种群的指数增长:
N
′
=
r
⋅
N
0
,
N
0
为种群初始大小
N'=r\cdot N_{0},N_{0}为种群初始大小
N′=r⋅N0,N0为种群初始大小
积分:
(1)
l
n
(
N
t
)
=
r
+
C
,量纲:
r
=
1
t
i
m
e
ln(N_{t})=r+C,量纲:r=\frac{1}{time}
ln(Nt)=r+C,量纲:r=time1
(2)去量纲:
l
n
(
N
t
)
=
r
t
+
C
,量纲:
r
t
=
t
i
m
e
⋅
1
t
i
m
e
=
1
ln(N_{t})=rt+C,量纲:rt=time\cdot\frac{1}{time}=1
ln(Nt)=rt+C,量纲:rt=time⋅time1=1
(3)积分式:
N
t
=
e
r
t
+
C
=
e
r
t
⋅
e
C
N_{t}=e^{rt+C}=e^{rt}\cdot e^C
Nt=ert+C=ert⋅eC
(4)设
e
C
e^C
eC为常数
C
0
C_{0}
C0,即
e
C
=
C
0
e^C=C_{0}
eC=C0,则有:
N
t
=
C
0
⋅
e
r
t
N_{t}=C_{0}\cdot e^{rt}
Nt=C0⋅ert
即种群在经过
t
t
t时间后的种群大小
N
t
N_{t}
Nt与种群初始大小
C
0
C_{0}
C0呈
e
r
t
e^{rt}
ert倍关系,种群大小
N
N
N随时间
t
t
t呈指数增长,可视化为:
这是在没有资源限制下的种群增长。现在引入资源限制条件(以空间资源为例),可获得在剩余空间资源为
x
x
x 时,实际增长率
r
a
r_{a}
ra 和
r
r
r 之间的函数关系:
r
a
=
f
(
r
,
x
)
r_{a}=f(r,x)
ra=f(r,x)
其中
x
i
=
A
i
A
x_{i}=\frac{Ai}{A}
xi=AAi,为
x
x
x 在
i
i
i 时刻的值,
A
i
A_{i}
Ai 为
i
i
i 时刻的可用空间资源,
A
A
A 为初始可用空间资源。
另外,
x
x
x 标准化(指数化)的复数形式:
I
n
d
e
x
=
x
i
−
x
m
i
n
x
m
a
x
−
x
m
i
n
Index=\frac{x_{i}-x_{min}}{x_{max}-x_{min}}
Index=xmax−xminxi−xmin
推论:
(1)
x
→
0
时,有
r
a
→
0
x\rightarrow0时,有r_{a}\rightarrow 0
x→0时,有ra→0
(2)
x
→
1
时,有
r
a
→
r
x\rightarrow1时,有r_{a}\rightarrow r
x→1时,有ra→r
(3)
r
a
与
x
呈正相关
r_{a}与x呈正相关
ra与x呈正相关
所以可用根据推论(3)建立
x
x
x 和
r
a
r_{a}
ra 的函数关系,根据奥卡姆剃刀原则(如无必要,不加实体):
r
a
=
r
⋅
x
r_{a}=r\cdot x
ra=r⋅x
r
a
=
f
(
r
,
x
)
=
r
⋅
x
r_{a}=f(r,x)=r\cdot x
ra=f(r,x)=r⋅x
现在重新思考
x
x
x ~
N
N
N间的关系:
∵
r
a
与
x
呈线性正相关,且
N
与
r
a
呈指数正相关
\because r_a与x呈线性正相关,且N与r_{a}呈指数正相关
∵ra与x呈线性正相关,且N与ra呈指数正相关
∴
N
与
x
呈正相关关系
\therefore N与x呈正相关关系
∴N与x呈正相关关系
引入特定系数
−
β
-\beta
−β,其量纲为
1
N
\frac{1}{N}
N1(种群大小量纲的倒数),建立
x
x
x ~
N
N
N 的函数关系:
x
′
=
−
β
⋅
N
′
,此即动力系统(
D
y
n
a
m
i
c
s
y
s
t
e
m
)
x'=-\beta \cdot N',此即动力系统(Dynamic system)
x′=−β⋅N′,此即动力系统(Dynamicsystem)
积分后:
x
=
C
0
−
β
N
x=C_{0}-\beta N
x=C0−βN
整理几个相互关联的函数:
{
函数
1
:
r
a
=
r
⋅
x
函数
2
:
x
=
C
0
−
β
N
函数
3
:
N
′
=
r
a
⋅
N
\begin{cases}函数1:&r_{a}=r\cdot x\\函数2:&x=C_{0}-\beta N\\函数3:&N'=r_{a}\cdot N\end{cases}
⎩
⎨
⎧函数1:函数2:函数3:ra=r⋅xx=C0−βNN′=ra⋅N
将函数1
→
\rightarrow
→函数3:
N
′
=
r
⋅
x
⋅
N
N'=r\cdot x\cdot N
N′=r⋅x⋅N(函数4)
将函数2
→
\rightarrow
→函数4:
N
′
=
r
(
C
0
