Académique Documents
Professionnel Documents
Culture Documents
TESIS
QUE PARA OBTENER EL TTULO DE:
ASESOR:
DR. ALEJANDRO RAL HERNNDEZ MONTOYA
SINODALES:
CARLOS RUBN DE LA MORA BASEZ
DR. ALEJANDRO GUERRA HERNNDEZ
DR. ALEJANDRO RAL HERNNDEZ MONTOYA
Agradecimientos personales:
Quiero agradecer a toda mi familia, muy especialmente a mi mam Guillermina y a mis
hermanos Roxana y Xavier.
Agradezco mucho a mi asesor, Dr. Alejandro R. Hernndez M. por toda su ayuda,
pacienca y enseanzas.
Por ltimo, pero no menos importante, agradezco a todos mis amigos y profesores, que
me han apoyado en todo momento.
Agradecimiento:
Esta tesis fue financiada por el Consejo Nacional de Ciencia y Tecnologa, bajo
el proyecto de investigacion No. 44598F. Mexico. 2004.
Indice general
1. Introducci
on
1.1. Motivacion para estudiar a los AC . . . . . . . . . . . . . . . . . .
1.2. Organizacion de la tesis . . . . . . . . . . . . . . . . . . . . . . .
2
3
5
2. Aut
omatas celulares
2.1. Que es un Automata Celular? . . . . . . . . . . . . . . . . . . .
2.1.1. Definicion formal de un AC . . . . . . . . . . . . . . . . .
2.1.2. Ejemplo de un AC . . . . . . . . . . . . . . . . . . . . . .
6
6
8
9
10
12
13
3. Game of Life
16
3.1. Definicion formal de Game of Life . . . . . . . . . . . . . . . . . . 18
3.2. Parametro de Langton . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1. Parametro de Langton para Game of Life . . . . . . . . . . 20
3.3. Importancia de Game of Life . . . . . . . . . . .
3.3.1. Ingredientes para la universalidad . . . .
3.4. Demostracion de que Game of Life es universal .
3.4.1. Bits Gliders . . . . . . . . . . . . .
3.4.2. Thin glider gun . . . . . . . . . . . . . .
3.4.3.
3.4.4.
3.4.5.
3.4.6.
Compuertas logicas . . . . . . . .
Atrasos de tiempo . . . . . . . .
Copiador de corrientes de gliders
Almacenamiento de memoria . .
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
22
22
23
24
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
26
26
28
30
INDICE GENERAL
32
4. Algoritmos y t
ecnicas de an
alisis
34
4.1. Fractales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.1. Notas sobre fractales . . . . . . . . . . . . . . . . . . . . . 35
4.1.2. Dimension fractal . . . . .
4.1.3. Categoras de fractales . .
4.2. Series de tiempo . . . . . . . . . .
4.2.1. Mapeo de series de tiempo
4.3. Detrended Fluctuation Analysis .
.
.
.
a
.
. . . . .
. . . . .
. . . . .
procesos
. . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
auto-similares
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
36
38
39
40
42
54
56
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
58
58
61
61
61
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
62
62
64
64
64
B.5.
B.6.
B.7.
B.8.
Glider Shuttle . . . . .
Garden-of-Eden . . . .
Eaters . . . . . . . . .
Colisiones glider-glider
Bibliografa
.
.
.
.
.
.
.
.
.
.
.
.
68
Captulo 1
Introducci
on
En este trabajo se analizo uno de los automatas celulares mas conocidos, llamado Game of Life, y se mapeo cada estado de su evolucion a un vector en dos
dimensiones, obteniendose una caminata aleatoria, la cual fue estudiada usando
un algoritmo que permitio establecer algunas de sus propiedades estadsticas mas
interesantes.
El estudio de la vida artificial se enfoca en la naturaleza progresiva de los comportamientos emergentes, y ademas esta relacionado con el estudio de la inteligencia artificial. La vida artificial se caracteriza por un extenso uso de programas
y simulaciones por computadora que incluyen algoritmos evolutivos, algoritmos
geneticos, programacion genetica, qumica artificial, modelos basados en agentes,
y automatas celulares (AC). El campo de la vida artificial es un punto de reunion
para gente de muchos otros campos mas tradicionales, como ling
ustica, filosofa,
antropologa, biologa, sociologa, ciencia computacional, matematicas y fsica;
en el cual los enfoques teoricos y computacionales que seran controversiales dentro de su disciplina de origen pueden ser discutidos.
Usar aplicaciones de inteligencia artificial para crear modelos de experimentos
fsicos con un alto grado de exactitud permite simular la inteligencia humana para descubrir la dinamica subyacente a muchas preguntas, y contribuye bastante
al uso de tecnologa como parte del descubrimiento de sus soluciones.
Problema
Mediante los metodos propuestos en este trabajo se mapea la sucesion de
estados de un AC a una serie numerica de tiempo, la cual es mas facil de estudiar
que el automata en s, esperando que las serie mantenga las propiedades de
complejidad del AC original. En particular, Game of Life es un AC que tiene
propiedades muy importantes, tales como la emergencia de estructuras complejas
auto-reproducibles, ademas de la propiedad de Computabilidad Universal.
Justificaci
on
Los metodos propuestos en esta tesis son lo suficientemente generales y se
pueden aplicar a cualquier AC. Ademas, estos metodos permiten usar y conectar
los metodos fractales y las teoras de difusion, tanto anomala como normal, con
la teora de AC.
Entender la complejidad de un AC es un objetivo, en particular, de la Vida
Artificial y, en general, de la Inteligencia Artificial.
Preguntas relevantes
En este trabajo se intentara responder a las siguientes preguntas:
Cual es la dimension fractal de las caminatas aleatorias, o que tan complejas son, generadas por Game of Life?
Que tipo de caminata aleatoria puede ser generada mediante Game of
Life?
Las estructuras generadas mediante esta caminata son de naturaleza fractal o aleatoria?
1.1.
Motivaci
on para estudiar a los AC
Existen por lo menos cuatro motivos para hacer estudios sobre los AC. A
continuacion se describen en orden de importancia teorica:
AC como potentes m
aquinas de c
alculo
Con la ayuda de hardware basado en AC, muchos problemas importantes
pero actualmente intratables, por primera vez pueden empezar a ser resueltos.
