技术摘要：分数阶系统的混沌吸引子与李雅普诺夫指数

1. 问题描述

分数阶动力系统由非整数阶 $\nu \in (0, 1)$ 的 Caputo 导数定义，用于模拟当前变化率取决于具有幂律权重的整个过去历史的过程。虽然这些系统（如分数阶 Lorenz、Rössler 和 Chen 系统）已知会表现出混沌现象，但通过李雅普诺夫指数来测量这种混沌仍然存在问题。

标准的李雅普诺夫算法依赖于“状态”这一概念，即状态决定了系统的未来演化。然而，分数阶系统并不存在这样的状态；其未来取决于其整个历史。因此，该系统在传统意义上缺乏“流”（flow）。现有的方法要么截断记忆（这会引入显著误差），要么将标准算法应用于截断后的方案，从而计算的是一个完全不同的系统的指数。此外，由于系统的记忆会随时间老化，即使在有界吸引子上，记忆的范数也会无限制增长，这使得计算分数阶系统的李雅普诺夫指数在数学定义上变得非常复杂。

2. 方法论：增广系统算法

本文提出了一种基于“扩散表示”（diffusive representation）的实用解决方案，该方法将分数阶系统转化为一个无限维常微分方程（ODE）系统。核心方法论建立在以下三大支柱之上：

A. 扩散表示

幂律记忆核 $k_\nu(\tau) = \tau^{\nu-1}/\Gamma(\nu)$ 可以表示为衰减指数的叠加：
$$k_\nu(\tau) = \int_0^\infty \mu_\nu(\omega) e^{-\omega\tau} d\omega$$
其中 $\mu_\nu(\omega) \propto \omega^{-\nu}$。这允许将分数阶系统重写为一个“增广系统”，其状态是函数 $\omega \mapsto z(\omega, t)$，代表记忆模态。每个模态满足一个一阶 ODE：
$$\partial_t z(\omega, t) = -\omega z(\omega, t) + f(x(t))$$
原始变量 $x(t)$ 可以通过这些模态的加权和来恢复。这种形式将分数阶系统转化为了一个具有无限维状态的自治 ODE 系统，使其能够应用标准的动力系统工具。

B. 离散化与步进

为了进行数值实现，使用求积规则对连续模态进行离散化，以近似积分。本文采用了一种特定策略来处理 $\mu_\nu(\omega)$ 在 $\omega=0$ 处的奇异性：

• 奇异面板（Singular Panel）： 使用 Gauss-Jacobi 规则处理区间 $[0, \omega_{min}]$，以捕捉对于长期行为至关重要的缓慢老化模态。
• 几何面板（Geometric Panels）： 在后续的量级区间内，使用 $\ln(\omega)$ 变量下的 Gauss-Legendre 规则，直到 $\omega_{max}$。
• 指数时间差分法（ETD）： 由于系统具有刚性（速率 $\omega$ 的范围从 $10^{-7}$ 到 $10^7$），线性部分的模态方程采用解析积分，而对于非线性耦合则使用二阶 Runge-Kutta 方案进行数值处理。

C. 切向量系统与范数

为了计算李雅普诺夫指数，需要将增广系统的线性化动力学与轨迹一同积分。理论洞察决定了进行正交归一化（通过 QR 分解）时所选范数的选择：

• 线性化动力学由纯弛豫（范数为 1）和紧耦合组成。
• 理论预测分数阶系统没有负的李雅普诺夫指数。扰动的衰减是代数级的（随 $t$ 的幂次衰减），而非指数级。
• 因此，切向量必须在特定的加权范数下进行正交归一化：$\|( \delta a, \delta z )\|^2 = |\delta a|^2 + \sum w_i(1+\omega_i)|\delta z_i|^2$。使用标准的欧几里得范数会导致错误的结果。

3. 核心贡献

本文提供了一个完整的、自包含的 Python 程序（约 150 行）来实现该算法。其具体贡献包括：

1. 可运行的实现： 一个可以模拟分数阶混沌系统并计算其李雅普诺夫指数的脚本，并在具有已知精确解的线性系统上进行了验证。
2. 代码设计的理论依据： 本文解释了为什么特定的设计选择（例如包含奇异面板和特定的加权范数）是必要的，并将它们直接与扩散表示的数学属性联系起来。
3. 输出解读的澄清： 本文确立了如何阅读分数阶李雅普诺夫计算的结果：
   • 正指数是定义明确且离散的。
   • 非正指数不会收敛到负数，而是会缓慢地向零漂移。
   • 消失的指数（$\lambda \approx 0$）需要通过观察轨迹来区分它是平衡点、周期窗口还是瞬态过程。

4. 结果

该程序经过验证并应用于多个系统：

• 线性验证： 在线性系统 $CD^\nu x = \text{diag}(0.05, -1, -2)x$ 且 $\nu=0.8$ 的情况下，程序计算出的最大指数为 $0.023636$，与理论值$0.05^{1/0.8} \approx 0.023644$的误差在$0.04%$以内。其他指数正确地向零漂移，而不是收敛到$-1$和$-2$。
• 分数阶 Lorenz 系统 ($\nu=0.995$)： 程序计算出最大指数 $\lambda_1 \approx 0.856$（相比之下，整数阶系统为 $0.906$）。它正确捕捉到了轨迹在混沌发生前在平衡点附近的滞留行为。
• 分数阶 Chen 系统 ($\nu=0.9$)： 程序发现 $\lambda_1 \approx 2.33$。
• 周期窗口： 该算法成功识别了 Chen 系统在 $\nu=0.99$ 时的周期窗口，此时指数漂移至零，且轨迹在长时间瞬态后变为周期运动。

5. 意义与主张

本文旨在作为近期一篇理论文章的实用配套工具，试图解决测量分数阶系统中混沌性的歧义问题。其意义在于：

• 纠正误解： 本文证明了将标准李雅普诺夫算法应用于截断记忆方案实际上测量的是错误的系统。
• 定义状态： 它使“分数阶系统的状态即其记忆”这一概念具象化，从而能够应用标准的动力系统理论。
• 避免截断误差： 文中通过核函数误差分析明确警告不要截断记忆（即移除慢速模态），并指出这种截断会从根本上改变系统并导致巨大的指数误差。
• 研究范围适度： 作者并不声称解决了所有分数阶动力学问题，而是提供了一个稳健的工具，用于模拟和分析形如 $CD^\nu x = f(x)$ 的系统的混沌吸引子及其指数。本文强调，读者必须理解分数阶指数的特定行为（即零附近的带状区域），才能正确解读输出结果。