76
个编辑
更改
无编辑摘要
逻辑斯谛方程（Logistic Equation），又称逻辑斯蒂增长模型，是一种描述在有限资源环境下种群规模增长的S形曲线数学模型。该模型由比利时数学家皮埃尔·弗朗索瓦·韦尔霍斯（Pierre François Verhulst）特在19世纪提出，如今已成为生态学、社会学、医学和机器学习等多个领域中的核心模型之一。
逻辑斯谛方程（Logistic Equation），又称逻辑斯谛增长模型，是一种描述在有限资源环境下种群规模增长的S形曲线数学模型。该模型由比利时数学家皮埃尔·弗朗索瓦·韦尔霍斯（Pierre François Verhulst）特在19世纪提出，如今已成为生态学、社会学、医学和机器学习等多个领域中的核心模型之一。
=历史=
=历史=
逻辑斯谛方程的历史发展跨越了两个世纪，融合了人口学、生物学和数学的交叉研究：
逻辑斯谛方程的历史发展跨越了两个世纪，融合了人口学、生物学和数学的交叉研究：
* 理论奠基：逻辑斯蒂函数由比利时数学家皮埃尔·弗朗索瓦·韦尔霍斯特在1838年至1847年间发表的三篇论文中系统性地提出并发展。他在阿道夫·凯特勒的指导下，将其作为调整指数增长模型后的人口增长模型。韦尔霍斯特在1838年的论文中首次提出了逻辑斯蒂方程的微分形式，其中包含种群平衡点对应环境承载能力<ref>Verhulst, Pierre Francois (1838). Notice sur la loi que la population suit dans son accroissement. Correspondance mathématique et Physigue, publiée par A. Quetelet, 10, 113-120.</ref>。1845年，他正式将方程的解曲线命名为“逻辑斯蒂曲线”<ref>Verhulst, Pierre Francois (1845). Recherches mathématiques sur la loi d'accroissement dela population. Nouveaur Mémoires de l'Académie Royale des Sciences, des Lettres et desBeaux-Arts de Belgique, 18,1-38.</ref>。1847年，他的第三篇论文调整了对比利时人口增长模型中的修正项<ref>Verhulst, Pierre Francois (1847). Deuxième Mémoire sur la loi d'accroissement de la popula.tion. Nouveaur Mémoires de l'Académie Rouale des Sciences, des Lettres et des Beaur-Artsde Belgique, 20,1-32.</ref>。
* 理论奠基：逻辑斯谛函数由比利时数学家皮埃尔·弗朗索瓦·韦尔霍斯特在1838年至1847年间发表的三篇论文中系统性地提出并发展。他在阿道夫·凯特勒的指导下，将其作为调整指数增长模型后的人口增长模型。韦尔霍斯特在1838年的论文中首次提出了逻辑斯谛方程的微分形式，其中包含种群平衡点对应环境承载能力<ref>Verhulst, Pierre Francois (1838). Notice sur la loi que la population suit dans son accroissement. Correspondance mathématique et Physigue, publiée par A. Quetelet, 10, 113-120.</ref>。1845年，他正式将方程的解曲线命名为“逻辑斯谛曲线”<ref>Verhulst, Pierre Francois (1845). Recherches mathématiques sur la loi d'accroissement dela population. Nouveaur Mémoires de l'Académie Royale des Sciences, des Lettres et desBeaux-Arts de Belgique, 18,1-38.</ref>。1847年，他的第三篇论文调整了对比利时人口增长模型中的修正项<ref>Verhulst, Pierre Francois (1847). Deuxième Mémoire sur la loi d'accroissement de la popula.tion. Nouveaur Mémoires de l'Académie Rouale des Sciences, des Lettres et des Beaur-Artsde Belgique, 20,1-32.</ref>。
* 重新发现与推广：韦尔霍斯特的工作在当时并未引起广泛关注。直到1920年，美国生物学家雷蒙德·珀尔和洛厄尔·里德在研究果蝇种群增长和人口问题时独立重新发现了这一方程，并提出了现在广为流传的形式。他们的工作使得该方程在生物学界广为人知，因此该方程有时也被称为韦尔霍斯特-珀尔阻碍方程。
* 重新发现与推广：韦尔霍斯特的工作在当时并未引起广泛关注。直到1920年，美国生物学家雷蒙德·珀尔和洛厄尔·里德在研究果蝇种群增长和人口问题时独立重新发现了这一方程，并提出了现在广为流传的形式。他们的工作使得该方程在生物学界广为人知，因此该方程有时也被称为韦尔霍斯特-珀尔阻碍方程。