Weisbuch ha propuesto que los procesadores basados en AC (los cuales son muy
eficientes en implementaciones paralelas) son los equivalentes numericos a los
t
uneles de viento. Por su parte, Toffoli y Margolus preven que el hardware basado
en AC abarcara el concepto de materia programable, es decir, un dispositivo
computacionalmente amorfo que pueda ser programado, por ejemplo, para que
en un momento act
ue como un t
unel de viento numerico, y despues como una
corriente de fermiones (ver [Wei91]).
Organizacion de la tesis
1.2.
Organizaci
on de la tesis
Captulo 2
Aut
omatas celulares
Los AC son una clase de sistemas matematicos deterministas y discretos espacial y temporalmente, estan caracterizados por interacciones locales y una forma
de evolucion intrnsicamente paralela. El estudio de los AC ha generado un gran
interes, debido a su capacidad para crear una gran variedad de patrones con comportamiento muy complejo, a partir de conjuntos de reglas relativamente simples.
Ademas, parecen capturar muchas caractersticas esenciales del comportamiento
auto-organizado observadas en muchos sistemas fsicos reales (ver [Ila02]).
2.1.
Qu
e es un Aut
omata Celular?
Aunque existe una enorme variedad de modelos de AC, cada uno cuidadosamente adaptado para ajustarse a las necesidades de un sistema especfico, la mayora de estos usualmente poseen las siguientes cinco caractersticas (ver [Ila02]):
Malla discreta de celdas: el substrato del sistema consiste de una malla ndimensional de celdas.
Homogeneidad: todas las celdas son equivalentes.
Estados discretos: cada celda toma uno de los estados finitos y discretos posibles.
Interacciones locales: cada celda interact
ua solo con las celdas que estan en
su vecindario local.
6
Din
amica discreta: en cada unidad de tiempo discreto, cada celda actualiza
su estado actual de acuerdo a una regla de transicion que toma en cuenta
los estados de las celdas en su vecindario.
Existe una simplicidad enga
nosa en estas caractersticas, ya que existen AC que
muestran un comportamiento extremadamente complicado. Los AC ofrecen una
dinamica lo suficientemente rica, y pueden ser considerados como serios modelos
matematicos alternativos para una gran variedad de sistemas fsicos. Aunque es
valido pensar que los AC no son mas que idealizaciones formales de las ecuaciones diferenciales parciales (ver [Wol84]), su verdadero poder se halla en el
hecho de que representan una gran clase de modelos exactamente computables:
ya que, fundamentalmente, todo es discreto, no hay necesidad de preocuparse por
truncaciones o la lenta acumulacion de errores de redondeo. Cualquier propiedad
dinamica comprobada para estos modelos tomara toda la fuerza de un teorema.
Una de las propiedades mas fundamentales de un AC es el tipo de malla sobre la
cual se encuentra. La malla mas simple es una lnea recta unidimensional. En dos
dimensiones se pueden considerar mallas cuadradas, triangulares y hexagonales.
Los AC tambien pueden colocarse en mallas cartesianas en un n
umero arbitrario
de dimensiones (ver [Wol84]).
r = 0
r = 1
r = 0
r = 1
r = 2
r = 3
r = 2
r = 3
2.1.1.
Definici
on formal de un AC
(2.1)
donde i, j son los ndices para las columnas y filas de la malla, respectivamente;
con n columnas y m filas. La vecindad N esta dada por:
Ni,j = {(k, l) L||k i| 1, |l j| 1}
(2.2)
2.1.2.
Ejemplo de un AC
= 254
Clasificacion de los AC
10
1
2
3
4
5
6
2.2.
Clasificaci
on de los AC
Clasificacion de los AC
11
= 30
Tiempo
Aplicaciones de los AC
12
Clase I
Clase II
Clase IV
Clase III
2.3.
Aplicaciones de los AC
Las aplicaciones de los AC son diversas y numerosas (ver [Ila02]). Fundamentalmente, los AC constituyen universos totalmente conocidos. Nuestro universo
esta sometido a las leyes de la fsica. Estas leyes solo se conocen parcialmente y
parecen ser altamente complejas. En un AC las leyes son muy simples y completamente determinadas. Es posible probar y analizar el comportamiento global de
un universo simplificado, por ejemplo:
Simulacion del comportamiento de un gas. Un gas esta compuesto de un
conjunto de moleculas cuyo comportamiento depende de el de las moleculas
vecinas.
Estudio del electromagnetismo de acuerdo al modelo de Ising. Este modelo
representa el material como una red en la cual cada uno de los nodos
esta en un estado magnetico dado. Este estado en este caso el de las dos
orientaciones de los spins de ciertos electrones depende del estado de los
nodos vecinos.
Simulacion de procesos de filtracion.
Simulacion de la propagacion de los incendios forestales.
Se pueden usar como una alternativa a las ecuaciones diferenciales.
Antecedentes historicos
13
2.4.
Antecedentes hist
oricos
Los AC fueron presentados por von Neumann y Stanislaw Ulam (con el nombre de espacios celulares), como una idealizacion de sistemas biologicos, en particular para modelar la auto-reproduccion. Se han modelado muchos sistemas
biologicos por medio de AC, un ejemplo es el desarrollo de estructutras y patrones en el crecimiento de organismos, el cual parece estar gobernado por reglas
locales simples (ver [Bae74, Her69, Kit74, Lin68, Ros81, Ula72]). Mientras se
Antecedentes historicos
14
Antecedentes historicos
A
no
1936
Investigador
Alan Turing
1948
von Neumann
1950
Ulam
1966
1967
1969
Burks
von Bertalanffy, et al
Zuse
1970
Conway
1977
Toffoli
1983
Wolfram
1984
Cowan, et al
1984
1987
Toffoli, Wolfram
Langton
1992
Varela, et al
15
Logro
Formalizo el concepto de computabilidad;
Maquina Universal de Turing.
Abstrajo la estructura logica de la vida;
introdujo los automatas auto-reproductivos
como un medio para desarrollar una
biologa reduccionista.
