Movimento Browniano Fracionario

IA013 Introduo Computao Natural Prof. Fernando J.
Von Zuben DCA/FEEC/Unicamp
Geometria Computacional da Natureza*

1. 2. Introduo .......................................................................................................................... 4 A Geometria Fractal da Natureza ...................................................................................... 5 2.1. Auto-Similaridade...................................................................................................... 7 2.2. Alguns Fractais Pioneiros ......................................................................................... 9 2.3. Dimenso e Dimenso Fractal ............................................................................... 14 3. Autmatos Celulares e Geometria Fractal ...................................................................... 21 3.1. Definio Formal ..................................................................................................... 22 4. Sistemas L (L-Systems)................................................................................................... 25 4.1. Conceitos sobre Sistemas de Produo e Gramticas .......................................... 25 4.2. Sistemas DOL ......................................................................................................... 27 4.3. Grfico Tartaruga (Turtle Graphics)........................................................................ 30 4.4. Modelos de Arquiteturas de Plantas ....................................................................... 32 4.5. Escopo dos Sistemas-L .......................................................................................... 36 5. Sistema de Funes Iterativas ........................................................................................ 36 5.1. Fundamentos Tericos ........................................................................................... 37 5.2. Sistemas de Funes Iterativas (IFS)..................................................................... 40
* Material baseado nas notas de aula do Prof. Leandro Nunes de Castro (UniSantos/SP) Tpico 7 Geometria Computacional da Natureza
IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp
6.
7.
8. 9.
5.3. Auto-Similaridade e Auto-Afinidade Revisitadas .................................................... 45 Movimento Browniano ..................................................................................................... 46 6.1. Fractais Aleatrios na Natureza e Movimento Browniano...................................... 47 6.2. Movimento Browniano Fracionrio ......................................................................... 55 6.3. Escopo do MBF ...................................................................................................... 60 Sistemas de Partculas .................................................................................................... 62 7.1. Conceitos Bsicos .................................................................................................. 63 7.2. Modelo Bsico ........................................................................................................ 65 7.3. Simulando Fogos de Artifcio .................................................................................. 67 7.4. Escopo dos Sistemas de Partculas ....................................................................... 69 Da Geometria Natural Geometria Fractal ..................................................................... 69 Escopo da Geometria Fractal .......................................................................................... 71
Tpico 7 Geometria Computacional da Natureza
Why is geometry often described as cold and dry? One reason lies in its inability to describe the shape of a cloud, a mountain, a coastline, or a tree. Clouds are not spheres, mountains are not cones, coastlines are not circles, and bark is not smooth, nor does lightning travel in a straight line. The existence of these patterns challenges us to study those forms that Euclid leaves aside as being formless, to investigate the morphology of the amorphous. (Mandelbrot, 1983, p.1) In the past, mathematics has been concerned largely with sets and functions to which the methods of classical calculus can be applied. Sets or functions that are not sufficiently smooth or regular have tended to be ignored as pathological and not worthy of study. Certainly, they were regarded as individual curiosities and only rarely were thought of as a class to which a general theory might be applicable. In recent years this attitude has changed. It has been realized that a great deal can be said, and is worth saying, about the mathematics of non-smooth objects. Moreover, irregular sets provide a much better representation of many natural phenomena than do the figures of classical geometry. Fractal geometry provides a general framework for the study of such irregular sets. (Falconer, 2003, p. xvii)
1. Introduo
O grande avano da computao grfica tornou possvel a visualizao de diversos modelos e estruturas de fenmenos naturais com grande realismo. As imagens, animaes e sistemas resultantes so teis como ferramentas cientficas, de pesquisa e educacionais em diversas reas. As aplicaes incluem o projeto e criao de paisagens naturais, plantas, predio de fenmenos naturais (colheita), estudo de processos de desenvolvimento e crescimento, modelagem e sntese de diversos padres e formas naturais. Existem diversas tcnicas de modelagem e sntese de padres naturais. Por exemplo: modelos de reao-difuso (reaction-diffusion models), modelos de agregao de difuso limitados (diffusion-limited aggregation), autmatos celulares, sistemas de Lindenmeyer (L-systems), sistemas de funes iterativas (iterated function systems), sistemas de partculas (particle systems), etc.
Uma etapa marcante no processo de modelagem e sntese de padres naturais foi o reconhecimento de que a natureza fractal, juntamente com o desenvolvimento da geometria fractal. De forma simplificada, a geometria fractal pode ser vista como a geometria da natureza, com toda a sua irregularidade e estruturas complexas e fragmentadas.
2. A Geometria Fractal da Natureza

