更改

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>。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。

* 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<ref>Cramer, J. S. (2002). The origins of logistic regression. Tinbergen Institute Discussion Paper, 2002-119/4.</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>

* 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><ref>Kingsland, S. E. (1995). Modeling nature: episodes in the history of population ecology. University of Chicago Press.</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”。

* 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”<ref>Lotka, A. J. (1925). Elements of physical biology. Williams & Wilkins.</ref>。

* 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<ref>Strogatz, S. H. (2018). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering (2nd ed.). Boca Raton: CRC Press.</ref>。

* 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。

* 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<ref>Pianka, E. R. (1970). On r- and K-selection. The American Naturalist, 104(940), 592–597.</ref><ref>Begon, M., Townsend, C. R., & Harper, J. L. (2006). Ecology: from individuals to ecosystems (4th ed.). Blackwell Publishing.</ref>。

=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。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）。

其中λ为比例常数。{{EquationNote|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, T. R. (1798). An essay on the principle of population. J. Johnson.</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{{EquationNote|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。

事实上，方程(1)表明，随着<math>N_{(t)}</math>不断增大，<math>\displaystyle{ \frac{dN}{dt} }</math>也不断增大，即随着种群增长，增长率也不断增大。

事实上，{{EquationNote|1}}表明，随着<math>N_{(t)}</math>不断增大，<math>\displaystyle{ \frac{dN}{dt} }</math>也不断增大，即随着种群增长，增长率也不断增大。

求解方程（1），要根据该方程求出一个函数，其导数是它本身的常数倍，指数函数具有这个性质。如果令 <math>\displaystyle{ N_{(t)} = C\mathrm{e}^{λt}}</math>，则有

求解{{EquationNote|1}}，要根据该方程求出一个函数，其导数是它本身的常数倍，指数函数具有这个性质。如果令 <math>\displaystyle{ N_{(t)} = C\mathrm{e}^{λt}}</math>，则有

<math>N ^ {\prime}_{(t)} = C \left(λ e ^ {λ t}\right) = λ \left(C e ^ {λ t}\right) = λ N_{(t)}</math>,

<math>N ^ {\prime}_{(t)} = C \left(λ e ^ {λ t}\right) = λ \left(C e ^ {λ t}\right) = λ N_{(t)}</math>,

即任何形如<math>N_{(t)} = C\mathrm{e}^{λt}</math>的指数函数都是方程的解。

即任何形如<math>N_{(t)} = C\mathrm{e}^{λt}</math>的指数函数都是方程的解。

对应的微分方程为<math>\mathrm{d}N/ \mathrm{d}t = cN(K - N)</math>，其中λ为比例常数，它等价于<math>\frac{\mathrm{d}N}{\mathrm{d}t} = \frac{λN(K - N)}{K}</math>，其中<math>λ = cK</math>。

对应的微分方程为<math>\mathrm{d}N/ \mathrm{d}t = cN(K - N)</math>，其中λ为比例常数，它等价于<math>\frac{\mathrm{d}N}{\mathrm{d}t} = \frac{λN(K - N)}{K}</math>，其中<math>λ = cK</math>。

[[文件:Population_growth.png|替代=|居中|缩略图|680x680像素|图1. 指数增长（Exponential growth）和逻辑斯谛增长（Logistic growth）。图片来源：https://upload.wikimedia.org/wikipedia/en/1/1c/Population_growth.png]]

[[文件:Population_growth.png|替代=|居左|缩略图|300x300像素|图1. 指数增长（Exponential growth）和逻辑斯谛增长（Logistic growth）。图片来源：https://upload.wikimedia.org/wikipedia/en/1/1c/Population_growth.png]]

==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>（图2）。

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><ref>Ricklefs, R. E., & Miller, G. L. (2000). Ecology (4th ed.). W. H. Freeman.</ref><ref>Gotelli, N. J. (2008). A primer of ecology (4th ed.). Sinauer Associates.</ref>（图2）。

=主要内容=

=主要内容=

* K: 环境承载力，即环境所能支持的最大种群规模；

* K: 环境承载力，即环境所能支持的最大种群规模；

* <math>\frac{dN}{dt}</math>: 种群在时刻t的瞬时增长率。

* <math>\frac{dN}{dt}</math>: 种群在时刻t的瞬时增长率。

该方程也可以从原始形式推导而来。韦尔霍斯最初提出的形式是<math>\frac{dN}{dt} = λN - \alpha N^2</math> ，其中<math> \alpha</math>表示密度依赖的拥挤效应（种内竞争），通过变量替换<math> K = \frac{λ}{\alpha}</math>可得标准形式。