Propuso la necesidad de tener modelos mas
realistas del comportamiento de sistemas
complejos extendidos.
Termino y describio el trabajo de von Neumann.
Teora de sistemas aplicada a sistemas humanos.
Introdujo el concepto de Espacios computacionales, o modelos digitales de mecanismos.
Presento la regla para AC bidimensionales
Game of Life.
Aplico directamente los AC para modelar leyes
fsicas.
Escribio un importante artculo en donde
analizo las propiedades de los AC, este artculo
establecio el campo de los AC como un proposito
de investigacion para los fsicos.
Fundaron el Instituto Santa Fe, que sirvio
como un distinguido centro para el estudio
interdisciplinario de los sistemas complejos.
Primera conferencia sobre AC en el MIT, Boston.
Primera conferencia sobre Vida Artificial, en
el Instituto Santa Fe.
Primera conferencia Europea sobre Vida
Artificial.
Captulo 3
Game of Life
Tal vez el AC mas ampliamente conocido sea Game of Life, inventado por
John H. Conway. Game of Life se juega en un vecindario de Moore con 9 vecinos, y consiste en (1) alimentar una malla con alg
un patron de celdas activas e
inactivas (celdas con valores 1 y 0, respectivamente), y (2) aplicar simultanea y
repetidamente las siguientes tres reglas en todas las celdas de la malla en pasos
de tiempo discretos:
Nacimiento: reemplazar una celda previamente muerta con una activa si exactamente tres de sus vecinos estan activos.
Muerte: reemplazar una celda previamente activa con una inactiva si (1) la
celda activa no tiene mas de un vecino activo, o (2) la celda activa tiene
mas de tres vecinos activos.
Sobrevivencia: Mantener activas las celdas que tengan dos o tres vecinos activos.
(En la Figura 3.1 se muestra un ejemplo de la aplicacion de estas reglas.)
En este trabajo los lmites de la malla para Game of Life seran de flujo cero (ver
el Captulo 2, pagina 8). Este es un aspecto muy importante a considerar, ya
que una misma configuracion inicial de Game of Life puede mostrar resultados
totalmente diferentes dependiendo de los lmites de la malla donde se encuentra,
16
17
(a)
(b)
Figura 3.2: Evolucion de una configuracion simple bajo los dos tipos de lmites
para las mallas: flujo cero (a) y toroidal (b).
3.1.
18
Definici
on formal de Game of Life
Life pueden identificarse con un codigo (ver el captulo 2, pagina 9). Este
codigo
se obtiene de la u
ltima columna del cuadro siguiente, el cual indica el valor que
adquirira una celda dependiendo del valor de sus vecinos:
Valor de
la celda
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
Vecinos Vecinos
activos inactivos
0
8
0
8
1
7
1
7
2
6
2
6
3
5
3
5
4
4
4
4
5
3
5
3
6
2
6
2
7
1
7
1
8
0
8
0
Nuevo
Valor
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
Cuadro 3.1: Valores para las celdas, de a cuerdo a las reglas de Game of Life.
La u
ltima columna muestra el n
umero binario 000000000011100000 = 11100000,
224 en decimal, el cual es el codigo para Game of Life. Resumiendo:
Parametro de Langton
19
(3.1)
0, en otro caso
donde NM OORE es una suma sobre todos los valores en el vecindario de Moore
de un sitio central dado, i,j , al tiempo t.
3.2.
Par
ametro de Langton
Langton, enterado de la clasificacion de Wolfram descrita en el captulo anterior, se propuso investigar tablas de reglas que se obtuvieron aleatoriamente
(ver [Ada98]). Especficamente, esto fue realizado para automatas celulares sobre una malla regular bidimensional, con k = 8 estados y vecindario de von
Neumann. En lugar de probar todas las 832768 reglas posibles, estas fueron muestreadas aleatoriamente, pero siguiendo el rastro de cuantos vecindarios (de los
85 posibles) eran mapeados al estado inactivo. Para esto, Langton definio el
parametro , el cual representa la probabilidad de que un vecindario en una
regla particular se mapee a un estado activo. Las tablas de reglas con = 0
son aburridas: nada puede suceder. Si aumenta ligeramente, algunas regiones
en el arreglo pueden mantener cierta actividad durante un tiempo, la cual, sin
embargo, morira eventualmente. Este comportamiento muy semejante al de las
reglas de Clase I. Cuando es aproximadamente 0,2 (20 % de los vecindarios se
mapean a cualquiera de los siete estados activos), el comportamiento cambia a
un nuevo patron. Los estados activos son persistentes, o hay propagacion constantemente en una direccion fija. Aqu se reconoce el comportamiento de reglas
de Clase II en el esquema de Wolfram. Si crece a cerca de 0,3, la actividad en
el arreglo nuevamente cambia bastante, apareciendo complejas e impredecibles
Parametro de Langton
20
3.2.1.
Par
ametro de Langton para Game of Life
21
3.3.
Por ejemplo, el Halting Problem asegura que no puede existir un algoritmo general para
predecir cuando una computadora detendra la ejecucion de un programa dado.
22
cional, se puede decir que, en este sentido, esta regla aparentemente irrelevante
es realmente capaz de presentar un comportamiento arbitrariamente complicado.
3.3.1.
3.4.
Demostraci
on de que Game of Life es universal
Tal vez la forma mas sencilla de demostrar que un sistema es capaz de computacion universal (y de hecho la forma mas directa), sea demostrar que el sistema
en cuestion es formalmente equivalente a otro sistema que ya ha sido demostrado
ser una computadora universal. En esta seccion se hara un bosquejo de una prueba de la universalidad computacional de Game of Life al construir explcitamente
los equivalentes dinamicos de todos los ingredientes computacionales requeridos
por una computadora digital convencional (ver [Ila02]).