A geometria euclidiana descreve formas ideais, como pontos, crculos, retas, esferas, quadrados, cubos, etc. Entretanto, estas formas euclidianas so geralmente encontradas apenas em objetos produzidos por seres humanos. A natureza no possui formas suaves e uniformes e muitos padres so irregulares e fragmentados.
Qual a forma de um floco de neve? E de uma montanha? E de uma encosta, nuvem, rvore e diversas outras formas da natureza? O termo fractal foi cunhado por MANDELBROT (1983) para identificar uma famlia de formas que apresenta padres irregulares e fragmentados. A geometria fractal a geometria das formas irregulares encontradas na natureza. o Genericamente, os fractais so caracterizados por detalhes infinitos, comprimento infinito, auto-similaridade, dimenses fractais, e a ausncia de suavidade ou derivadas. Portanto os fractais so irregulares; eles possuem o mesmo grau de irregularidade em todas as escalas. Os fractais parecem os mesmos quando observados distncia ou de muito perto (auto-similaridade). Alguns exemplos de fractais na natureza:
o Arbustos, costas martimas, montanhas, couve-flor, brcolis, pulmes, crebro, rins, nuvens etc.
2.1. Auto-Similaridade
Uma interpretao intuitiva de auto-similaridade:
15cm
5.5cm
Auto-similaridade estatstica: quando as cpias (partes) menores so pequenas variaes de toda a estrutura. Auto-similaridade estrita Auto-similaridade estatstica (Auto-afinidade):
Auto-similaridade estrita
Auto-afinidade
2.2. Alguns Fractais Pioneiros

O primeiro fractal foi descoberto por K. Weierstrass em 1861. Ele descobriu uma funo contnua que no diferencivel em ponto algum, ou seja, uma curva constituda somente por cantos.
Outros fractais pioneiros foram descobertos por G. Cantor, H. von Koch, W. Sierpinski e outros. Estes fractais foram considerados monstros matemticos devido a algumas caractersticas no-intuitivas que eles apresentavam. O Conjunto de Cantor
Step 1 Step 2 Step 3 Step 4
Propriedades interessantes: o No possui comprimento algum ou interior o Cada uma de suas partes constituda basicamente de buracos o totalmente formado por pontos desconexos o Contm a mesma quantidade de pontos que a curva da qual ele derivado o Cada um de seus pontos um ponto limite, ou seja, existe uma quantidade infinita de outros pontos do conjunto na sua vizinhana.
10
A Curva de Koch (Floco de neve)
Propriedades interessantes: o No limite a curva de Koch no possui segmento algum de reta; a curva inteiramente constituda por cantos. o Portanto a curva no apresenta derivada (tangente) em ponto algum. o Embora ela se inicie a partir de uma reta de comprimento L, seu comprimento infinito.
11
o No passo t a curva possui 4t segmentos, cada qual com comprimento 1/3t. Portanto, o comprimento total da curva (4/3)t. o Note que uma curva de comprimento infinito pode ser colocada em uma rea finita.
12
Outro fractal pioneiro: o tringulo de Sierpinski.
Step 1
Step 2
Step 3
Curvas que preenchem o espao: a curva de Peano.
Step 0
Step 1
Step 2
Step 3
13
2.3. Dimenso e Dimenso Fractal

Estruturas como a curva de Peano desafiavam o conceito de dimenso, pois curvas so sabidas ter dimenso 1, mas para preencher o espao elas deveriam ser percebidas como tendo dimenso 2. Pontos possuem dimenso 0, linhas e curvas possuem dimenso 1, planos e superfcies possuem dimenso 2, slidos possuem dimenso 3, etc. De forma simplificada, um conjunto possui dimenso d se d variveis independentes (coordenadas) so necessrias para descrever a vizinhana de cada ponto. Esta noo de dimenso denominada de dimenso topolgica. No final do sculo 19, alguns matemticos perceberam que um bom entendimento da irregularidade ou fragmentao de algumas formas no pode ser alcanado definindo-se dimenso como sendo um nmero de coordenadas. Por exemplo, a curva de Koch possui dimenso topolgica 1, mas no pode ser considerada uma curva sob a perspectiva da geometria euclidiana: o comprimento
14
entre quaisquer dois pontos da curva infinito; nenhuma de suas partes uma linha ou um plano. De certa forma, possvel dizer que ela muito grande para ser unidimensional e, ao mesmo tempo, muito pequena para ser bidimensional. Logo, sua dimenso deve ser um nmero entre 1 e 2. A dificuldade em se definir a dimenso de objetos como a curva de Koch, o conjunto de Cantor e o tringulo de Sierpinski no apenas um problema dos fractais exemplificados aqui. Um fenmeno similar foi identificado pelo meteorologista ingls L. Richardson em 1961 em sua tentativa de medir o comprimento de vrias costas martimas, incluindo a costa da Inglaterra. Ele percebeu que o comprimento aparente da costa parecia crescer sempre que o comprimento do instrumento de medida era reduzido. Isso ocorria, pois quanto menor o comprimento do medidor maior a amplificao dos detalhes.
15
Richardson concluiu que o comprimento da costa no bem definido, e ele tambm props uma lei emprica relacionando este aumento no comprimento da unidade de medida com a quantidade de detalhes percebidos. Ele notou que, quando o logaritmo do comprimento do instrumento de medida era plotado em funo do logaritmo do comprimento total da costa, os pontos tendiam a se distribuir em torno de uma linha reta. A inclinao da reta resultante media, de alguma forma, o grau de dobramento ou fragmentao da costa. MANDELBROT (1983) encontrou o trabalho de Richardson e verificou que os fractais poderiam ser classificados de forma similar. Como ento medir a dimenso de um objeto? Para o caso de formas regulares, uma forma com dimenso d composta por N cpias de tamanho 1/m em relao ao tamanho original, onde N = md. o m conhecido como fator de reduo.
16
o Exemplo: quadrado.
m = 1/2 N = 4; m = 1/3 N = 9. A idia da relao entre o logaritmo do nmero de cpias de um objeto e o logaritmo do tamanho de suas cpias sugeriu uma generalizao do conceito de dimenso que permite valores fracionrios. o Essa dimenso conhecida como dimenso de auto-similaridade:
log N N = (1/m)d log(N) = log((1/m)d) log(N) = d.log(1/m) d = log1 / m

