回顾
无限制的指数增长:
{
N
′
=
r
⋅
N
N
t
=
e
r
t
+
c
N
t
=
C
0
⋅
e
r
t
\begin{cases} &N'=r\cdot N\\ &N_{t}=e^{rt+c}\\ &N_{t}=C_{0}\cdot e^{rt} \end{cases}
⎩
⎨
⎧N′=r⋅NNt=ert+cNt=C0⋅ert
限制下的增长(Logistic方程):
{
N
′
=
r
⋅
N
(
1
−
N
K
)
N
t
=
K
⋅
b
0
e
−
r
t
+
b
0
\begin{cases} &N'=r\cdot N(1-\frac{N}{K})\\ &N_{t}=\frac{K\cdot b_{0}}{e^{-rt}+b_{0}} \end{cases}
{N′=r⋅N(1−KN)Nt=e−rt+b0K⋅b0
Logistic Map and Bifurcation:
x
t
+
1
=
μ
⋅
x
t
(
1
−
x
t
)
x_{t+1}=\mu\cdot x_{t}(1-x_{t})
xt+1=μ⋅xt(1−xt)
一、Allee Effect
1、方程
方程
N
′
=
r
⋅
N
N'=r\cdot N
N′=r⋅N中,
r
≠
0
r\not=0
r=0,所以当
N
′
=
0
N'=0
N′=0时,有解为
N
=
0
N=0
N=0,但不是均衡点:
方程
N
′
=
r
⋅
N
(
1
−
N
K
)
N'=r\cdot N(1-\frac{N}{K})
N′=r⋅N(1−KN)中,所以当
N
′
=
0
N'=0
N′=0时,有解为
{
N
1
∗
=
0
N
2
∗
=
K
\begin{cases}N^{*}_{1}=0\\N^{*}_{2}=K\end{cases}
{N1∗=0N2∗=K,其中
N
2
∗
=
K
N^{*}_{2}=K
N2∗=K是均衡点:
现在向Logistic方程引入参数
A
A
A ,满足以下条件:
{
当
N
<
A
时,
N
′
<
0
,
N
↓
当
N
>
A
时,
N
′
>
0
,
N
↑
\begin{cases} 当N<A时,N'<0,N\downarrow\\ 当N>A时,N'>0,N\uparrow \end{cases}
{当N<A时,N′<0,N↓当N>A时,N′>0,N↑
即:
N
′
=
r
⋅
N
(
1
−
N
K
)
(
N
A
−
1
)
N'=r\cdot N(1-\frac{N}{K})(\frac{N}{A}-1)
N′=r⋅N(1−KN)(AN−1)
Steady state:
N
′
=
0
N'=0
N′=0
解得:
{
N
1
∗
=
0
N
2
∗
=
A
N
3
∗
=
K
\begin{cases} N^{*}_{1}=0\\ N^{*}_{2}=A\\ N^{*}_{3}=K \end{cases}
⎩
⎨
⎧N1∗=0N2∗=AN3∗=K
但是此解有两种情况:
当
A
>
K
A>K
A>K 时:
∵
A
>
K
\because A>K
∵A>K
∴
若
N
>
A
,则
N
>
K
,
N
′
<
0
\therefore若N>A,则N>K,N'<0
∴若N>A,则N>K,N′<0
∴
当
N
>
K
时种群还在增长,这不符合
K
的原假设(
N
>
K
时,种群下降)
\therefore 当N>K时种群还在增长,这不符合K的原假设(N>K时,种群下降)
∴当N>K时种群还在增长,这不符合K的原假设(N>K时,种群下降)
∴
不考虑
A
>
K
时的情况
\therefore不考虑A>K时的情况
∴不考虑A>K时的情况
当
K
>
A
K>A
K>A 时:
{
N
∈
(
0
,
A
]
时,
N
′
<
0
,种群衰退
N
∈
(
N
,
K
]
时,
N
′
>
0
,种群扩张
N
>
K
时,
N
′
<
0
,种群大小下降
\begin{cases} N\in(0,A]时,N'<0,种群衰退\\ N\in(N,K]时,N'>0,种群扩张\\ N>K时,N'<0,种群大小下降 \end{cases}
⎩
⎨
⎧N∈(0,A]时,N′<0,种群衰退N∈(N,K]时,N′>0,种群扩张N>K时,N′<0,种群大小下降
这符合原假设
将方程
N
′
=
r
⋅
N
(
1
−