23
Aunque el dise
no preciso de una computadora pueda ser complejo, sus ingredientes basicos, o conjunto de elementos primitivos computacionales, son pocos y
relativamente simples. Ademas de tener alguna forma de se
nales de corrientes de
bits, se necesitan conductos o cables para esas se
nales. Es necesario enrutar de
alguna manera a las se
nales, ya sea por redireccion (por ejemplo, desviando una
se
nal 90o ) o enviando m
ultiples copias de una corriente de bits dada en diferentes
direcciones. Se necesita un reloj interno, o contador, para introducir cualquier
retraso necesario al construir circuitos. Tambien se necesita una memoria (potencialmente infinita), un requisito que tambien se puede cumplir con una memoria
de tama
no finito pero que pueda almacenar n
umeros arbitrariamente grandes
(ver [Min67]); y se necesita un conjunto de compuertas logicas universales, como
AND, OR y NOT, a partir de las cuales se pueden obtener otras funciones y
operaciones logicas. Una vez que se pueda demostrar que un sistema dado soporta estas primitivas computacionales, la construccion de circuitos realmente
funcionales de una computadora convencional se convierte en poco mas que un
ejercicio formal de creacion de smbolos/bloques.
La prueba original aparece en el trabajo de Berkelamp, Conway y Guy (ver [BCG82]).
Otras discuciones se encuentran en el trabajo de Langton (ver [Lan90]) y el libro
de Poundstone (ver [Pou84]). Antes de seguir con esta seccion, el lector podra
querer familiarizarse con la zoologa de los patrones de Game of Life, incluyendo
los patrones glider y glider-gun (ver el Apendice B).
3.4.1.
Bits Gliders
Se comienza por postular la equivalencia entre, por un lado, los pulsos electricos y bits en una se
nal de corriente de pulsos en las computadoras fsicas y, por
el otro lado, los gliders y corrientes de gliders en Game of Life. La presencia de
un glider denotara el hecho de que el bin correspondiente en la corriente fsica
de pulso tiene un valor de bit 1, y la auscencia de un glider denotara el valor
de bit 0. Se sabe que los glider-guns pueden crear una corriente constante de
gliders (se produce un glider una vez cada 30 pasos de tiempo). Sin embargo, dos
o mas corrientes de gliders moviendose en cursos intersectados no pueden cruzar
24
sin interferir entre s. Para construir circuitos es deseable contar con corrientes
de gliders que no se interfieran. El siguiente paso es producir un thin-glider-gun
para crear corrientes de gliders de periodos arbitrariamente largos.
3.4.2.
t = 0
t = 1
t = 4
t = 2
t = 5
t = 3
t = 6
25
Corriente
adelgazada
de gliders
G
G
3.4.3.
26
Compuertas l
ogicas
3.4.4.
Atrasos de tiempo
Anteriormente se menciono que para que la compuerta AND opere adecuadamente, los gliders de la entrada A deben estar atrasados por un tiempo igual
a la distancia entre las dos reacciones de aniquilacion. Los mismo es cierto para
la operacion de la compuerta OR.
El retraso temporal de se
nales se construye a partir de compuertas NOT. La idea
es simplemente construir una desviacion, que consiste de tantos pasos como sea
necesario para el atraso, y despues dirigir la corriente de se
nales de regreso a su
curso original. La Figura 3.6 muestra el esquema para este retraso usando cuatro
compuertas NOT. El primer NOT niega la corriente de entrada y la desva 90o .
La segunda compuerta restaura el contenido de la se
nal original y la desva otros
27
G
A
Desaparece
T
NOT A
B
A AND B
B
A
A OR B
T
(a)
(b)
(c)
Figura 3.5: Esquemas de las compuertas NOT (a), AND (b) y OR (c).
90o . Las compuertas tercera y cuarta repiten el proceso, de forma que el resultado sea la se
nal original que emerge del circuito con la misma direccion que tena
pero atrasado en tiempo por el tiempo que halla tomado la desviacion. Otras
configuraciones de compuertas NOT pueden atrasar y redirigir se
nales por 180o
y/o cambiarlas hacia corrientes laterales (es decir, rotarlas 90o ). Esta capacidad
se encuentra en el circuito de copiado de corrientes de gliders.
NOT
NOT
NOT
NOT
Figura 3.6: Esquema de un circuito de atraso de tiempo usando cuatro compuertas NOT.
3.4.5.
28
T
1
1
1
1
1
1
1
1
1
1
000000000?
00000000?0
OR
Copia original
1
1
1
1
1
1
?
0
0
?
000000000?
0000000001
Copia
1
1
1
1
1
1
?
0
0
0
0000001000
_
000000?000
Copia negada
29
El circuito de Conway usa la reaccion kickback para enviar gliders de regreso a su propia corriente de se
nal. Supongase que se tiene un thin-glider-gun
de factor 4 (es decir, que una corriente de datos no codificada consiste de la
secuencia 111111 . . .), y que un glider pasa por un punto dado a lo largo de
la direccion de su movimiento cada 4 30 = 120 pasos de tiempo. Tambien
supongase que la corriente de se
nal codificada ha sido adelgazada por otro factor de 10. Dicho esto, supongase que las nueve posiciones glider-bit de periodo
120 siempre estan vacas (= 0), y que es solo la decima posicion glider-bit la
que puede o no contener un glider-bit codificado. Por ejemplo, la se
nal codificada 011 se adelgazara a una representacion de corriente de gliders dada por
000000000000000000010000000001. En la Figura 3.7, se ha indicado el valor de
esta decima posicion de glider-bit con un signo de interrogacion.
El circuito de Conway funciona como sigue. La corriente de datos de entrada,
que se va a copiar, entra en una compuerta OR localizada arriba a la izquierda.
La otra entrada a la compuerta OR es la salida de un thin-glider-gun (de factor 40) cuya corriente de gliders es tal que la novena posicion glider-bit siempre
contiene un glider. La compuerta OR combinara estas dos se
nales para producir
un resultado que consista de una corriente de gliders que siempre tiene el mismo
conjunto glider-bit como la se
nal original codificada, y siempre contiene un glider
en la novena posicion; se representa con la secuencia 000000001?.
Ahora considerese lo que ocurre cuando esta secuencia encuentra una reaccion
kickback. Si ? = 1, hara kickback en el primer glider en la corriente 111 . . . que
desciende, creando una colision con amontonamiento. Sin embargo, cuando el
glider codificado se aniquila, el glider tras el en la novena posicion pasara por la
region de reaccion kickback sin afectarse. La salida es la secuencia 0000000010.