Portanto, a dimenso d de uma forma auto-similar pode ento ser dada por:
d=
log N log1 / m ,
17
onde N a quantidade de cpias do objeto e m o fator de reduo. Em 1919, Hausdorff estendeu a noo de dimenso de similaridade para que ela se aplicasse a todo tipo de formas, alm das formas auto-similares. A dimenso fractal serve para descrever a complexidade (fractal) de um objeto. o Exemplos: a costa Britnica e a curva de Koch possuem dimenso fractal aproximada de 1,26, enquanto uma nuvem tpica possui dimenso 1,35. Embora o escopo da dimenso de Hausdorff seja geral, ela difcil de ser calculada na prtica. Uma forma mais simples de medir a dimenso fractal de uma curva denominada de mtodo da contagem de quadrados: o Cubra com quadrados a forma cuja dimenso voc pretende medir e verifique como o nmero de quadrados varia em relao ao tamanho dos quadrados. o No limite, para uma forma fractal, a taxa com a qual a proporo de quadrados cheios decresce fornece a dimenso do mtodo da contagem de quadrados.
18
Line m = 1/4, N(m) = 4 m = 1, N(m) = 1 N(1) = 1 N(1/2) = 2 = 1/(1/2) N(1/4) = 4 = 1/(1/4) ... N(m) = 1/ m m = 1/2, N(m) = 2
19
Filled-in square
m = 1, N(m) = 1
m = 1/2, N(m) = 4
m = 1/4, N(m) = 16
N(1) = 1 2 N(1/2) = 4 = (1/(1/2)) 2 N(1/4) = 16 = (1/(1/4)) ... 2 N(m) = (1/m)
Para objetos mais complicados, como fractais, a relao entre N(m) e 1/m pode ser uma potncia: N(m) = k(1/m)d, resultando na definio da dimenso do mtodo da contagem de quadrados:
db = log( N (m)) log(k ) . log(1 / m)
20
Note que a equao acima define a dimenso como sendo o coeficiente angular da reta formada entre log(N(m)) e log(1/m) e que intercepta o eixo y no ponto log(k). No limite para m 0:
d b = lim m0 log( N (m)) log(1 / m) .
3. Autmatos Celulares e Geometria Fractal

O estado si de uma clula i (i o ndice que indica a posio da clula) atualizado em tempos discretos de acordo com regras determinsticas que dependem da vizinhana da clula e de seu estado atual. Exemplo: si(t + 1) = f(si1(t), si(t), si+1(t))
i1
i+1
21
000 0 001 1 010 1 011 0
100 1 101 1 110 0 111 0
T im e
3.1. Definio Formal

Um autmato celular d-dimensional consiste em um grid finito de dimenso d com clulas que podem assumir um entre um conjunto finito de valores (estados).
22
O estado de cada clula no tempo t + 1 funo do estado de um conjunto de clulas vizinhas no instante t. Formalmente, um CA pode ser definido como uma quntupla: C = (S,s0,G,d,f), onde S um conjunto finito de estados, s0 S so os estados iniciais, G a vizinhana da clula, d Z+ a dimenso de C, e f o conjunto de regras locais de interao, tambm conhecidas como regras ou funes de transio. Outros conceitos: o Vizinhana: Gi = {i, i + r1, i + r2, ,i + rn}, onde n o tamanho da vizinhana. o Regra de transio: f : Sn S o Configurao do grid: C(t) = (s0(t), s1(t),, sN1(t)), onde si o estado da clula i no instante t. o Progresso: F : C(t) C(t + 1), t = 0,1, Exemplo de aplicao: gerao de formas fractais.
23
000 0 001 1 010 1 011 1
100 1 101 1 110 1 111 0
24
4. Sistemas L (L-Systems)
A. Lindenmayer introduziu em 1968 um formalismo para simular o desenvolvimento de organismos multicelulares. Estes sistemas foram posteriormente denominados sistemas-L (L-systems) ou algoritmos de desenvolvimento (developmental algorithms). O desenvolvimento multicelular consiste na gerao de estruturas atravs da diviso, crescimento, diferenciao e morte celular. Ele corresponde a uma srie de mudanas que os organismos sofrem durante sua passagem do estado embrionrio para a maturidade.
4.1. Conceitos sobre Sistemas de Produo e Gramticas

O formalismo por trs dos sistemas-L baseado em sistemas de produo e uma gramtica especfica.
25
Um sistema de produo, tambm conhecido como sistema baseado em regras, emprega implicaes como sua representao primria. Tipicamente seu elemento mais importante um conjunto de regras de produo ou simplesmente produes. Ex. se a ento b. Gramtica Um alfabeto V um conjunto finito de smbolos. O conjunto de todas as strings finitas formadas pelo alfabeto V denominado por V*. Uma palavra ou string w uma seqncia de elementos de V. A string vazia ou de comprimento zero, e, tambm faz parte de V*; V+ = V* {e}. Uma linguagem L sobre um alfabeto V qualquer subconjunto de V*; L V*. Uma gramtica uma quntupla G = V,T,N,P,S, onde V um conjunto finito (alfabeto); T o conjunto de smbolos terminais; N o conjunto de smbolos noterminais; P o conjunto de produes, e S um smbolo no-terminal conhecido como axioma (ponto de partida).
26
4.2. Sistemas DOL

