76
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − + 第5行：
第5行： − + − + + − + 第22行：
第23行： − + 第36行：
第37行： − 在环境资源有限情况下，种群一开始呈指数级增长，当种群规模接近环境容纳量K时，种群趋于稳定（如果种群规模超过K，则会减小至K）。一个考虑到上述两个趋势的模型应该满足如下两个假设：+ 第47行：
第48行： − 逻辑斯谛方程的核心思想是：种群的增长率不仅与当前的种群规模成正比，还与剩余的可利用资源空间成正比。随着种群规模接近环境承载力，其增长率将逐渐下降至零，从而实现种群的自我调节。这种增长模式表现为典型的S形曲线，包含开始期、加速期、转折期、减速期和饱和期五个阶段。+ 第89行：
第90行： + + + 第99行：
第103行： − + − + − + − 逻辑斯谛方程有多种推广形式，包括： − + − + + + + + 第119行：
第126行： + − + − + + − + − + − * 肿瘤生长：用于描述肿瘤在营养限制条件下的生长动力学。+ − ==化学与物理学== − + − + + 第147行：
第156行： + + + − ==机器学习：逻辑斯谛回归== − + − +
无编辑摘要
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。
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·韦尔霍斯特（Pierre François Verhulst）在19世纪提出，如今已成为生态学、生物学、化学、人口学、经济学、地球科学、心理学、社会学、政治学、语言学、统计学、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>。
* 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>。韦尔霍斯特选用“逻辑斯谛”一词，可能源于古希腊语λογῐστῐκός（logistikós），是古希腊数学的一个分支，大致相当于应用数学，以区别于线性（算术）增长和对数（几何/指数）增长，暗示其增长模型比一次函数（线性函数）和指数函数更贴合实际。
* 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-珀尔方程或阻碍方程<ref>Pearl, R., & Reed, L. J. (1920). On the rate of growth of the population of the United States since 1790 and its mathematical representation. *Proceedings of the National Academy of Sciences*, 6(6), 275–288.</ref>
* 实验验证与理论拓展：1911年，A. G. McKendrick首次将逻辑斯谛方程用于描述肉汤中细菌的生长，并通过非线性参数估计进行了实验测试<ref>McKendrick, A. G., & Pai, M. K. (1912). XLV.—The Rate of Multiplication of Micro-organisms: A Mathematical Study. *Proceedings of the Royal Society of Edinburgh*, 31, 649-653.</ref>。1925年，数学生物学家阿弗雷德·洛特卡也独立推导出该方程，称其为“种群增长律”。**
* 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。
*
* 模型地位的奠定：逻辑斯谛增长模型被视为与密度有关的种群连续增长模型的典型，其参数r（内禀增长率）和K（环境容纳量）已成为生物进化对策理论（如r/K选择理论）中的核心概念。
=简介=
=简介=
</math>
</math>
|{{EquationRef|1}}}}
|{{EquationRef|1}}}}
其中λ为比例常数。方程（1）包含未知函数N及其导数<math>\displaystyle{ \frac{dN}{dt} }</math>，是一个微分方程。
其中λ为比例常数。方程（1）包含未知函数N及其导数<math>\displaystyle{ \frac{dN}{dt} }</math>，是一个微分方程。模型即马尔萨斯指数增长模型<ref>"Malthus, An Essay on the Principle of Population: Library of Economics"</ref>（图1）。
排除规模为0的种群，那么对所有t都有<math>N_{(t)} > 0</math>。因此，如果λ > 0，那么由方程(1)可得，对所有t都有<math>N_{(t)} > 0</math>，这表示种群是不断增长的。
排除规模为0的种群，那么对所有t都有<math>N_{(t)} > 0</math>。因此，如果λ > 0，那么由方程(1)可得，对所有t都有<math>N_{(t)} > 0</math>，这表示种群是不断增长的。
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。
在环境资源有限情况下，种群一开始呈指数级增长，当种群规模接近环境容纳量K时，种群趋于稳定（如果种群规模超过K，则会减小至K）（图1）。一个考虑到上述两个趋势的模型应该满足如下两个假设：
当N很小时，<math>\frac{\mathrm{d}N}{\mathrm{d}t}\approx cN</math> （开始时，增长率与N成正比，c为比例常数）；