该方程也可以从原始形式推导而来。韦尔霍斯最初提出的形式是<math>\frac{dN}{dt} = λN - \alpha N^2</math> ，其中<math> \alpha</math>表示密度依赖的拥挤效应（种内竞争），通过变量替换<math> K = \frac{λ}{\alpha}</math>可得标准形式<ref>Murray, J. D. (2002). Mathematical biology: I. An introduction (3rd ed.). Springer.</ref>。

==解析解与S形曲线==

==解析解与S形曲线==

* 过渡阶段（N ≈ K/2）：增长速度达到最大值，曲线出现拐点；

* 过渡阶段（N ≈ K/2）：增长速度达到最大值，曲线出现拐点；

* 饱和阶段（N → K）：增长逐渐减缓并趋近于零，种群规模稳定在承载能力K附近。

* 饱和阶段（N → K）：增长逐渐减缓并趋近于零，种群规模稳定在承载能力K附近。

该方程考虑了资源限制，导致增长速率随 N 接近 K 而减小，从而产生 S 形增长曲线。

该方程考虑了资源限制，导致增长速率随 N 接近 K 而减小，从而产生 S 形增长曲线<ref>Otto, S. P., & Day, T. (2007). A biologist's guide to mathematical modeling in ecology and evolution. Princeton University Press.</ref>。

==方程的性质==

==方程的性质==

===逻辑斯谛系数与调节机制===

===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。

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<ref>Krebs, C. J. (2009). Ecology: the experimental analysis of distribution and abundance (6th ed.). Benjamin Cummings.</ref>。

===不动点与稳定性===

===不动点与稳定性===

*<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<ref>Edelstein-Keshet, L. (2005). Mathematical models in biology. SIAM.</ref>。

===拐点与最大增长速率===

===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，此时种群增长速率（即<math>\frac{dN}{dt}</math>）达到最大值<math>\frac{λK}{4}</math> （图2）。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。

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> （图2）。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<ref>Hilborn, R., & Walters, C. J. (1992). Quantitative fisheries stock assessment: choice, dynamics and uncertainty. Chapman & Hall.</ref>。

[[文件:Logistic curve.jpg|替代=|居中|缩略图|680x680像素|图2. 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=|居左|缩略图|300x300像素|图2. 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]]，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>。

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><ref>May, R. M. (1976). Simple mathematical models with very complicated dynamics. Nature, 261(5560), 459–467.</ref><ref>Feigenbaum, M. J. (1978). Quantitative universality for a class of nonlinear transformations. Journal of Statistical Physics, 19(1), 25–52.</ref>。

== 推广 ==

== 推广 ==

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：

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：

* 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>。

* 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><ref>Tjørve, E., & Tjørve, K. M. C. (2010). A unified approach to the Richards-model family for use in growth analyses: why we need only two model forms. Journal of Theoretical Biology, 267(3), 417–425.</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。

* 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<ref>Hutchinson, G. E. (1948). Circular causal systems in ecology. Annals of the New York Academy of Sciences, 50(4), 221–246.</ref>。

* 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。

* 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<ref>Fisher, R. A. (1937). The wave of advance of advantageous genes. Annals of Eugenics, 7(4), 355–369.</ref>。

* 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。

* 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<ref>Gompertz, B. (1825). On the nature of the function expressive of the law of human mortality. Philosophical Transactions of the Royal Society of London, 115, 513–585.</ref>。

* 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<ref>West, G. B., Brown, J. H., & Enquist, B. J. (2001). A general model for ontogenetic growth. Nature, 413(6856), 628–631.</ref>。

=应用=

=应用=

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。它是许多两个相互作用种群（如捕食-被捕食）模型的基础。

* 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<ref>Lotka, A. J. (1925). Elements of physical biology. Williams & Wilkins.</ref><ref>Volterra, V. (1926). Variazioni e fluttuazioni del numero d'individui in specie animali conviventi. Mem. R. Accad. Naz. dei Lincei, 2, 31–113.</ref>。