−
β
N
)
⋅
N
N'=r(C_{0}-\beta N)\cdot N
N′=r(C0−βN)⋅N
引入参数
K
K
K(Carring capacity,种群容纳量),即
K
=
M
a
x
(
N
)
K=Max(N)
K=Max(N),故K的量纲与N的量纲相同也为#(种群大小)
∵
\because
∵当
N
=
0
N=0
N=0时,根据函数2有
x
=
C
0
=
1
x=C_{0}=1
x=C0=1
∴
\therefore
∴带入:
N
′
=
r
(
1
−
β
⋅
N
)
N
N'=r(1-\beta\cdot N)N
N′=r(1−β⋅N)N
且当
N
t
=
K
N_{t}=K
Nt=K时,有
x
=
A
t
A
=
0
x=\frac {A_{t}}{A}=0
x=AAt=0,即
0
=
C
0
−
β
⋅
K
0=C_{0}-\beta\cdot K
0=C0−β⋅K
∴
\therefore
∴解得:
β
=
−
C
0
K
\beta=-\frac{C_{0}}{K}
β=−KC0
将
β
=
−
C
0
K
\beta=-\frac{C_{0}}{K}
β=−KC0带入
N
′
=
r
(
C
0
−
β
⋅
N
)
N
N'=r(C_{0}-\beta\cdot N)N
N′=r(C0−β⋅N)N得:
N
′
=
r
⋅
N
(
1
−
N
K
)
=
r
⋅
N
−
r
⋅
N
2
K
N'=r\cdot N(1-\frac{N}{K})=r\cdot N-\frac{r\cdot N^2}{K}
N′=r⋅N(1−KN)=r⋅N−Kr⋅N2
这就是著名的逻辑斯蒂方程(Logistic Equation),且
N
N
N 对
N
′
N'
N′ 的函数图像是一个开口向下的圆锥曲线:
∴
当
N
=
−
b
2
a
时,
N
′
最大
\therefore 当N=-\frac{b}{2a}时,N'最大
∴当N=−2ab时,N′最大
N
=
K
2
,(收获理论)
N=\frac{K}{2},(收获理论)
N=2K,(收获理论)
求逻辑斯蒂方程的积分式:
N
′
=
r
⋅
N
(
1
−
N
K
)
N'=r\cdot N(1-\frac{N}{K})
N′=r⋅N(1−KN)
分离变量得:
N
′
=
r
K
(
K
−
N
)
N
N'=\frac{r}{K}(K-N)N
N′=Kr(K−N)N,等价于:
r
K
=
N
′
(
K
−
N
)
N
\frac{r}{K}=\frac{N'}{(K-N)N}
Kr=(K−N)NN′
另有:
1
N
+
1
K
−
N
=
K
N
(
K
−
N
)
\frac{1}{N}+\frac{1}{K-N}=\frac{K}{N(K-N)}
N1+K−N1=N(K−N)K,等式两边同时乘
N
′
N'
N′并与
r
K
=
N
′
(
K
−
N
)
N
\frac{r}{K}=\frac{N'}{(K-N)N}
Kr=(K−N)NN′联立得:
{
N
′
N
+
N
′
K
−
N
=
K
⋅
N
′
N
(
K
−
N
)
r
K
=
N
′
N
⋅
(
K
−
N
)
\begin{cases}&\frac{N'}{N}+\frac{N'}{K-N}=\frac{K\cdot N'}{N(K-N)} \\&\frac{r}{K}=\frac{N'}{N\cdot(K-N)}\end{cases}
{NN′+K−NN′=N(K−N)K⋅N′Kr=N⋅(K−N)N′
接得:
N
′
N
+
N
′
K
−
N
=
r
\frac{N'}{N}+\frac{N'}{K-N}=r
NN′+K−NN′=r
积分得:
l
n
(
N
)
−
l
n
(
K
−
N
)
=
r
⋅
t
+
C
0
ln(N)-ln(K-N)=r\cdot t+C_{0}
ln(N)−ln(K−N)=r⋅t+C0
l
n
(
N
K
−
N
)
=
r
⋅
t
+
C
0
ln(\frac{N}{K-N})=r\cdot t+C_{0}
ln(K−NN)=r⋅t+C0
N
K
−
N
=
e
r
⋅
t
+
C
0
=
e
r
⋅
t
⋅
e
C
0
\frac{N}{K-N}=e^{r\cdot t+C_{0}}=e^{r\cdot t}\cdot e^{C_{0}}
K−NN=er⋅t+C0=er⋅t⋅eC0
现在使
b
0
=
e
C
0
b_{0}=e^{C_{0}}
b0=eC0 :
N
K
−
N
=
b
0
⋅
e
r
⋅
t
\frac{N}{K-N}=b_{0}\cdot e^{r\cdot t}
K−NN=b0⋅er⋅t
整理化简得:
N
t
=
K
⋅
b
0
e
−
r
⋅
t
+
b
0
N_{t}=\frac{K\cdot b_{0}}{e^{-r\cdot t}+b_{0}}
Nt=e−r⋅t+b0K⋅b0