A idia bsica de um sistema-L est contida na natureza das linguagens formais. As formas geomtricas (fractais) a serem estudadas so palavras em uma linguagem formal paralela. As gramticas em sistemas-L so similares s gramticas formais apresentadas anteriormente, porm as produes so aplicadas simultaneamente (paralelamente) e no existe distino entre smbolos terminais e no-terminais. Exemplo de um sistema-L: o Seja o alfabeto G = {a,b,c}, onde c o axioma, e as seguintes produes: 1. a c 2. b ac 3. c b o O processo de aplicao das regras denominado de processo de derivao ou de reescrita.
27
Iteration 0 1 2 3 4 5 6 7 8 9 10 utilizando seqncias de caracteres.
Word c b ac cb bac accb cbbac bacaccb accbcbbac cbbacbacaccb bacaccbaccbcbbac
A introduo dos sistemas-L fez reavivar o interesse na representao de imagens Um sistema-OL definido como sendo a tripla ordenada G = V,,P, onde V o alfabeto do sistema, V+ uma palavra de comprimento no-nulo denominada de axioma, e P V V* um conjunto finito de produes.
28
Uma produo (a,) P escrita como a . A letra a e a palavra so denominadas de predecessor e de sucessor da produo, respectivamente. considerado que para cada letra do alfabeto existe pelo menos uma palavra do conjunto V* tal que a , ou seja, V* | a , a V. Caso nenhuma produo for especificada para um determinado predecessor a, a a tomado por default. Um sistema-OL dito determinstico, sistema-DOL, se e somente se para cada a V existe um nico V* tal que a . Seja = a1am uma palavra arbitrria em V. A palavra = 1m V* diretamente derivvel (ou gerada a partir) de , , se e somente se ai i, i = 1,,m. Uma palavra gerada por G em uma derivao de comprimento n se existe uma seqncia de desenvolvimento de palavras 0, 1,, n tais que 0 = , n = e 0 1 n.
29
4.3. Grfico Tartaruga (Turtle Graphics)

Na descrio apresentada acima, o sistema-L foi utilizado para gerar uma seqncia de palavras. A interpretao geomtrica destas palavras pode ser utilizada para gerar imagens de diversos padres naturais. Uma linguagem do tipo turtle graphics pode ser usada para fazer a interpretao geomtrica das palavras geradas pelo sistema-L. Idia bsica em 2-D: o O estado da tartaruga definido como sendo a tripla (x,y,), onde as coordenadas cartesianas (x,y) correspondem posio da tartaruga, e o ngulo , denominado de direo (heading), interpretado como sendo a direo para a qual a tartaruga aponta. o Dado o tamanho do passo d e o incremento de ngulo , a tartaruga pode responder a diversos comandos:
30
F Mova adiante com um passo de comprimento d. O estado da tartaruga muda para (x,y,), onde x = x + d.cos e y = y + d.sin. Um segmento de reta entre os pontos (x,y) e (x,y) desenhado. f Mova adiante com um passo de comprimento d, sem desenhar o segmento de reta. + Rotacione no sentido horrio com um ngulo . O prximo estado da tartarugam (x,y,+). Rotacione no sentido anti-horrio com um ngulo . O prximo estado da tartarugam (x,y,). Dado um axioma , o estado inicial da tartaruga (x0,y0,0) e os parmetros d e , a turtle interpretation de a figura (conjunto de linhas) desenhada pela tartaruga em resposta a . Exemplo: seja = 90o, d = 1, e a seguinte palavra FF+FF.
31
y
F +
x
4.4. Modelos de Arquiteturas de Plantas
Em 1968, Lindenmayer estendeu os sistemas-L incluindo os colchetes {[,]} no alfabeto dos sistemas-L, criando os bracketed L-systems. A motivao foi a de descrever formalmente estruturas ramificadas observadas em plantas, algas, rvores, etc. Os dois novos smbolos [ e ] so interpretados pela tartaruga como a seguir:
32
[ Armazene o estado corrente (x,y,) da tartaruga para uso futuro, usando pilha. ] Remova o ltimo estado salvo da pilha e o utilize para restaurar o ltimo estado da tartaruga. Nenhuma linha desenhada, embora em geral a posio da tartaruga mude. Exemplo: V = {F,G,[,],+,}, axioma = F, = 45o, produes: p1: F G[F]G[+F]F p2: G GG p3: [ [ p4: ] ] Iteration Word 0 1 2 F G[F]G[+F]F GG[G[F]G[+F]F]GG[+G[F]G[+F]F] G[F]G[+F]F
F: seta tracejada; G: seta slida.