* 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<ref>Cohen, J. E. (1995). How many people can the earth support? W. W. Norton & Company.</ref>。

* 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。

* 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<ref>Clark, C. W. (1990). Mathematical bioeconomics: the optimal management of renewable resources (2nd ed.). New York: Wiley.</ref>。

令N为种群（人口）规模，t代表时间，该模型用以下微分方程表示：

令N为种群（人口）规模，t代表时间，该模型用以下微分方程表示：

其中常数r为种群（人口）增长率，K为环境承载力。

其中常数r为种群（人口）增长率，K为环境承载力。

方程中，早期的几乎无阻力的增长率来自<math>rN</math>。增长率r代表种群（人口）数量N在一个单位时间内的增长比例。后来，随着人口的增长，第二项<math>{\frac{-rN^2}{K}}</math>变得几乎和第一项一样大，种群N内的个体之间开始争夺某些关键资源（例如食物或生存空间）而相互干扰。这种对抗效应称为“瓶颈”，由参数K代表。竞争会降低总合增长率，直到N停止增长（种群/人口成熟）。方程的解（<math>N_{0}</math>为初始种群/人口数量）为

方程中，早期的几乎无阻力的增长率来自<math>rN</math>。增长率r代表种群（人口）数量N在一个单位时间内的增长比例。后来，随着人口的增长，第二项<math>{\frac{-rN^2}{K}}</math>变得几乎和第一项一样大，种群N内的个体之间开始争夺某些关键资源（例如食物或生存空间）而相互干扰。这种对抗效应称为“瓶颈”，由参数K代表。竞争会降低总合增长率，直到N停止增长（种群/人口成熟）。方程的解（<math>N_{0}</math>为初始种群/人口数量）为

<math>{\displaystyle N(t)={\frac {KN_{0}e^{rt}}{K+N_{0}\left(e^{rt}-1\right)}}={\frac {K}{1+\left({\frac {K-N_{0}}{N_{0}}}\right)e^{-rt}}}</math>，

<math>{\displaystyle N(t)={\frac {KN_{0}e^{rt}}{K+N_{0}\left(e^{rt}-1\right)}}={\frac {K}{1+\left({\frac {K-N_{0}}{N_{0}}}\right)e^{-rt}}}}</math>，

其中：<math>{\displaystyle \lim _{t\to \infty }N(t)=K}</math>。

其中：<math>{\displaystyle \lim _{t\to \infty }N(t)=K}</math>。

可以说，K是N的极限值，即经过无限长时间后（或在有限时间内近似），种群（人口）规模所能达到的最大值。须注意，只要初始值<math>{\displaystyle N(0)>0}</math>，无论取值多少，种群数量都会渐近环境承载力的值，包括<math>{\displaystyle N(0)>K}</math>的情况下。

可以说，K是N的极限值，即经过无限长时间后（或在有限时间内近似），种群（人口）规模所能达到的最大值。须注意，只要初始值<math>{\displaystyle N(0)>0}</math>，无论取值多少，种群数量都会渐近环境承载力的值，包括<math>{\displaystyle N(0)>K}</math>的情况下。

<math>{\displaystyle T}</math>的典型取值为1年，在此情况下，<math>{\displaystyle K(t)}</math>可表示天气条件的周期性变化。

<math>{\displaystyle T}</math>的典型取值为1年，在此情况下，<math>{\displaystyle K(t)}</math>可表示天气条件的周期性变化。

另一个有趣的一般化情形是考虑承载能力<math>K_{(t)}</math>作为关于较早时间的种群数量的函数，以表示种群改变其所处环境的延迟。这就构成了一个逻辑斯谛时滞方程，它具有非常丰富的行为，在某些参数范围内呈现双稳定，以及单调衰减至零、平滑指数增长、间断无限增长（即多个S形）、间断增长或交替到平稳水平、振荡接近稳定水平、持续振荡、有限时间奇异点以及有限时间死亡。

另一个有趣的一般化情形是考虑承载能力<math>K_{(t)}</math>作为关于较早时间的种群数量的函数，以表示种群改变其所处环境的延迟。这就构成了一个逻辑斯谛时滞方程，它具有非常丰富的行为，在某些参数范围内呈现双稳定，以及单调衰减至零、平滑指数增长、间断无限增长（即多个S形）、间断增长或交替到平稳水平、振荡接近稳定水平、持续振荡、有限时间奇异点以及有限时间死亡<ref>Kuang, Y. (1993). Delay differential equations with applications in population dynamics. Academic Press.</ref>。