当N很小时，<math>\frac{\mathrm{d}N}{\mathrm{d}t}\approx cN</math> （开始时，增长率与N成正比，c为比例常数）；
当N > K时，<math>\frac{\mathrm{d}N}{\mathrm{d}t} < 0</math> （当N超过K时，N减小）。
当N > K时，<math>\frac{\mathrm{d}N}{\mathrm{d}t} < 0</math> （当N超过K时，N减小）。
==核心思想==
==核心思想==
逻辑斯谛方程的核心思想是：种群的增长率不仅与当前的种群规模成正比，还与剩余的可利用资源空间成正比。随着种群规模接近环境承载力，其增长率将逐渐下降至零，从而实现种群的自我调节。这种增长模式表现为典型的S形曲线，根据增长速率的变化，其过程可细分为五个时期：①开始期（潜伏期），种群数量少，增长缓慢；②加速期，增长逐渐加快；③转折期，种群数量达到K/2时，增长速率最快；④减速期，增长逐渐变慢；⑤饱和期，种群数量达到K值并维持稳定<ref>孙儒泳, 李庆芬, 牛翠娟, 等. 基础生态学（第2版）[M]. 北京: 高等教育出版社, 2002.</ref>。
=主要内容=
=主要内容=
==方程的性质==
==方程的性质==
===逻辑斯谛系数与调节机制===
方程中的因子<math>(1-\frac{N}{K})</math>称为逻辑斯谛系数，它体现了密度依赖的调节作用。当N很小时，该系数接近1，方程近似指数增长；随着N增大，该系数减小，对增长的抑制作用增强；当N=K时，系数为0，增长停止。
===不动点与稳定性===
===不动点与稳定性===
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。
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===
===拐点与最大增长速率===
逻辑斯谛曲线的拐点出现在 <math>N = \frac{K}{2}</math>处，此时种群增长率达到最大值<math>\frac{λK}{4}</math> 。这一性质在实际应用中具有重要意义，例如在资源管理和流行病控制中，拐点可以帮助确定干预措施的最佳时机。
逻辑斯谛曲线的拐点出现在 <math>N = \frac{K}{2}</math>处，此时种群增长速率（即<math>\frac{dN}{dt}</math>）达到最大值<math>\frac{λK}{4}</math> 。**这一性质在资源管理中有直接应用，例如在渔业和林业中，将种群数量维持在K/2左右，可以获得最大可持续产量而不损害资源再生能力**<ref>Clark, C. W. (1990). Mathematical bioeconomics: the optimal management of renewable resources (2nd ed.). New York: Wiley.</ref>。这一性质在实际应用中具有重要意义，例如在资源管理和流行病控制中，拐点可以帮助确定干预措施的最佳时机。
[[文件:Logistic curve.jpg|替代=|居中|缩略图|680x680像素|图1. 简单逻辑斯谛曲线的示意图。增长率函数在同一图上以钟形曲线表示。引自<ref>Kucharavy, D., Roland, DG. (2015). Application of logistic growth curve. Procedia engineering, 131, 280-290. https://doi.org/10.1016/j.proeng.2015.12.390</ref>]]
[[文件:Logistic curve.jpg|替代=|居中|缩略图|680x680像素|图1. 简单逻辑斯谛曲线的示意图。增长率函数在同一图上以钟形曲线表示。引自<ref>Kucharavy, D., Roland, DG. (2015). Application of logistic growth curve. Procedia engineering, 131, 280-290. https://doi.org/10.1016/j.proeng.2015.12.390</ref>]]
==离散形式的逻辑斯谛方程==
==离散形式的逻辑斯谛方程==
逻辑斯谛方程的离散形式称为[[逻辑斯谛映射]]。
逻辑斯谛方程的离散形式称为[[逻辑斯谛映射]]，其表达式为：<math>x_{n+1} = r x_n (1 - x_n)</math>，其中<math>x_n</math>表示第n代的种群规模（通常归一化到[0,1]区间），r为增长参数。该离散模型通过欧拉前差法从连续方程近似得到，是研究混沌动力学的经典模型。当参数r变化时，系统会经历倍周期分岔通向混沌，展示了确定性非线性系统内在的复杂性与不可预测性<ref>Strogatz, S. H. (2018). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering (2nd ed.). Boca Raton: CRC Press.</ref>。
== 推广 ==
== 推广 ==
* 广义逻辑斯谛曲线：引入更多参数以增强拟合灵活性。
逻辑斯谛方程有多种推广形式，以适应更复杂的现实情况，包括：
* 冈珀茨函数：常用于描述生长速度不对称的生长过程。
* 广义逻辑斯谛曲线（理查兹曲线）：引入形状参数<math>\nu</math>，方程形式为<math>\frac{dN}{dt} = \frac{λ}{\nu} N [1-(\frac{N}{K})^\nu]</math>，以增强拟合灵活性，常用于不对称增长或流行病建模<ref>Richards, F. J. (1959). A Flexible Growth Function for Empirical Use. Journal of Experimental Botany, 10(2), 290–301.</ref>。