* 混沌理论发展：随着20世纪系统科学和混沌理论的发展，该方程的离散形式——[[逻辑斯谛映射]]被深入研究。罗伯特·梅在1976年发表于《自然》杂志的论文《表现非常复杂的动力学的简单数学模型》中<ref>May R. 1976. Simple mathematical models with very complicated dynamics. Nature 261, 459–467. https://doi.org/10.1038/261459a0</ref>，系统性地阐述了这一简单非线性方程如何产生复杂的混沌行为，从而使该模型成为混沌研究的经典范例。
* 混沌理论发展：随着20世纪系统科学和混沌理论的发展，该方程的离散形式——[[逻辑斯谛映射]]被深入研究。罗伯特·梅在1976年发表于《自然》杂志的论文《表现非常复杂的动力学的简单数学模型》中<ref>May R. 1976. Simple mathematical models with very complicated dynamics. Nature 261, 459–467. https://doi.org/10.1038/261459a0</ref>，系统性地阐述了这一简单非线性方程如何产生复杂的混沌行为，从而使该模型成为混沌研究的经典范例。
然而，在自然界中，种群的增长并非总是无限制的。马尔萨斯模型描述了在资源无限情况下的指数增长，但这在现实中几乎不存在。大多数增长过程会受到环境承载力（如食物、空间、天敌等）的限制。韦尔霍斯特意识到人口增长不但和现有人口相关，还和可用资源有关，即存在一个人口的承载量。
然而，在自然界中，种群的增长并非总是无限制的。马尔萨斯模型描述了在资源无限情况下的指数增长，但这在现实中几乎不存在。大多数增长过程会受到环境承载力（如食物、空间、天敌等）的限制。韦尔霍斯特意识到人口增长不但和现有人口相关，还和可用资源有关，即存在一个人口的承载量。
[[Logistic_Model.jpeg|替代=|居中|缩略图|680x680像素|图1. 指数增长曲线和逻辑斯谛曲线的示意图。引自]]
[[文件:Logistic Model.jpeg|替代=|居中|缩略图|680x680像素|图1. 指数增长曲线和逻辑斯谛曲线的示意图。引自]]
==核心思想==
==核心思想==
*<math>N = K</math>：稳定平衡点，表示种群达到环境承载能。
*<math>N = K</math>：稳定平衡点，表示种群达到环境承载能。
当 <math>N < K</math>时，逻辑斯蒂系数为正值，种群数量上升；当<math>N > K</math> 时，逻辑斯蒂系数为负值，种群数量下降；当<math>N = K</math> 时，逻辑斯蒂系数等于零，种群数量保持不变。
当 <math>N < K</math>时，逻辑斯谛系数为正值，种群数量上升；当<math>N > K</math> 时，逻辑斯谛系数为负值，种群数量下降；当<math>N = K</math> 时，逻辑斯谛系数等于零，种群数量保持不变。
===拐点===
===拐点===
逻辑斯谛方程有多种推广形式，包括：
逻辑斯谛方程有多种推广形式，包括：
* 广义逻辑斯蒂曲线：引入更多参数以增强拟合灵活性。
* 广义逻辑斯谛曲线：引入更多参数以增强拟合灵活性。
* 冈珀茨函数：常用于描述生长速度不对称的生长过程。
* 冈珀茨函数：常用于描述生长速度不对称的生长过程。
* 超博拉斯特函数：用于更复杂的生长模式建模。
* 超博拉斯特函数：用于更复杂的生长模式建模。
在统计学中，逻辑斯谛函数的多元推广是softmax函数，用于处理多类别分类问题。
=应用=
=应用=
* 疾病传播：在经典的SIR模型中，逻辑斯谛方程可以近似描述在疾病爆发初期，易感人群数量庞大时，感染者人数的增长模式。
* 疾病传播：在经典的SIR模型中，逻辑斯谛方程可以近似描述在疾病爆发初期，易感人群数量庞大时，感染者人数的增长模式。
* 疫情预测：在COVID-19疫情期间，广义逻辑斯蒂函数（理查兹增长曲线）被用于拟合感染轨迹，预测疫情发展趋势。
* 疫情预测：在COVID-19疫情期间，广义逻辑斯谛函数（理查兹增长曲线）被用于拟合感染轨迹，预测疫情发展趋势。
* 肿瘤生长：用于描述肿瘤在营养限制条件下的生长动力学。
* 肿瘤生长：用于描述肿瘤在营养限制条件下的生长动力学。
* 自催化反应：描述自催化化学反应中反应物和产物浓度的变化规律。
* 自催化反应：描述自催化化学反应中反应物和产物浓度的变化规律。
* 费米-狄拉克分布：在统计物理中，逻辑斯蒂函数决定了费米子在热平衡系统中各能态的占据概率分布。
* 费米-狄拉克分布：在统计物理中，逻辑斯谛函数决定了费米子在热平衡系统中各能态的占据概率分布。
* 相变模型：用于描述材料科学中的某些相变过程。
* 相变模型：用于描述材料科学中的某些相变过程。
在机器学习领域，逻辑斯谛函数是逻辑斯谛回归的基础：
在机器学习领域，逻辑斯谛函数是逻辑斯谛回归的基础：
* 二分类问题：通过逻辑斯蒂函数将线性组合的输出映射到（0,1）区间，解释为概率。
* 二分类问题：通过逻辑斯谛函数将线性组合的输出映射到（0,1）区间，解释为概率。
* 多分类扩展：通过softmax函数推广到多类别分类问题。
* 多分类扩展：通过softmax函数推广到多类别分类问题。
* 深度学习：作为神经网络的激活函数，引入非线性特性。
* 深度学习：作为神经网络的激活函数，引入非线性特性。
逻辑斯谛回归源于1944年约瑟夫·伯克森基于逻辑斯谛函数提出的logit函数，后来由大卫·考克斯在1958年正式命名为逻辑斯谛回归。如今，它已成为分类问题中最广泛使用的算法之一。
= 参考 =
= 参考 =
<references />
<references />