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。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>。

* 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><ref>Chowell, G., Hengartner, N. W., Castillo-Chavez, C., Fenimore, P. W., & Hyman, J. M. (2004). The basic reproductive number of Ebola and the effects of public health measures: the cases of Congo and Uganda. Journal of Theoretical Biology, 229(1), 119–126.</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<ref>Roosa, K., Lee, Y., Luo, R., Kirpich, A., Rothenberg, R., Hyman, J. M. & Chowell, G. (2020). Real-time forecasts of the COVID-19 epidemic in China from February 5th to February 24th, 2020. Infectious Disease Modelling, 5, 256–263.</ref>。

* 肿瘤生长：用于描述肿瘤在营养限制条件下的生长动力学。可视为上述的生态学/人口学模型的延伸。以<math>{\displaystyle X(t)}</math>表示肿瘤在时间<math>{\displaystyle t}</math>的大小，其变化动态遵循

* 肿瘤生长：用于描述肿瘤在营养限制条件下的生长动力学。可视为上述的生态学/人口学模型的延伸。以<math>{\displaystyle X(t)}</math>表示肿瘤在时间<math>{\displaystyle t}</math>的大小，其变化动态遵循

<math>{\displaystyle X'=r\left(1-{\frac {X}{K}}\right)X}</math>，

<math>{\displaystyle X'=r\left(1-{\frac {X}{K}}\right)X}</math>，

其中<math>{\displaystyle c(t)}</math>为治疗引起的肿瘤死亡率。在理想化的极长的治疗下，<math>{\displaystyle c(t)}</math>可模型化为周期为<math>{\displaystyle T}</math>的周期函数或（在持续的输液治疗下)常数函数，有

其中<math>{\displaystyle c(t)}</math>为治疗引起的肿瘤死亡率。在理想化的极长的治疗下，<math>{\displaystyle c(t)}</math>可模型化为周期为<math>{\displaystyle T}</math>的周期函数或（在持续的输液治疗下)常数函数，有

<math>{\displaystyle {\frac {1}{T}}\int _{0}^{T}c(t)\,dt>r\to \lim _{t\to +\infty }x(t)=0}</math>，

<math>{\displaystyle {\frac {1}{T}}\int _{0}^{T}c(t)\,dt>r\to \lim _{t\to +\infty }x(t)=0}</math>，

==化学与物理学==

==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。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>。

* 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><ref>Epstein, I. R., & Pojman, J. A. (1998). An introduction to nonlinear chemical dynamics: oscillations, waves, patterns, and chaos. Oxford University Press.</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<ref>Reif, F. (1965). Fundamentals of statistical and thermal physics. McGraw-Hill.</ref>。

* 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<ref>Stanley, H. E. (1971). Introduction to phase transitions and critical phenomena. Oxford University Press.</ref>。

==经济学、语言学、社会学与技术创新扩散==

==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<ref>Maddison, A. (2007). Contours of the world economy, 1–2030 AD. Oxford University Press.</ref>。

* 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<ref>Bass, F. M. (1969). A new product growth for model consumer durables. Management Science, 15(5), 215–227.</ref>。

* 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>。

* 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>Labov, W. (2001). Principles of linguistic change, vol. 2: Social factors. Blackwell.</ref><ref>Bod, R., Hay, J., & Jannedy, S. (Eds.). (2003). Probabilistic linguistics. Cambridge, MA: MIT Press.</ref>。

* 创新扩散：巴斯扩散模型的核心就是逻辑斯谛方程，用于描述新产品或新技术在人群中采纳的过程：从早期采用者到晚期大众，最后市场饱和。

* 创新扩散：巴斯扩散模型的核心就是逻辑斯谛方程，用于描述新产品或新技术在人群中采纳的过程：从早期采用者到晚期大众，最后市场饱和<ref>Rogers, E. M. (2003). Diffusion of innovations (5th ed.). Free Press.</ref>。

==机器学习：逻辑斯谛回归与激活函数==

==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（Sigmoid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<ref>Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction (2nd ed.). Springer.</ref>。

* 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<ref>Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.</ref>。

* 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>。

* 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><ref>Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.</ref>。

= 参考 =

= 参考 =

<references />

<references />