Si ? = 0, el primer glider en la secuencia 111 . . . pasara sin afectarse, pero
el noveno glider tras la posicion codificada glider-bit hara kickback en el siguiente glider en la corriente 111 . . .. Por lo tanto, la corriente de salida no
contendra gliders, y estara dada por 0000000000. En resumen, si la posicion
codificada glider-bit contiene un glider bit ?, la salida de la reaccion kickback
estara dada por 00000000?0; es decir, contendra la misma informacion que la
se
nal original pero el glider bit estara atrasado por una posicion.
Considerese lo que pasa con la corriente de gliders que desciende 111 . . . des-
30
pues de que entra a la region de la reaccion kickback. Es facil ver que la reaccion
kickback siempre elimina exactamente tres gliders. Si la secuencia codificada que
entra en la region kickback contiene un glider en la decima posicion (? = 1),
entonces la reaccion kickback elimina los primeros tres gliders en la corriente que
desciende; si la secuencia codificada que entra en la region kickback no contiene un glider en la decima posicion (? = 0), entonces el glider delantero en la
corriente descendiente queda solo, pero los siguientes tres gliders se eliminan en
la reaccion kickback. Esquematicamente, la salida esta dada por 111111?00?,
donde ? NOT(?).
A continuacion, esta corriente descendiente colisiona con una corriente adelgazade de gliders transversal, que consiste u
nicamente de posiciones glider-bit vacas
excepto por la decima, la cual siempre contiene un glider. Por lo tanto, la corriente de salida en la derecha puede tener un glider solo en esta u
ltima posicion,
y solo cuando el ? en la corriente descendiente esta vaco. En otras palabras,
la posicion delantera en la salida de la derecha es NOT [NOT(?)] =?, as que
la salida es una replica perfecta de la corriente original de gliders codificados:
000000000?.
Por lo tanto el circuito de Conway tiene un total de tres salidas: una es una replica exacta, otra es una copia fiel pero con los glider-bits de informacion cambiados
en una posicion, y la tercera es una copia negada de la se
nal original y con las
salidas paralelas a la direccion del movimiento de la se
nal original.
3.4.6.
Almacenamiento de memoria
Mientras que una memoria finita se puede implementar facilmente con cables
y compuertas logicas, la construccion de una memoria arbitrariamente grande
necesita un poco mas de trabajo.
Una maquina universal de Turing usa una cinta arbitrariamente larga como un
dispositivo de almacenamiento de memoria potencialmente infinito. Para esta
demostracion, Conway uso la idea de Minsky de que una memoria potencialmente infinita puede ser obtenida almacenando n
umeros arbitrariamente grandes en
registradores de memoria. La idea se esquematiza en la Figura 3.8.
31
Registradores
A
D
Block de
registro
5
4
3
Flotilla de gliders
para mover un block
2
Glider
prueba cero
Computadora Life
(3.2)
32
3.5.
Una m
aquina de Turing en Game of Life
33
Captulo 4
Algoritmos y t
ecnicas de an
alisis
En este captulo se introducen los conceptos de fractal y dimension fractal, incluyendo dos tecnicas para calcularla: el algoritmo DFA y el exponente de Hurst.
El calculo de la dimension fractal es uno de los objetivos de este trabajo.
4.1.
Fractales
Fractales
4.1.1.
35
Fractales
36
4.1.2.
Dimensi
on fractal
Fractales
37
Si se duplican los lados de un cuadrado de lado 1, se tendran cuatro cuadrados iguales al original:
Dimension # de copias
Lnea
2 = 21
Cuadrado
4 = 22
Cubo
8 = 23
Similitud al duplicar
n = 2d
Fractales
38
Si F es el n
umero de copias, y D la dimension de la figura, F = 2D . Despejando D:
D=
log F
log 2
(4.1)
Esta formula se puede usar para calcular la dimension fractal del triangulo de
Sierpinski, ya que al duplicar la longitud de los lados, se obtiene otro triangulo
de Sierpinski semejante al primero, que contiene a su vez tres triangulos de la
misma escala que el primero; por lo tanto F = 3:
4.1.3.
log 3
1,59496 . . .
log 2
(4.2)
Categoras de fractales
Los fractales se pueden agrupar en tres amplias catagoras. Estas se determinan de acuerdo a la forma en que un fractal se define o genera:
Sistemas de funciones iteradas. Tienen una regla fija de reemplazamiento geometrico. Ejemplos: tapete de Sierpinski, curva de Peano y esponja de Menger.
Tiempo-escape. Se definen por una relacion de recurrencia en cada punto
del espacio. Ejemplos: conjunto de Mandelbrot y fractal de Lyapunov.
Fractales aleatorios. Generados por procesos estocasticos en lugar de
deterministas. Ejemplos: vuelos de Levy.
Series de tiempo
39
Hay que resaltar que no todos los objetos auto-similares son fractales, por ejemplo, una lnea real (una lnea recta Eucldea) es exactamente auto-similar, pero el
argumento de que los objetos Eucldeos son fractales es una posicion minoritaria.
Mandelbrot discutio que la definicion de fractal debera incluir no solo fractales
verdaderos, sino tambien objetos Eucldeos tradicionales, debido a que los n
umeros irracionales sobre la recta numerica representan propiedades complejas no
repetitivas (ver [PJS92]).
4.2.
Series de tiempo
Series de tiempo
40
clases de importancia practica son los modelos movimiento promedio, y los modelos auto-agresivos (ver [KML99]).
Existen varias notaciones diferentes para usar en analisis de series de tiempo:
X = {X1 , X2 , X3 , . . .}
(4.3)
4.2.1.
(4.4)
donde d significa que las propiedades estadsticas de ambos lados de la ecuacion son identicas (ver [KML99]). En otras palabras, un proceso auto-similar
y(t), con un parametro tiene la distribucion de probabilidad identica como un
proceso correctamente reescalado, a y(t/a), es decir, una serie de tiempo que ha
sido reescalada en el eje x por un factor a(t t/a) y en el eje y por un factor
a (y a y). El exponente se llama parametro de auto-similitud.
