76
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − + − + − 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”（图1）<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”<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.</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<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>。+ + + + − 种群增长的一个模型是基于如下假设建立的：种群规模的增长率与种群规模成正比。这个假设对于理想条件下（无限的环境、充足的营养、没有天敌、对疾病免疫）的细菌种群或动物种群是合理的。+ − 种群规模的增长率为导数<math>\displaystyle{ \frac{dN}{dt} }</math>，所以种群规模的增长率与种群规模成正比的假设可以表示成：+ 第28行：
第31行： − + − 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。+ − + − + − + − 即任何形如<math>N_{(t)} = C\mathrm{e}^{λt}</math>的指数函数都是方程的解。+ − 令C为不同的实数值，可以得到方程的解族<math>N_{(t)} = Ce^{λt}</math>。而种群规模只能为正，所以只保留C > 0的解。此外，我们只关心解在t大于初始时间t = 0的部分。代入t = 0，得到<math>N(0) = Ce^{k(0)} = C</math>，所以常数C为种群规模的初值<math>N_{(0)}</math>。+ + − 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 > K时，<math>\frac{\mathrm{d}N}{\mathrm{d}t} < 0</math> （当N超过K时，N减小）。 − 一种能同时体现上面两个假设的方法是，假设种群规模的增长率和种群规模成正比，并且和环境容纳量与种群规模之差成正比。+ − + + + − 逻辑斯谛方程的核心思想是：种群规模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>Kucharavy, D., Roland, DG. (2015). Application of logistic growth curve. Procedia engineering, 131, 280-290. </ref>（图2）。+ 第66行：
第70行： − * <math>N_{(t)}</math>: 在时间t时的种群规模；+ − * <math>λ</math>: 内禀增长率，表示在理想条件下种群的最大增长潜力；+ − * <math>K</math>: 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。+ − 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。+ + + + + − 第82行：
第89行： − + + + + − 其中<math>C = \frac{1}{N_0} - \frac{1}{K}</math>是由初始条件决定的常数。+ − 该解描述了一条S形曲线（又称sigmoid曲线），其增长过程可分为三个典型阶段：+ − * 初始阶段<math>（N ≪ K）</math>：增长近似指数增长，曲线呈凹形上升；+ − * 过渡阶段<math>（N ≈ K/2）</math>：增长速度达到最大值，曲线出现拐点；+ − * 饱和阶段<math>（N → K）</math>：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。 − + − *<math>N = 0</math>：不稳定平衡点，表示种群灭绝；+ − *<math>N = K</math>：稳定平衡点，表示种群达到环境承载能。+ − + − + − + − + − 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><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<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<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<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<ref>West, G. B., Brown, J. H., & Enquist, B. J. (2001). A general model for ontogenetic growth. Nature, 413(6856), 628–631.</ref>。 第134行：
第146行： − * 种群动力学：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<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<ref>Clark, C. W. (1990). Mathematical bioeconomics: the optimal management of renewable resources (2nd ed.). New York: Wiley.</ref>。+ + + − + − 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。+ − + − 由于环境条件会影响环境承载力，因此它可能是随时间变化的，<math>{\displaystyle K(t)>0}</math>，得出以下数学模型：+ − 其中一种特别重要的情况是承载力随时期以T为周期变化的情况：+ − 可见，只要初始值<math>{\displaystyle N(0)>0}</math>，无论具体取值为多少，<math>{\displaystyle N(t)}</math>会逼近一个周期为<math>{\displaystyle T}</math>的周期解<math>{\displaystyle N_{*}(t)}</math>。+ − 第162行：
第175行： − * 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<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+ + + − − 如果采用化疗产生对数杀伤效果，则等式修改为+ − + − + 第181行：
第195行： − * 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>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<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<ref>Stanley, H. E. (1971). Introduction to phase transitions and critical phenomena. Oxford University Press.</ref>。+ + + 第189行：
第205行： − * 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<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。+ − * 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。+ + + + 第198行：
