更改

为了概括上述各种数值模拟试验的结果，我们用下面的相图来表示不同<math>\mu</math>值对应的极限行为。

为了概括上述各种数值模拟试验的结果，我们用下面的相图来表示不同<math>\mu</math>值对应的极限行为。

<!--[[File:300px-Final.png|630px|right|图7 不同参数情况下的Logistic映射的极限行为]]-->

<!--[[File:300px-Final.png|630px|right|图7 不同参数情况下的Logistic映射的极限行为]]-->

[[文件:Logistic Bifurcation map High Resolution.png|600px|缩略图|右|Logistic映射在不同[math]\mu[/math]取值情况下的极限行为与分叉图（图中的r即[math]\mu[/math]，图片来源：[https://en.wikipedia.org/wiki/Logistic_map wikipedia的Logistic map词条]）]]

[[文件:Logistic Bifurcation map High Resolution.png|600px|缩略图|右|图7 Logistic映射在不同[math]\mu[/math]取值情况下的极限行为与分叉图（图中的r即[math]\mu[/math]，图片来源：[https://en.wikipedia.org/wiki/Logistic_map wikipedia的Logistic map词条]）]]

图7中显示的每一个参数<math>\mu</math>所对应的迭代的极限行为。在相同的参数下，我们通过从不同的初始值（共有1000个）开始迭代足够多的次数（T=2000次），记录下这些数据点对应的<math>x(T)</math>值。为了让显示效果更好看，我们对处于相同区域的数据点进行了归并，从而可以用某一点灰度的大小来表示该区域数据点的多少。最后的[[Mathematica]]代码如下所示：

图7中显示的每一个参数<math>\mu</math>所对应的迭代的极限行为。在相同的参数下，我们通过从不同的初始值（共有1000个）开始迭代足够多的次数（T=2000次），记录下这些数据点对应的<math>x(T)</math>值。为了让显示效果更好看，我们对处于相同区域的数据点进行了归并，从而可以用某一点灰度的大小来表示该区域数据点的多少。最后的[[Mathematica]]代码如下所示：