33
p2
p1
procedure [word] = DOL_turtle(max_it,,P,d,) word t 1 while t < max_it do, word rewrite(word,P) t t + 1 end while turtle(word,d,); end procedure Algoritmo 7.1: Um procedimento de interpretao de um sistema-DOL
34
Exemplos de plantas geradas com sistemas-L.
t = 8, = 22.5o : G G F+[[G]G]F[FG]+G F FF
t = 5, = 22.5o : G G FG[F[G]G][G+G][+F[G]+G] F FF
35
4.5. Escopo dos Sistemas-L

Projeto de paisagens, ornamentaes, ilustraes botnicas, desenvolvimento de organismos, reconstruo de plantas extintas, modelos estruturais de plantas, projeto de novas variedades de plantas, predio de colheita, descrio de florescncia, simulao de crescimento de fungos, etc.
5. Sistema de Funes Iterativas

Os sistemas de funes iterativas (IFSs iterated function systems) foram desenvolvidos por J. Hutchinson, M. Barnsley e S. Demko como uma ferramenta para a gerao de fractais atravs do uso de um conjunto de transformaes, tambm denominadas de mapeamentos contrativos, de uma imagem sobre si prpria. Os IFSs consistem basicamente da aplicao recursiva de um conjunto de transformaes afins a um conjunto de pontos iniciais (imagem).
36
Aps um determinado nmero de iteraes, o conjunto final, ou limite, ir definir uma certa configurao geomtrica.
5.1. Fundamentos Tericos

Um espao X um conjunto, e os pontos do espao so elementos do conjunto. Um espao mtrico (X,d) um espao X juntamente com uma funo real d : X X que mede a distncia entre pares de pontos x, y X. A funo d, denominada de mtrica, deve obedecer s seguintes propriedades: 1. d(x,y) = d(y,x) x,y X 2. 0 < d(x,y) < x,y X, x y 3. d(x,x) = 0 x X 4. d(x,y) d(x,z) + d(z,y) x,y,z X Seja (X,d) um espao mtrico. Uma transformao sobre X uma funo f : X X que especifica exatamente um ponto f(x) X a cada ponto x X.
37
Uma transformao w : 2 2 da forma w(x1,x2) = (ax1 + bx2 +e, cx1 + dx2 + f), onde a, b, c, d, e, e f so nmeros reais, denominada de transformao afim (bidimensional). Em notao matricial:
x a b x1 e w(x) = w 1 = x c d x + f = Ax + t 2 2
Estas transformaes possuem propriedades algbricas e geomtricas importantes. As quatro principais transformaes afim so: o Translao, escalonamento, reflexo, e rotao.
Translation
38
Scaling
Reflection
Rotation
39
5.2. Sistemas de Funes Iterativas (IFS)

Uma transformao f : X X sobre um espao mtrico (X,d) denominada contrativa, ou mapeamento contrativo, se existe uma constante 0 s < 1 tal que: d( f(x), f(y)) s.d(x,y), x, y X, onde s chamado de fator de contratividade para f. Uma propriedade importante de contraes que independentemente do ponto inicial, a aplicao iterativa do mapeamento contrativo resulta sempre na convergncia para o mesmo ponto, denominado de atrator. Um sistema de funes iterativas consiste em um espao mtrico completo (X,d) juntamente com um conjunto finito de mapeamentos contrativos wn : X X (com os respectivos fatores de contratividade sn, n = 1,2,N). Vamos nos restringir ao caso de IFS da forma {2; wn : n 1,2,,N}, onde cada mapeamento contrativo corresponde a uma transformao linear.
40
Sistema de funes iterativas determinstico (deterministic IFS DIFS). Este algoritmo baseado na idia de calcular diretamente uma seqncia de conjuntos {An = Wn(A)} a partir de um conjunto inicial A0. Seja {X; w1, w2,, wN} um IFS. Escolha um conjunto compacto A0 2 que servir de condio inicial para o DIFS. Em seguida calcule sucessivamente An = Wn(A) de acordo com:
An+1 = N=1 w j ( An ) , n = 1,2, j

Assim, uma seqncia {An : n = 0,1,2,...} ser construda e {An} convergir para o atrator do IFS de acordo com o teorema do mapeamento contrativo. Metfora para o DIFS: multiple reduction copy machine (MRCM).
A0 An MRCM An+1
41
42
Sistema de funes iterativas aleatrio (random iterated function system RIFS). Seja {X; w1, w2,, wN} um IFS onde uma probabilidade pi > 0 atribuda a cada mapeamento wi, i = 1,,N, i pi = 1. Escolha x0 X e depois escolha recursivamente e independentemente xn {w1(xn1), w2(xn1),, wN(xn1)}, n onde a probabilidade de um evento xn = wi(xn1) ocorrer pi. Portanto, construa uma seqncia {xn : n = 0,1,2,} X.
procedure [] = RIFS(max_it,x0,W,p) x x0; t 1 while t < max_it do, j select(p) //select a mapping j with probability pj x wj(x) //apply mapping j to x draw(x) //plot point x on the screen t t + 1 end while end procedure Algoritmo 7.2: Implementao do sistema de funes iterativas aleatrio (RIFS).
43
Exemplo: Arbusto de Barnsley
w 1 2 3 4
a 0 0.85 0.2 0.15
b 0 0.04 0.26 0.28
c 0 0.04 0.23 0.26
d 0.16 0.85 0.22 0.24
e 0 0 0 0
f 0
p 0.01
1.6 0.85 1.6 0.07 0.44 0.07
w1(x1,x2) = (0, 0.16*x2), w2(x1,x2) = (0.85*x1 + 0.04*x2, 0.04*x1 + 0.85*x2 + 1.6), w3(x1,x2) = (0.2*x1 0.26*x2, 0.23*x1 + 0.22*x2 + 1.6), w4(x1,x2) = (0.15*x1 + 0.28*x2, 0.26*x1 + 0.24*x2 + 0.44),
44
5.3. Auto-Similaridade e Auto-Afinidade Revisitadas
45
6. Movimento Browniano
Para modelar regies costeiras, montanhas, etc., so necessrias curvas que parecem diferentes quando amplificadas, mas que ainda apresentam a mesma impresso predominante.
46
6.1. Fractais Aleatrios na Natureza e Movimento Browniano

