更改

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：

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。

* '''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>。

* '''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>。

* '''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>。

* '''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<math>r</math>（内禀增长率）和<math>K</math>（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>。

* '''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<math>r</math>（内禀增长率）和<math>K</math>（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=

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。

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>，可知常数C即为初始种群规模<math>N_{(0)}</math>。

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<math>C > 0</math>的解。 代入初始时间<math>t = 0</math>，得<math>N(0) = Ce^{λ(0)} = C</math>，可知常数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理想条件下（即资源无限时）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。

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理想条件下（即资源无限时）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：

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<math>N \ll 0</math>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 > K时，<math>\frac{\mathrm{d}N}{\mathrm{d}t} < 0</math> （规模超过K时，种群数量减少）。

* 当<math>N > K</math>时，<math>\frac{\mathrm{d}N}{\mathrm{d}t} < 0</math> （规模超过K时，种群数量减少）。

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>N</math>）成正比，同时也与剩余资源空间（<math>K-N</math>）成正比。

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>N</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<math>c</math>为比例常数。该式等价于<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>N</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）。

'''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>N</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=

==微分形式与推导==

==微分形式与推导==

逻辑斯谛方程的标准微分形式为：{{NumBlk|:|

'''逻辑斯谛方程的标准微分形式为'''：{{NumBlk|:|

<math>

<math>

\begin{aligned}

\begin{aligned}

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：

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；

* 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；

* 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。

* 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 = 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。

* <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) = 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。

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。

===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（<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。

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。

==离散形式的逻辑斯谛方程==

==离散形式的逻辑斯谛方程==

逻辑斯谛方程有多种推广形式，以适应更复杂的现实情况：

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>。

* 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>。

* 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>。

* 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>。

* 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>。

* 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。

* '''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>。

* '''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>。

 

* '''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>。

 

在人口学中，该模型通常写作：<math>{\displaystyle {\frac {dN}{dt}}=rN\left(1-{\frac {N}{K}}\right)}</math>，

* 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>。

 

* 在人口学中，该模型通常写作：<math>{\displaystyle {\frac {dN}{dt}}=rN\left(1-{\frac {N}{K}}\right)}</math>，

其中常数<math>r</math>为种群（人口）增长率，<math>K</math>为环境承载力。

其中常数<math>r</math>为种群（人口）增长率，<math>K</math>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。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

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

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>。

* '''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>。

* '''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

* '''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：

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>。

* '''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>。

* '''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>。

* '''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：

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>。

* '''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>。

==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。

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>。

[[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>。