه ی مندل بروت می ـ سازد.

 

                             

 

همان طور که می بینید ، در بسیاری از حالات ، 200 تکرار لازم است تا تنها یک نقطه تعیین شود . در اغلب کامپیوترها ، معمولاً تعداد نقاط برای یک فراکتال 303,200 تاست . به همین دلیل است که برای محاسبه ی عملیات زیاد و دقت انجام آن ها به کامپیوتر نیاز داریم .

            فراکتال ها تصویری از یک زندگی واقعی دارند . کامپیوترها می توانند یک شکل واقعی را بگیرند و با انجام تکرار زیاد به آن شکل تخیلی بدهند . یک معادله ی فراکتال می توان ساخت که شکل ابرها را بسازد . در فیلم ها ی متعددی از فراکتال ها برای چشم انداز پشت صحنه استفاده می کنند .

طبقه بندی

برخالها همچنین بر اساس خود همانندی طبقه بندی می شوند. سه نوع خود همانندی وجود دارد:

 

خود همانندی دقیق این قوی‌ترین نوع خود همانندی است؛

گسترش رو به رشد رویکرد تک برخالی (مونوفراکتالی) اخیر، داده‌ها را با مجموعه برخالی (فراکتالی)، بجای بعد منفرد برخالی توصیف می‌کند. این مجموعه طیف چند برخالی (multifractal spectrum) نامیده می‌شود و روش توصیف تغییر پذیری بر اساس طیف سنجی چند برخالی به آنالیز چند برخالی (multifractal analysis) معروف است (فریش و پاریسی، ۱۹۸۵). روش چند برخالی به اندازه خود همانندی آماری (statistical self-similar) دلالت دارد که می‌تواند به صورت ترکیبی از مجموعه‌های به هم تنیده برخالی (interwoven fractal sets) مطابق با نمای مقیاس گذاری نمایش داده شود. ترکیبی از همه مجموعه‌های برخالی طیف چند برخالیی را ایجاد می‌کند که تغییر پذیری و ناهمگنی متغیر مورد مطالعه را مشخص می‌کند. مزیت رویکرد چند برخالی‌این است که پارامترهای چند برخالی می‌توانند مستقل از اندازه موضوع مورد مطالعه باشند. (Cox and Wang, ۱۹۹۳)

 

کاربردها

از برخال‌ها به منظور تسهیل در امور مربوط به مدل‌سازی پیچیدگی در زمینه‌های گوناگون علمی و مهندسی استفاده به عمل می‌آید. از جملهٔ زمینه‌های مهم کاربردی موارد زیر را می‌توان برشمرد:

 

گرافیک رایانه‌ای

پردازش تصاویر

نظریهٔ موجک‌ها

تغییر شکل پلاستیک و شکست مواد

 

   




برچسب ها : gis ،آموزش ،داده های رقومی
ارسال در تاريخ دوشنبه ۸ فروردین ،۱۳٩٠ توسط مهدی فرداد
نظرات شما ()