La Figura 4.3 muestra una serie de tiempo auto-similar. Se observa que con la
eleccion adecuada de factores de escala para los ejes x e y, la serie de tiempo
reescalada se asemeja a la serie original. El parametro de auto-similitud de la
ecuacion 4.4 se puede calcular con la relacion:
Series de tiempo
41
n2
(b)
n1
Myy
(a)
n1
n2
Mxt
(d)
Pendiente =
log s
P(y)
(c)
log n
log My
log Mx
(4.5)
42
Tiempo
Latidos
1.0
0.8
0.6
0.2
0
10000
20000
30000
40000
50000
60000
27000
30000
33000
36000
39000
42000
30000
31000
32000
33000
34000
35000
1.0
0.8
0.6
0.2
24000
1.0
0.8
0.6
0.2
29000
4.3.
43
4.3.1.
Algoritmo DFA
k
X
Bi B
(4.6)
i=1
44
segmento de tama
no n, el tama
no caracterstico de fluctuacion para esta serie de
tiempo acumulada y con detrend se calcula con:
v
u
N
u1 X
t
F (n) =
[y(k) yn (k)]2
N k=1
(4.7)
Este procedimiento se repite para todas las escalas de tiempo (segmentos) para obtener una relacion entre F (n) y el tama
no del segmento n. Com
unmente,
F (n) se incrementara con n. Una relacion lineal en una grafica log-log indicara la
presencia de auto-similitud, o escalamiento. (Las fluctuaciones en segmentos peque
nos estan relacionadas con las fluctuaciones en segmentos mas grandes de
acuerdo a una power-law). La pendiente de la recta que relaciona a log F (n) con
log n determina el exponente de escalamiento .
500
400
300
yHkL
yn HkL
200
100
0
-100
0
200
400
600
800
1000
4.3.2.
Relaci
on entre auto-similitud y funciones de autocorrelaci
on
El parametro de auto-similitud de una serie de tiempo acumulada esta relacionado con la funcion de autocorrelacion, C( ) de la serie sin acumular. Breve-
Exponente de Hurst
45
mente:
Para ruido blanco donde el valor en un instante dado esta completamente no-correlacionado con cualesquiera valores previos, el valor acumulado,
y(k), corresponde a una caminata aleatoria y por lo tanto = 0,5. La
funcion de autocorrelacion, C( ), es 0 para cualquier 6= 0.
Muchos fenomenos naturales estan caracterizados por correlaciones a corto
plazo, con una escala de tiempo caracterstica, 0 , y una funcion de autocorrelacion, C( ), que decae exponencialmente (C( ) exp( /0 )). La
pendiente inicial de log F (n) vs log n puede ser diferente de 0.5, pero
llegara a 0.5 para ventanas mas grandes.
Si 0.5 < 1.0, indica correlaciones power-law persistentes de amplio
rango (C( ) ). La relacion entre y es = 2 2. En el espectro
de potencia, S(f ), de la se
nal no acumulada es tambien en forma de powerlaw (S(f ) 1/f ). Ya que el espectro de potencia es la transformada de
Fourier de la funcion de autocorrelacion, se tiene = 1 = 2 1. El
caso = 1 es de interes en fsica y biologa (corresponde a ruido 1/f , con
= 1).
Cuando 0 < < 0.5, se presentan anti-correlaciones power-law, de manera
que es mas probable que valores grandes sean seguidos por valores peque
nos
y viceversa.
Cuando > 1, existen correlaciones pero dejan de ser en forma de powerlaw.
= 1.5 indica ruido Browniano, la integracion del ruido blanco.
4.4.
Exponente de Hurst
Exponente de Hurst
46
(4.8)
La estimacion del exponente de Hurst para una serie de datos proporciona una
medida de si los datos representan una caminata aleatoria pura o si tiene tendencias subyacentes. En otras palabras, un proceso aleatorio con una tendencia
subyacente tiene cierto grado de correlacion. Cuando la correlacion tiene un decaimiento muy largo (o matematicamente infinito), este tipo de proceso Gaussiano
es en ocasiones llamado proceso de memoria larga.
Los procesos que aparentemente son puramente aleatorios resultan mostrar estadstica de exponente de Hurst para procesos largos de memoria. Por ejemplo,
en trafico de redes computacionales. Se podra esperar que el trafico de una red se
simule mejor teniendo cierto n
umero de fuentes aleatorias, las cuales enven paquetes de tama
no aleatorio por la red. Se llegara a una distribucion de Poisson3 .
Como resultado, este modelo esta equivocado. El trafico en una red se puede
modelar mejor con un proceso que presente un exponente de Hurst no-aleatorio.
Estimaci
on del exponente de Hurst
Teniendo una serie de datos, la estimacion del exponente de Hurst se realiza
calculando el rango promedio rescalado sobre m
ultiples regiones de los datos. En
estadstica, el promedio (media) de una serie de datos X se conoce en ocasiones
como el valor esperado, E[X]. Usando esta notacion, el valor esperado de R/S,
calculado sobre un conjunto de regiones converge en la funcion potencia del exponente de Hurst:
3
Un ejemplo de una distribucion de Poisson es la cantidad de personas que llega aleatoriamente a un restaurant en un periodo de tiempo dado.
Exponente de Hurst
47
R(n)
E
= CnH cuando n
S(n)
(4.9)
Si la serie de datos es una caminata aleatoria, el valor esperado sera descrito con
un exponente de 0.5:
R(n)
E
= Cn0,5 cuando n
S(n)
(4.10)
En ocasiones, la ecuacion 4.10 es llamada dependencia de rango corto. Esto parece razonable. Una dependencia de rango corto debera tener alguna correlacion,
si el exponente de Hurst es 0.5, se tratara de una caminata aleatoria y no existira autocorrelacion ni dependencia entre valores secuenciales.
Se realiza una regresion lineal sobre una serie de puntos, compuesta de log n (el
tama
no de las areas en las cuales el rango promedio rescalado se calcula), y del
logaritmo del rango promedio rescalado sobre un conjunto de segmentos de tama
no n. La pendiente de la recta de regresion es la estimacion del exponente de
Hurst. Este metodo fue desarrollado y analizado por Mandelbrot et al en artculos publicados entre 1968 y 1979 (ver [Kap03]). El exponente de Hurst se aplica
a series de datos que son estadsticamente auto-similares.