第217行： − * 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。+ − * 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>。+ + +
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。
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）于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的核心模型之一。
逻辑斯谛方程的数学表达式为：<math>{\frac{dN}{dt} = λN(K - N)}</math>，是基于种群规模的增长率(<math>{\frac{dN}{dt}}</math>)与种群规模（<math>N</math>）成正比，并且和环境容纳量与种群规模之差（<math>K-N</math>）成正比的科学假设。
逻辑斯谛方程的数学表达式为：<math>{\frac{dN}{dt} = λN(K - N)}</math>，是基于种群规模的增长率(<math>{\frac{dN}{dt}}</math>)与当前种群规模（<math>N</math>）成正比，同时也与环境容纳量（<math>K</math>）和当前种群规模之差（<math>K-N</math>）成正比的科学假设。
=历史=
=历史=
逻辑斯谛方程的历史发展跨越两个世纪，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提出并发展。他在阿道夫·凯特勒的指导下，将其作为对指数增长模型的调整，用于描述人口增长。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，其中包含了由环境承载能力决定的种群平衡点<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”（图1）<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，他在第三篇论文中对比利时人口增长模型的修正项进行了调整<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，意为“计算”），该词指代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，意在暗示其增长模型比一次函数和指数函数更贴合实际。
[[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]]
[[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]]
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“阻碍增长方程”<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”<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《简单数学模型中的复杂动力学》中<ref>May R. 1976. Simple mathematical models with very complicated dynamics. Nature 261, 459–467.</ref>，系统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相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=
==问题背景==
==问题背景==
种群增长的一个基础模型基于如下假设：在理想条件下（资源无限、空间充足、无天敌、无疾病），种群规模的增长率与种群规模本身成正比。该假设对某些生物种群（如细菌）的初期增长是合理的。
种群规模的增长率为其导数<math>\displaystyle{ \frac{dN}{dt} }</math>，因此上述假设可表示为：
{{NumBlk|:|
{{NumBlk|:|
<math>
<math>
</math>
</math>
|{{EquationRef|1}}}}
|{{EquationRef|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[[马尔萨斯模型]]（又称指数增长模型）<ref>Malthus, T. R. (1798). An essay on the principle of population. J. Johnson.</ref>（图1）。
其中λ为比例常数。{{EquationNote|(1)}}式是一个包含未知函数<math>N</math>及其导数的微分方程，即著名的[[马尔萨斯模型]]（又称指数增长模型）<ref>Malthus, T. R. (1798). An essay on the principle of population. J. Johnson.</ref>（图1）。
设初始种群规模不为零，即对所有t有<math>N_{(t)} > 0</math>。 若<math>λ > 0</math>，则由{{EquationNote|(1)}}式可知，种群将持续增长。
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。
事实上，{{EquationNote|(1)}}式表明，随着<math>N_{(t)}</math>增大，增长率<math>\displaystyle{ \frac{dN}{dt} }</math>也同步增大，即增长率随种群规模扩大而加速。
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
求解{{EquationNote|(1)}}式，需找到导数为自身常数倍的函数，指数函数满足此性质。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>，
因此，任何形如<math>N_{(t)} = C\mathrm{e}^{λt}</math>的指数函数都是方程的解。
令C取不同实数值，可得方程的解族<math>N_{(t)} = Ce^{λt}</math>。由于种群规模为正，故只取C > 0的解。 代入初始时间t = 0，得<math>N(0) = Ce^{λ(0)} = C</math>，可见常数C即为初始种群规模<math>N_{(0)}</math>。
然而，自然界中的种群增长并非无限制。马尔萨斯模型描述了资源无限下的指数增长，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仅与现有人口相关，还受可用资源制约，即存在一个最大承载量。
在环境资源有限的情况下，种群初始呈指数增长，当规模接近环境容纳量K时，增长趋于稳定（若规模超过K，则会下降至K）（图1）。一个符合现实的模型应满足以下两点：
当N很小时，<math>\frac{\mathrm{d}N}{\mathrm{d}t}\approx λN</math> （初始阶段，增长率与N成正比）；
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> （规模超过K时，种群数量减少）。
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>。
一种能同时满足上述两个假设的方法是，假定增长率与当前种群规模（<math>K</math>）成正比，同时也与剩余资源空间（<math>K-N</math>）成正比。
对应的微分方程为<math>\mathrm{d}N/ \mathrm{d}t = cN(K - N)</math>，其中c为比例常数。该式常写作等价形式<math>\frac{\mathrm{d}N}{\mathrm{d}t} = \frac{λN(K - N)}{K}</math>，其中<math>λ = cK</math>。
==核心思想==
==核心思想==