* 时滞逻辑斯谛方程：考虑种群对资源影响的延迟反馈，方程形式为<math>\frac{dN}{dt} = rN(t)[1-\frac{N(t-\tau)}{K}]</math>，可能产生振荡等复杂动态。
* 空间逻辑斯谛模型：结合反应-扩散方程，研究种群在空间中的分布与传播模式。
* 冈珀茨函数：常用于描述生长速度不对称的生长过程，如肿瘤生长。
* 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。
==生态学与人口学==
==生态学与人口学==
逻辑斯谛方程最初且最直接的应用领域是生态学与人口学：
逻辑斯谛方程最初且最直接的应用领域是生态学与人口学：
* 种群动态：描述有限资源下生物种群的增长规律，如果蝇、细菌等种群的生长。
* 种群动态：描述有限资源下生物种群的增长规律，如果蝇、细菌等种群的生长。它是许多两个相互作用种群（如捕食-被捕食）模型的基础。
* 人口预测：用于模拟和预测人类人口增长，如珀尔和里德对美国人口的研究。
* 人口预测：用于模拟和预测人类人口增长，如珀尔和里德对美国人口的研究。
* 资源管理：指导渔业、林业等可再生资源的可持续利用，避免过度开发。
* 资源管理：指导渔业、林业等可再生资源的可持续利用，避免过度开发。核心原则是使资源种群数量保持在环境容纳量K的一半（K/2）附近，此时种群增长速率最大，可获得最大持续产量。
==医学：流行病传播模型==
==医学：流行病传播模型==
在医学领域，逻辑斯谛方程被广泛应用于流行病学建模：
在医学领域，逻辑斯谛方程被广泛应用于流行病学建模：
* 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。在COVID-19大流行期间，广义逻辑斯谛曲线被广泛用于拟合和预测各国感染病例的增长轨迹<ref>Lee, S. Y., Lei, B., & Mallick, B. (2020). Estimation of COVID-19 spread curves integrating global data and borrowing information. PLOS ONE, 15(7), e0236860.</ref>。
* 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。
* 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。化疗效果也可通过在该方程中增加一个杀伤项来建模<math>\frac{dX}{dt} = rX(1-\frac{X}{K}) - c(t)X</math>。
==化学与物理学==
逻辑斯谛方程在化学和物理学中也有重要应用：
逻辑斯谛方程在化学和物理学中也有重要应用：
* 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。例如，某些燃料电池催化剂的衰减过程遵循逻辑斯谛规律，提示其为自催化分解机制<ref>Yin, X., & Zelenay, P. (2018). Kinetic Models for the Degradation Mechanisms of PGM-Free ORR Catalysts. ECS Transactions, 85(13), 1239-1250.</ref>。
* 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。
* 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。
==经济学与技术创新扩散==
==经济学、语言学、社会学与技术创新扩散==
在经济学和社会科学中，逻辑斯谛方程用于描述各种扩散过程：
在经济学和社会科学中，逻辑斯谛方程用于描述各种扩散过程：
* 经济发展：用于分析经济增长的长期周期和基础设施建设的扩散过程。
* 经济发展：用于分析经济增长的长期周期和基础设施建设的扩散过程。
* 市场预测：预测新产品市场占有率的增长和饱和趋势。
* 市场预测：预测新产品市场占有率的增长和饱和趋势。
* **语言学**：用于对语言变化进行建模，如新词汇或语法结构的传播速度随时间呈S形变化<ref>Bod, R., Hay, J., & Jannedy, S. (Eds.). (2003). Probabilistic linguistics. Cambridge, MA: MIT Press.</ref>。
==机器学习：逻辑斯谛回归与激活函数==
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：通过逻辑斯谛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（Sigmoid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。标准逻辑斯谛函数<math>\sigma(x) = 1/(1+e^{-x})</math>是双曲正切函数<math>\tanh(x)</math>的缩放平移，即<math>\sigma(x) = \frac{1}{2} + \frac{1}{2}\tanh(\frac{x}{2})</math>。
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。
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。