An
alisis de rango rescalado
Es un metodo estadstico que sigue muchos tipos de fenomenos naturales.
Existen dos factores que se usan en este analisis:
Exponente de Hurst
48
R
= (c )H
S
Hurst establecio el coeficiente c = 0.5. R y S se definen como:
R( ) = maxX(t, ) minX(t, ), 1 t
! 21
1X
2
[(t) hi ]
S=
t=1
(4.11)
(4.12)
(4.13)
donde:
1X
hi =
(t)
n t=1
X(t, ) =
t
X
[(u) hi ]
(4.14)
(4.15)
u=1
Captulo 5
An
alisis de Game of Life
En este trabajo se mapeo cada uno de los estados de la evolucion de las reglas
de Game of Life a un vector en dos dimensiones, obteniendose una caminata
aleatoria, concepto que se describe brevemente a continuacion.
Caminatas aleatorias
En matematicas y en fsica, una caminata aleatoria es la formalizacion de
la idea de dar pasos sucesivos, cada uno con direccion aleatoria. Las caminatas
aleatorias son procesos estocasticos. Una caminata aleatoria es aquella que sigue
las siguientes reglas:
La caminata se realiza en dos dimensiones.
Existe un punto inicial.
La distancia entre dos puntos de la caminata es constante.
La direccion entre un punto y otro de la caminata se elige aleatoriamente,
y ninguna direccion es mas probable que otra.
Estas se reglas pueden generalizarse para caminatas en mas de una dimension, y
para el caso de pasos de longitud variable, de manera directa.
49
5.1.
50
Pasos para el an
alisis
Pn(i)
j=1
n(i)
xj
Pn(i)
j=1
n(i)
yj
. Este
10
9
8
7
6
51
-10-9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9
9
8
7
6
5
4
3
2
1
0
-1
-2
-3
-4
5
4
3
2
1
0
-1
-2
-3
-4
-5
-6
-7
-8
-9
-10
-5
-6
-7
-8
-9
-10
-10-9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
52
Desplazamiento Y
10
5
0
-5
-10
-15
-14
-12
-10
-8
-6
-4
-2
0
2
4
6
Desplazamiento X
Desplazamiento cuadratico
Figura 5.2: Ejemplo de una caminata aleatoria generada a partir de una configuracion inicial de Game of Life con un 45 % de celdas activas (por claridad se
muestran solo 1,000 de los 20,000 pasos).
500
450
400
350
300
250
200
150
100
50
0
0
100
200
300
400
500
Generacion
Resultados
5.2.
53
Resultados
Con los datos obtenidos (en total 9,000,000) se calculo la dimension fractal
para las caminatas aleatorias. Para comprobar las dimensiones fractales obtenidas, se obtuvo la dimension fractal usando el metodo box counting dimension
(BCD, ver el Apendice A). Los resultados se muestran a continuacion:
Dimensi
on Fractal vs densidad
2
1.75
1.5
Dimensio
n
1.25
1
0.75
0.5
0.25
15 20 25 30 35 40 45 50 55 60 65 70 75 80 85
Densidad
(5.1)
(5.2)
Conclusiones
En particular, se analizaron las diferencias de logaritmos para los modulos de
las caminatas aleatorias generadas por medio de Game of Life. Esto se hizo para
reducir un sistema muy complejo bidimensional a una serie de tiempo estacionaria, esperando que las propiedades de complejidad del automata se mantuvieran
en la serie de tiempo obtenida. Esto resulto ser cierto, ya que la serie de tiempo
tiene propiedades de autosimilitud y autocorrelaciones no triviales, por lo que las
fluctuaciones analizadas no eran aleatorias. Lo anterior se resume en el siguiente
cuadro:
Metodo
DFA
BCD
Dimension
1.751 0.04193
1.745 0.06278
Se encontro que los resultados obtenidos no dependen de las configuraciones iniciales aleatorias, lo cual es una confirmacion de nuestro metodo, ya
que es posible que una configuracion inicial determinada evolucione a otra
configuracion conocida (una configuracion con 20 % de celdas vivas puede
dar lugar a una de 60 %, por ejemplo). Esto permite promediar los valores
obtenidos y mostrados en la Figura 5.4, y obtener los resultados mostrados
en el cuadro anterior.
La grafica mostrada en la Figura 5.4 parece mostrar una ligera divergencia
para densidades altas de las dimensiones fractales, calculadas mediante los
dos metodos (BCD y DFA). Esto puede ser evidencia de multifractalidad,
pero esta divergencia esta dentro de las barras de error en la grafica, y se
necesita mas estadstica para concluir lo anterior.
El primer resultado del cuadro 5.1 ( = 2 DDF A = 0.249), indica que se
presentan anticorrelaciones en forma de power-law, de manera que es mas
probable que las variaciones grandes de la serie de tiempo sean seguidas
por variaciones peque
nas y viceversa. Ademas, las leyes en forma de powerlaw son normalmente el distintivo de la complejidad, por lo que la serie de
tiempo es de caracter complejo y no aleatorio.
Como trabajo a futuro se puede considerar:
Confirmar las evidencias de multifractalidad obteniendo mas estadstica.
Estudiar el espectro de potencia de las series de tiempo, mediante un analisis de Fourier y Wavelets (recordando que la transformada de Fourier de la
funcion de autocorrelacion de una serie de tiempo es el espectro de potencia).
Analizar configuraciones con lmites periodicos para las mallas e incrementar el tama
no de estas. Estos dos aspectos afectan bastante la evolucion de
las configuraciones de Game of Life.
Ap
endice A
Box Counting Dimension.
En geometra fractal, el metodo Minkowski-Bouligand sirve para determinar la dimension fractal de un conjunto S en un espacio eucldeo <n , o mas
generalmente, de un espacio metrico (X, d). A este metodo se le conoce como
box-counting dimension.
Para calcular la dimension de un fractal S, imagnese que el fractal se encuentra
sobre una malla, y entonces contar cuantos cuadrados se necesitan para cubrir
el conjunto. La dimension se calcula viendo como cambia este n
umero conforme
la malla se hace mas fina.