逻辑斯谛方程的核心思想是：种群增长率受双重因素影响，既与当前种群规模（<math>K</math>）成正比，也与剩余资源空间（<math>K-N</math>）成正比。 随着种群规模接近环境承载力K，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，当种群数量达到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>Kucharavy, D., Roland, DG. (2015). Application of logistic growth curve. Procedia engineering, 131, 280-290. </ref>（图2）。
=主要内容=
=主要内容=
其中：
其中：
<math>N_{(t)}</math>: 时间t时的种群规模；
<math>λ</math>: 内禀增长率，表示理想条件下种群的最大增长潜力；
<math>K</math>: 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。
该方程亦可从韦尔霍斯特最初提出的形式推导而来。 其原始形式为<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>即可得到标准形式。
==解析解与S形曲线==
==解析解与S形曲线==
逻辑斯谛方程是一个可分离变量的微分方程，其解析解为：
逻辑斯谛方程是一个可分离变量的微分方程，其解析解为：
{{NumBlk|:|
{{NumBlk|:|
<math>
<math>
\end{aligned}
\end{aligned}
</math>
</math>
|{{EquationRef|3}}}}或者等价形式：<math>N_{(t)} = \frac{K}{1 + C K e^{-λt}}</math>
|{{EquationRef|3}}}}
或等价写作：<math>N_{(t)} = \frac{K}{1 + C K e^{-λt}}</math>，其中<math>C = \frac{1}{N_0} - \frac{1}{K}</math>是由初始条件决定的常数。
该解描述了一条S形曲线（又称sigmoid曲线），其增长过程可分为三个阶段：
初始阶段（<math>N \ll K</math>）：增长近似指数增长，曲线呈凹形上升；
过渡阶段（<math>N \approx K/2</math>）：增长速度达到最大值，曲线出现拐点；
饱和阶段（<math>N \to K</math>）：增长逐渐减缓并趋近于零，种群规模稳定在承载力K附近。
==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，方程近似于指数增长；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===
逻辑斯谛方程有两个不动点（平衡点）：
逻辑斯谛方程有两个不动点（平衡点）：
<math>N = 0</math>：为不稳定平衡点，表示种群灭绝；
<math>N = K</math>：为稳定平衡点，表示种群达到环境承载力。
对原方程 <math>dN/dt = f(N) = rN(1-N/K)</math> 进行线性稳定性分析。计算导数 <math>f'(N) = r(1 - 2N/K)</math>。在 <math>N=0 </math>处，<math>f'(0) = r > 0</math>，扰动会指数增长，故为不稳定平衡点；在 <math>N=K</math> 处，<math>f'(K) = -r < 0</math>，扰动会指数衰减，故为稳定平衡点。
对原方程 <math>dN/dt = f(N) = λN(1-N/K)</math> 进行线性稳定性分析。 计算导数 <math>f'(N) = λ(1 - 2N/K)</math>。在 <math>N=0 </math>处，<math>f'(0) = λ > 0</math>，微扰会指数增长，故为不稳定平衡点；在 <math>N=K</math> 处，<math>f'(K) = -λ < 0</math>，微扰会指数衰减，故为稳定平衡点。
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，种群数量上升；当<math>N > K</math> 时，系数为负，种群数量下降；当<math>N = K</math> 时，系数为零，种群数量保持不变。
===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。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（<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。
[[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. </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. </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><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>。
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} = λ 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），λ为增长参数。该离散模型可视为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λ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：
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} = λN(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<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<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<ref>West, G. B., Brown, J. H., & Enquist, B. J. (2001). A general model for ontogenetic growth. Nature, 413(6856), 628–631.</ref>。
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。
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。
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：
种群动力学：描述有限资源下生物种群的增长规律，如果蝇、细菌等。它也是许多相互作用种群模型（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<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。其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：
<math>{\displaystyle {\frac {dN}{dt}}=rN\left(1-{\frac {N}{K}}\right)}</math>，
<math>{\displaystyle {\frac {dN}{dt}}=rN\left(1-{\frac {N}{K}}\right)}</math>，
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。随着人口增长，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>。
因此，K是N的极限值，即经过足够长时间后，种群（人口）规模所能达到的最大值。值得注意的是，只要初始值<math>{\displaystyle N(0)>0}</math>，无论取值多少，种群数量都会渐近逼近环境承载力K，即使初始值<math>{\displaystyle N(0)>K}</math>也是如此。