Uma caminhada aleatria (random walk) um caminho que pode ser gerado por um processo aleatrio. x(t+1) = x(t) + x y(t+1) = y(t) + y onde x e y pode ser distribuies gaussianas de mdia zero e desvio padro 1.
Random Walk First 100 Steps
Random Walk 10,000 Steps
47
Este tipo de caminhada aleatria est intimamente relacionada ao movimento browniano, que encontrado no movimento de partculas em lquidos e gases, e em rudo branco, comumente usado para descrever outros fenmenos gerados por caminhadas aleatrias. Depsitos eletroqumicos constituem um exemplo tpico de movimento browniano. o Por exemplo, colocando-se uma soluo de sulfato de zinco coberta com uma camada fina de n-butil-acetato em uma placa de Petri e aplicando-se uma corrente contnua ao conjunto possvel investigar o crescimento de estruturas fractais de eletro-depsitos e suas mudanas morfolgicas. o Experimentos desta natureza so importantes em cincias de polmeros, cincia dos materiais, imunologia e vrias outras reas. Um modelo matemtico de depsito de zinco que apresenta um comportamento do tipo movimento browniano pode ser simulado com uma tcnica denominada de DLA (diffusion limited aggregation):
48
o Gere um grid quadrado de clulas; o Fixe uma nica clula, chamada semente, em uma dada posio do grid (p. ex. no centro); o Selecione uma vizinhana de interesse centrada em torno da semente (p. ex. usando uma vizinhana de Moore) e introduza uma nova partcula em movimento nesta vizinhana; o Se a partcula em movimento sair da vizinhana, ento ela substituda por uma nova aleatoriamente gerada; seno, se a partcula em movimento encontrar a semente ou alguma partcula agregada semente, ento ela se une ao cluster tornando-se uma partcula esttica.
49
50
procedure [] = DLA(seed) C generate_C //generate Grid Cr select_region(seed) //region around seed p new_particle(Cr) //new particle within Cr cs 1 //cluster size while not_stopping_criterion do, p move_particle //moving particle if p meets cluster, then attach p to cluster cs cs + 1 p new_particle(Cr) else if p leaves Cr p new_particle(Cr) end if end if end while end procedure Algoritmo 7.3: Um algoritmo simplificado de agregao por difuso limitada.
51
Em uma dimenso o movimento browniano caracterizado por um processo aleatrio X(t), que corresponde a uma funo X de uma varivel real t (tempo), cujos valores so variveis aleatrias X(t1), X(t2), , onde o incremento X(t2) X(t1) possui uma distribuio gaussiana e os incrementos quadrticos mdios tm uma varincia proporcional diferena entre os tempos: E[ | X(t2) X(t1) |2 ] |t2 t1|. Os incrementos de X so estatisticamente auto-similares no sentido que: X(t0 + t) X(t0) e
1 ( X (t 0 + rt ) X (t 0 ) ) , r
possuem as mesmas funes de distribuio conjuntas para quaisquer t0 e r > 0. Assumindo, por exemplo, t0 = 0 e X(t0) = 0, ambas as funes aleatrias X(t) e
1 ( X (rt )) so estatisticamente indistinguveis; a segunda sendo uma verso ar

propriadamente re-escalonada da primeira.
52
Um mtodo popular para gerar movimento browniano conhecido como algoritmo recursivo da subdiviso (recursive subdivision algorithm), tambm conhecido como algoritmo do deslocamento aleatrio do ponto mdio (random midpoint displacement algorithm - RMD). O RMD opera como a seguir: o Se o processo X(t) deve ser computado para o tempo t [0, 1], ento comece definindo X(0) = 0 e escolhendo X(1) como uma amostra de um valor gaussiano de mdia 0 e varincia 2. o No primeiro passo, o ponto mdio entre t = 0 e t = 1 dado pela mdia entre
2 X(0) e X(1), mais um desvio D1 de mdia zero e varincia 1 :
X() X(0) = (X(1) X(0)) + D1. o Como uma amostra de uma varivel aleatria gaussiana possui mdia 0 e varincia 2, esperado que: var(X(t2) X(t1)) = |t2 t1|2.
53
o Alm disso, a cada iterao o nmero de fragmentos dobra, e o desvio Dn no tempo n deve ter varincia:
2n =
X(t)
1 2 2 n+1 .
X(t)
D1
D2,2
D2,1
0.5 1.0 t 0.25 0.5 0.75 1.0
54
6.2. Movimento Browniano Fracionrio