Supongase que N () es el n
umero de cajas de longitud que se necesitan para
cubrir el conjunto. Entonces la Box Counting Dimension se define como:
log N ()
0 log 1/
dimbox (S) := lm
(A.1)
57
log@NHsLD
9
Pendiente = 1.545
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
logH1sL
Ap
endice B
Zoologa de Game of Life.
Desde la creacion de Game of Life en 1970, se ha analizado y catalogado la
evolucion de cientos de configuraciones iniciales. Como siempre, la forma mas
facil de comenzar es examinar las configuraciones mas simples (ver [Ila02]).
B.1.
Ya que las celdas vivas solo sobreviven si estan rodeadas por otras dos o tres
celdas vivas, y las celdas muertas reviven solo si las rodean tres celdas vivas; los
estados iniciales que consistan de celdas solitarias mueren inmediatamente. Por
lo tanto, la sobrevivencia en Game of Life requiere un mnimo de tres celdas Las
Figuras B.1 y B.2 muestran todas las configuraciones iniciales que contienen tres
o cuatro celdas.
58
59
t = 0
t = 1
t = 0
t = 2
t = 1
Figura B.1: Los destinos de dos estados iniciales con tres celdas.
(a)
t = 0
t = 1
t = 0
t = 1
t = 2
t = 3
t = 0
t = 1
t = 2
t = 3
t = 0
t = 1
t = 2
t = 3
t = 0
t = 1
t = 2
(b)
(c)
(d)
t = 4
(e)
t = 3
t = 4
t = 5
t = 7
t = 10
t = 9
t = 6
t = 8
Figura B.2: Los destinos para cinco estados iniciales con cuatro celdas. El estado
(e) termina en un estado de periodo 2 (tiempos 9 y 10).
Los estados finales de estos simples patrones son solo algunos de los patrones
estables u osciladores (de periodo corto) conocidos. La Figura B.3 muestra algunos patrones estables conocidos que consisten de ocho celdas o menos, mientras
60
4 celdas
5 celdas
6 celdas
7 celdas
8 celdas
Figura B.3: Algunos patrones estables conocidos con ocho celdas vivas o menos.
Gliders
B.2.
61
Gliders
t = 0
t = 1
t = 2
t = 3
t = 4
B.3.
Spaceships
Resulta que, a pesar de ser los residuos de un origen primordial, existen solo
cuatro configuraciones moviles distintas y auto-replicantes (ver la Figura B.6).
A los spaceships se le asignan diferentes pesos, siendo el glider el peso-pluma
por contar con solo cinco celdas. A diferencia del glider, los spaceships llamados
peso-ligero, peso-medio y peso-pesado se desplazan no diagonalmente, sino horizontalmente. Ademas, sus patrones replicados dejan chispas que desaparecen
inmediatamente en el paso de tiempo siguiente.
B.4.
Flotillas
Glider Shuttle
62
(a)
t = 0
t = 3
t = 2
t = 1
t = 4
(b)
t = 0
t = 1
t = 2
t = 3
t = 4
(c)
t = 0
t = 1
t = 2
t = 3
t = 4
Figura B.6: Movimiento de los spaceships: peso-ligero (a), peso-medio (b) y pesopesado (c). Los cuadrados rojos representan chispasque se desaparecen en el
siguiente paso de tiempo. Los patrones con un gran n
umero de celdas en la fila
inferior son inestables.
si son escoltados por una combinacion adecuada, o flotilla, de spaceships de peso
menor. Conway descubrio que los spaceshios arbitrariamente pesados pueden ser
escoltados de esta manera. Se ha observado que las flotillas son patrones que
surgen artificialmente: no se presentan en Game of Life de forma natural.
B.5.
Glider Shuttle
B.6.
Garden-of-Eden
Las configuraciones Garden-of-Eden son aquellas que solo pueden surgir como
estados iniciales. Un argumento de conteo es suficiente para demostrar que debe
Garden-of-Eden
63
(B.1)
Eaters
B.7.
64
Eaters
t = 0
t = 1
t = 2
t = 3
t = 4
B.8.
Colisiones glider-glider
B.9.
Al princio Conway conjeturo que no existe un patron que pueda crecer sin
lmite, ofreciendo $50 a la primera persona que demostrara o falsificara su de-
65
t = 0
t = 1
t = 2
t = 3
t = 4
t = 5
t = 6
t = 0
t = 1
t = 2
t = 3
t = 4
t = 5
t = 6
t = 0
t = 1
t = 2
t = 3
t = 4
t = 5
t = 6
t = 0
t = 1
t = 2
t = 3
t = 4
t = 5
t = 6
Los miembros del grupo eran Robert April, Michael Beeler, R. William Gosper Jr., Richard
Howell, Rich Schrooeppel y Michael Speciner (ver [Ila02]).
66
(a)
(b)
t = 10
t = 12
Figura B.11: Dos puffer trains (cuadrados negros) muestran su expulsion (cuadrados rojos) despues de 10 y 12 pasos de iteracion, respectivamente.
67
t = 0
t = 75
t = 100
t = 130
Bibliografa
[Ada98] Christoph Adami. Introduction to Artificial Life, pages 3840. Springer, New York, USA, first edition, 1998.
[Bae74]
[Epp00]
[Fre93]
[Hak83]
H. Haken. Advanced Synergetics: Instability Hierarchies of SelfOrganizing Systems and Devices. Springer-Verlag, 1983.
[Her69]
G. T. Herman. Computing ability of a developmental model for filamentous organisms. Journal of Theoretical Biology, (25):421, Diciembre 1969.
[Ila02]
68
BIBLIOGRAFIA
69
[KL70]
[Lan92]
[Lin68]
A. Lindenmayer. Mathematical models for cellular interactions in development. Journal of Theoretical Biology, (18):280, 1968.
[PJS92]
H. Peitgen, H. Jurgens, and D. Saupe. Chaos and Fractals: New Frontiers of Science, page 495. Springer-Verlag, USA, Agosto 1992.
[Pou84]
BIBLIOGRAFIA
[Ren01]
70
[Roj04]
[Ros81]
[Ros05]
[Ula72]
[Wol84]
[Wol02]