1701065275
1701065276
如果我们让R的值变化，逻辑斯蒂映射就变得非常有趣。我们先从R=2开始。x的初始值x0也必须介于0和1之间，姑且设为0.5。将它们代入逻辑斯蒂映射，得出x1为0.5。同样，x2也是0.5，后面也一样。因此，如果R=2，种群初始值为最大值的一半，以后就会一直不变。
1701065277
1701065278
现在让x0=0.2。你可以自己用计算器算一下（我用的一个最多显示7位小数的计算器）。结果更有意思了：
1701065279
1701065280
x0=0. 2
1701065281
1701065282
x1=0. 32
1701065283
1701065284
x2=0. 4352
1701065285
1701065286
x3=0. 4916019
1701065287
1701065288
x4=0. 4998589
1701065289
1701065290
x5=0. 5
1701065291
1701065292
x6=0. 5
1701065293
1701065294
……
1701065295
1701065296
最终结果是一样的（永远是xt=0.5），但是迭代了5次才得到。
1701065297
1701065298
用图可以看得更清楚。图2.10是xt在前20步的值的图形。我用线将这些点连起来了，这样可以更清楚地看到，随着时间推移，x迅速收敛到0.5。
1701065299
1701065300
1701065301
1701065302
1701065303
▲图2.10 R=2，x0=0.2时逻辑斯蒂映射的变化情况
1701065304
1701065305
如果x0很大，比如0.99，又会怎样呢？图2.11显示了得到的图形。
1701065306
1701065307
1701065308
1701065309
1701065310
▲图2.11 R=2，x0=0.99时逻辑斯蒂映射的变化情况
1701065311
1701065312
最终的结果还是一样的，不过过程要长一些，波动也更剧烈。
1701065313
1701065314
你可能已经猜到了：只要R=2，xt最终都会到达0.5，并停在那里。0.5正是所谓的不动点（fixed point）：到达这一点所花的时间依赖于出发点，但是一旦你到达了那里，你就会保持不动。如果你愿意，可以让R=2.5，再试一下，同样你会发现系统总是到达一个不动点，不过这次不动点是0.6。
1701065315
1701065316
R=3. 1的情形更有趣。逻辑斯蒂映射的变化更加复杂了。图2.12是x0=0.2时的图形。
1701065317
1701065318
1701065319
1701065320
1701065321
▲图2.12 R=3.1，x0=0.2时逻辑斯蒂映射的变化情况
1701065322
1701065323
在这个例子中，x永远也不会停在一个不动点；它最终会在两个值（0.5580141和0.7645665）之间振荡。如果将前者代入方程，就会得到后者，反过来也是一样，因此振荡会一直持续下去。不管x0取什么值，最后都会形成这个振荡。这种最终的变化位置（无论是不动点还是振荡）被称为“吸引子”，这个说法很形象，因为任何初始位置最终都会“被吸引到其中”。
1701065324