O termo movimento browniano fracionrio (MBF) foi introduzido para se referir a uma famlia de funes gaussianas capazes de gerar modelos de sries temporais naturais. Muitas extenses e variaes foram propostas para modelar uma vasta gama de fenmenos naturais, de paisagens montanhosas a nuvens.
55
O MBF uma generalizao do movimento browniano definido como um processo aleatrio X(t) com incrementos gaussianos e var(X(t2) X(t2)) |t2 t1|2H, onde 0 < H < 1. Neste caso genrico, os incrementos de X so estatisticamente auto-similares, com parmetro H, no sentido que: X(t0 + t) X(t0) e
X (t 0 + rt ) X (t 0 ) rH
possuem as mesmas funes de distribuio conjuntas para quaisquer t0 e r > 0. Tomando-se, por exemplo, t0 = 0 e X(t0) = 0, ambas as funes aleatrias X(t) e
1 ( X (rt ) ) so estatisticamente indistinguveis; a segunda sendo uma verso aprorH

priadamente re-escalonada da primeira. Para aplicar o algoritmo RMD ao caso mais geral de MBF necessrio que:
56
var(X(t2) X(t1)) = |t2 t1|2H 2. O deslocamento do ponto mdio torna-se ento
2n =
2 (1 2 2 H 2 ) . n 2H (2 )
O parmetro H, denominado coeficiente de Hurst, descreve a rugosidade da frao em pequenas escalas.
H = 0.1
H = 0.3
H = 0.5 H = 0.7 H = 0.9
57
A extenso deste algoritmo (RMD) para trs ou mais dimenses direta e resulta em algoritmos capazes de gerar paisagens montanhosas realistas. A idia envolve aplicar o algoritmo RMD a um grid at que uma determinada granularidade seja obtida.
O algoritmo opera como a seguir: o Determine os pontos centrais do grid atual; o Perturbe verticalmente cada um dos novos vrtices usando uma distribuio gaussiana apropriada; o Repita para cada novo quadrado reduzindo a perturbao a cada passo.
58
59
6.3. Escopo do MBF

Virtualmente, todo processo dinmico na natureza envolve movimento Browniano, do movimento das borboletas ao movimento de partculas em um lquido ou meio gasoso. Aplicaes tambm so encontradas em economia (por exemplo, na simulao do comportamento dos preos de aes e outros bens), ecologia, cincia dos materiais, imunologia, etc. Em se tratando de computao grfica, MBF pode ser usado para simular o leito de rios, nuvens, costas martimas, dobramento e desdobramento de materiais (p. ex. papel), projeto de simuladores de vo, gerao de trfego e animao comportamental em geral.
60
K. Musgrave, Pandromeda.com
61
7. Sistemas de Partculas
Alguns fenmenos naturais envolvem a participao de diversos elementos bsicos (partculas) como, por exemplo, o movimento de lquidos, gases, nuvens, exploses, fogos etc. Os sistemas de partculas (particle systems) podem ser usados para modelar uma grande variedade de fenmenos desta natureza. Um sistema de partculas consiste basicamente de uma coleo de partculas (objetos) com algumas propriedades fundamentais e algumas regras de comportamento que elas devem seguir. A definio precisa destas propriedades e leis vai depender do fenmeno que se deseja modelar.
62
7.1. Conceitos Bsicos

Uma partcula um ponto no espao, geralmente tri-dimensional, que possui uma srie de atributos (propriedades) como posio, velocidade, cor, tempo de vida, tamanho e transparncia. Um sistema de partculas (PS) uma coleo de partculas que em conjunto representam um objeto. As partculas mudam dinamicamente com o tempo em funo de foras externas ou outros processos. Os sistemas de partculas foram introduzidos por Reeves em 1983 para modelar o que ele denominou de objetos fuzzy, como nuvens, fumaa, gua e fogo. A representao de sistemas de partculas difere em trs aspectos bsicos da representao geralmente utilizada em sntese de imagens:
63
o Um padro ou forma representado por uma coleo de partculas (objetos primitivos) que iro definir seu volume ao invs de serem representados por um conjunto de elementos primitivos de superfcie; o As partculas so dinmicas, ou seja, elas podem se mover, nascer e morrer; o Um padro representado por partculas no determinstico, ou seja, sua forma no completamente pr-especificada. Algumas propriedades interessantes: o Uma partcula uma primitiva muito simples o A definio do modelo procedural e envolve processos estocsticos o Os sistemas de partculas modelam padres e formas dinmicas, como queimadas e nuvens em movimento. o O nvel de detalhes pode ser facilmente controlado regulando, por exemplo, a quantidade de partculas.
64
7.2. Modelo Bsico

Em um determinado perodo de tempo, partculas so geradas e inseridas no sistema, se movem e mudam dentro do sistema, morrem e so removidas do sistema. Os atributos das partculas e suas regras comportamentais dependem da aplicao. Na proposta original de PS, Reeves aplicou um sistema de partculas para gerar uma parede de fogo que foi utilizada no filme Star Trek II: The Wrath of Khan. Neste caso, as partculas possuam os seguintes atributos: o Posio e Velocidade o Cor e Transparncia o Tempo de vida ou idade o Forma o Tamanho O procedimento para computar cada frame (intervalo de tempo) em uma seqncia envolve os seguintes passos:
65
o Gerao de partculas o Determinao dos atributos das partculas o Morte de partculas o Atualizao das partculas o Renderizao das partculas
procedure [] = PS(max_it,d,o) initialize X; //generate particles and assign their attributes t 1 while t < max_it do, X destroy(X,d) //destroy all particles older than d X dynamics(X,o) //change each remaining particle render(X) //draw (render) particles X and plot initialize X //generate new particles X insert(X,X) //insert the new particles into X t t + 1 end while end procedure Algoritmo 7.4: Procedimento para implementar um sistema de partculas convencional. (Nota: Muitos parmetros so necessrios em funes como initialize e render.)
66
7.3. Simulando Fogos de Artifcio