生态学中有时称一个物种是r策略或K策略([[R/K选择理论]])的，这是指它们在自然选择过程形成的生物生命周期策略。选取变量的量纲(因次分析)，使n代表以环境承载力单位计的种群数量，<math>{\displaystyle \tau }</math>代表以<math>{\displaystyle 1/r}</math>的单位计量的时间，得出无量纲微分方程：
生态学中有时称一个物种是r策略或K策略([[R/K选择理论]])的，这是指它们在自然选择过程形成的生物生命周期策略。进行无量纲化，使n代表以环境承载力单位计的种群数量，<math>{\displaystyle \tau }</math>代表以<math>{\displaystyle 1/r}</math>的单位计量的时间，得出无量纲微分方程：
<math>{\displaystyle {\frac {dn}{d\tau }}=n(1-n)}</math>。
<math>{\displaystyle {\frac {dn}{d\tau }}=n(1-n)}</math>。
若环境承载力随时间变化，即<math>{\displaystyle K(t)>0}</math>，则得到以下数学模型：
<math>{\displaystyle {\frac {dN}{dt}}=rN\cdot \left(1-{\frac {N}{K(t)}}\right)}</math>
<math>{\displaystyle {\frac {dN}{dt}}=rN\cdot \left(1-{\frac {N}{K(t)}}\right)}</math>
其中一种特别重要的情况是承载力呈周期变化：
<math>{\displaystyle K(t+T)=K(t)}</math>，
<math>{\displaystyle K(t+T)=K(t)}</math>，
此时，只要初始值<math>{\displaystyle N(0)>0}</math>，<math>{\displaystyle N(t)}</math>会逼近一个周期为<math>{\displaystyle T}</math>的周期解<math>{\displaystyle N_{*}(t)}</math>。
<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。
==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。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<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。可将其视为上述生态学/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>，
属于以下类型：
属于以下类型：
<math>{\displaystyle X'=F(X)X,\quad F'(X)\leq 0,}</math>，
<math>{\displaystyle X'=F(X)X,\quad F'(X)\leq 0,}</math>，
其中<math>{\displaystyle F(X)}</math>为肿瘤增殖率。
其中<math>{\displaystyle F(X)}</math>为肿瘤增殖率。
若采用化疗产生对数杀伤效果，则等式修改为
<math>{\displaystyle X'=r\left(1-{\frac {X}{K}}\right)X-c(t)X}</math>，
<math>{\displaystyle X'=r\left(1-{\frac {X}{K}}\right)X-c(t)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。在理想化的长期治疗下，<math>{\displaystyle c(t)}</math>可模型化为周期为<math>{\displaystyle T}</math>的周期函数或常数函数（如持续输液），且有
<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>，
即，如果平均治疗引起的肿瘤死亡率大于基线增殖率，则疾病能被根除。当然，这是一个过于简化的生长和治疗模型（例如没有考虑克隆抗性现象）<ref>Simeoni, M., Magni, P., Cammia, C., De Nicolao, G., Croci, V., Pesenti, E., ... & Rocchetti, M. (2004). Predictive pharmacokinetic-pharmacodynamic modeling of tumor growth kinetics in xenograft models after administration of anticancer agents. Cancer Research, 64(3), 1094–1101.</ref>。
即，如果平均治疗引起的肿瘤死亡率大于基线增殖率，则疾病能被根除。当然，这是一个过于简化的生长和治疗模型（例如没有考虑克隆抗性现象）<ref>Simeoni, M., Magni, P., Cammia, C., De Nicolao, G., Croci, V., Pesenti, E., ... & Rocchetti, M. (2004). Predictive pharmacokinetic-pharmacodynamic modeling of tumor growth kinetics in xenograft models after administration of anticancer agents. Cancer Research, 64(3), 1094–1101.</ref>。
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>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<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<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。
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。
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。
==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。
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。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<ref>Berkson, J. (1944). Application of the logistic function to bio-assay. Journal of the American Statistical Association, 39(227), 357–365.</ref><ref>Cox, D. R. (1958). Two further applications of a model for binary regression. Biometrika, 45(3/4), 562–565.</ref>。
[[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<ref>Berkson, J. (1944). Application of the logistic function to bio-assay. Journal of the American Statistical Association, 39(227), 357–365.</ref><ref>Cox, D. R. (1958). Two further applications of a model for binary regression. Biometrika, 45(3/4), 562–565.</ref>。