Uma partcula ser lanada e explodir aps um determinado tempo de vo. o A exploso gera um conjunto de novas partculas. o Todas as partculas esto sujeitas fora da gravidade. Atributos das partculas: o Posio: p = (x,y). o Velocidade: (v,), v = velocidade e = ngulo de disparo. o Cor: a cor inicial pode ser diferente da cor aps a exploso e durante a queda. o Tempo de vida: a partcula inicial vive at que ela exploda, momento em que novas partculas so geradas e tm seus perodos de vida definidos. o Forma: todas as partculas podem ter a mesma forma. o Tamanho: aps a exploso as partculas tero a metade do tamanho da partcula antes da exploso. o Transparncia: ao gosto do fregus.
67
v=v+a p=p+v onde v a velocidade da partcula e a = (0,a) a fora atuando sobre a partcula.
68
7.4. Escopo dos Sistemas de Partculas

Sistemas de partculas tm sido usados para modelar quedas dgua, ondas, fogo, nuvens, fontes, fogos de artifcio, exploses, cardumes de peixes, estrelas, arcoris, dinmica de fluidos, plantas, grama, florestas, tornados etc.
8. Da Geometria Natural Geometria Fractal
69
70
9. Escopo da Geometria Fractal

J foi discutido neste curso que a natureza cheia de regras, e agora verificamos que estas regras envolvem irregularidade e auto-similaridade: a natureza possui uma geometria fractal. Curvas como o conjunto de Cantor e a curva de Koch no so a exceo, mas predominam na natureza. Variaes do conjunto de Cantor ocorrem, por exemplo, em freqncias de palavras e letras em linguagem e em rudos em linhas telefnicas. As curvas de Koch servem de modelo para nuvens, costas martimas etc. Organismos tambm so fractais. Nossos pulmes, sistema circulatrio, crebro, rins e vrios outros sistemas e rgos so fractais. o O escopo e a importncia dos fractais e da geometria fractal vo mais alm: Incndios em florestas possuem fronteiras fractais; fractais esto sendo utilizados para modelar a dinmica do HIV; fractais vm sendo usados em Economia.
71
Sistemas-L e sistemas de funes iterativas so teis para o desenho e modelagem de paisagens naturais, ornamentais e ilustraes botnicas. Outras aplicaes: o Reconstruo de espcies extintas de plantas o Identificao de respostas de plantas a ataques o Desenvolvimento de modelos estruturais de plantas integrados com ecossistemas complexos o Sntese de conchas e outros padres naturais o Modelagem de processos de desenvolvimento e crescimento (sistemas-L) o Classificao de padres de ramificao em plantas e animais o Predio de colheitas o Modelagem de fractais o Descrio de inflorescncias o Aplicaes rurais diversas
72
Em particular, os sistemas de funes iterativas tm tido muito sucesso no processo de compresso de dados (imagens): compresso fractal. Sistemas de partculas tm sido usados para modelar quedas dgua, ondas, fogo, nuvens, fontes dgua, fogos de artifcio, exploses, cardumes de peixes, estrelas, arco-ris, dinmica de fluidos, plantas, rvores, grama, furaces, tempestades de areia, etc. Eles tambm tm sido usados como descanso de tela de computador e em diversos filmes e desenhos animados como Tornado e o Prncipe do Egito.
73

Movimento Browniano Fracionario

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Movimento Browniano Fracionario

Caricato da

Copyright:

Formati disponibili

IA013 Introduo Computao Natural Prof. Fernando J.

Von Zuben DCA/FEEC/Unicamp

Geometria Computacional da Natureza*

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

2. A Geometria Fractal da Natureza

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

2.2. Alguns Fractais Pioneiros

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

A Curva de Koch (Floco de neve)

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Outro fractal pioneiro: o tringulo de Sierpinski.

Curvas que preenchem o espao: a curva de Peano.

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

2.3. Dimenso e Dimenso Fractal

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

log N N = (1/m)d log(N) = log((1/m)d) log(N) = d.log(1/m) d = log1 / m

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

N(1) = 1 2 N(1/2) = 4 = (1/(1/2)) 2 N(1/4) = 16 = (1/(1/4)) ... 2 N(m) = (1/m)

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

3. Autmatos Celulares e Geometria Fractal

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

000 0 001 1 010 1 011 0

100 1 101 1 110 0 111 0

3.1. Definio Formal

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

000 0 001 1 010 1 011 1

100 1 101 1 110 1 111 0

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

4.1. Conceitos sobre Sistemas de Produo e Gramticas

Tpico 7 Geometria Computacional da Natureza

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

4.2. Sistemas DOL

IA013 Introduo Computao Natural Prof. Fernando J. Von Zuben DCA/FEEC/Unicamp

Iteration 0 1 2 3 4 5 6 7 8 9 10 utilizando seqncias de caracteres.

Word c b ac cb bac accb cbbac bacaccb accbcbbac cbbacbacaccb bacaccbaccbcbbac