N
K
)
(
N
A
−
1
)
N'=r\cdot N(1-\frac{N}{K})(\frac{N}{A}-1)
N′=r⋅N(1−KN)(AN−1) 在时间
t
t
t 对种群大小
N
N
N 的坐标轴上表示为:
即当种群大小
N
>
A
N>A
N>A 时,种群才可以延续,即最小可持续种群。比较常见的解释是,当种群大小小于
A
A
A 时,种群中的个体无法有效的与异性交配或无法有效的分摊风险(如捕时压力),从而导致种群衰退。
2、参数变化
至此,方程中已经有三个可变参数:
r
,
K
,
A
r,K,A
r,K,A
因此有三种情况:
{
K
和
A
不变,
r
↑
r
和
A
不变,
K
↑
r
和
K
不变,
A
↑
\begin{cases} K和A不变,r\uparrow\\ r和A不变,K\uparrow\\ r和K不变,A\uparrow \end{cases}
⎩
⎨
⎧K和A不变,r↑r和A不变,K↑r和K不变,A↑
函数关系可视化为:
二、Leslic Matrix
假设有这样一个种群
X
{X}
X,其种群的年龄结构变化符合以下关系:
(圆圈表示各龄个体的总和,数字表示年龄,
F
F
F 表示生育率,
P
P
P 表示存活到下一龄的概率率)
t
0
t_{0}
t0 时刻以向量形式表示各年龄段的个体数:
X
→
t
0
=
[
x
1
t
0
x
2
t
0
x
3
t
0
x
4
t
0
x
5
t
0
]
,上标为时刻,下标为年龄
\overrightarrow X^{t_{0}}= \begin{bmatrix} x^{t_{0}}_{1}\\ x^{t_{0}}_{2}\\ x^{t_{0}}_{3}\\ x^{t_{0}}_{4}\\ x^{t_{0}}_{5} \end{bmatrix},上标为时刻,下标为年龄
Xt0=
x1t0x2t0x3t0x4t0x5t0
,上标为时刻,下标为年龄
在经过
1
1
1 单位的时间后,种群的各年龄段个体数为:
x
1
t
0
+
1
=
x
1
t
0
⋅
F
1
+
x
2
t
0
⋅
F
2
+
x
3
t
0
⋅
F
3
+
x
4
t
0
⋅
F
4
+
x
5
t
0
⋅
F
5
x
2
t
0
+
1
=
x
1
t
0
⋅
P
1
x
3
t
0
+
1
=
x
2
t
0
⋅
P
2
x
4
t
0
+
1
=
x
3
t
0
⋅
P
3
x
5
t
0
+
1
=
x
4
t
0
⋅
P
4
\begin{aligned} &x^{t_{0}+1}_{1}=x^{t_{0}}_{1} \cdot F_{1}+x^{t_{0}}_{2} \cdot F_{2}+x^{t_{0}}_{3} \cdot F_{3}+x^{t_{0}}_{4} \cdot F_{4}+x^{t_{0}}_{5} \cdot F_{5}\\ &x^{t_{0}+1}_{2}=x^{t_{0}}_{1}\cdot P_{1}\\ &x^{t_{0}+1}_{3}=x^{t_{0}}_{2}\cdot P_{2}\\ &x^{t_{0}+1}_{4}=x^{t_{0}}_{3}\cdot P_{3}\\ &x^{t_{0}+1}_{5}=x^{t_{0}}_{4}\cdot P_{4} \end{aligned}
x1t0+1=x1t0⋅F1+x2t0⋅F2+x3t0⋅F3+x4t0⋅F4+x5t0⋅F5x2t0+1=x1t0⋅P1x3t0+1=x2t0⋅P2x4t0+1=x3t0⋅P3x5t0+1=x4t0⋅P4
使用矩阵和向量的乘积表示为:
X
→
t
0
+
1
=
X
→
t
0
×
[
L
]
=
[
x
1
t
0
x
2
t
0
x
3
t
0
x
4
t
0
x
5
t
0
]
×
[
F
1
F
2
F
3
F
4
F
5
P
1
0
0
0
0
0
P
2
0
0
0
0
0
P
3
0
0
0
0
0
P
4
0
]
\begin{aligned} \overrightarrow X^{t_{0}+1} &=\overrightarrow X^{t_{0}} \times \begin{bmatrix} L \end{bmatrix}\\ &=\begin{bmatrix} x^{t_{0}}_{1}\\ x^{t_{0}}_{2}\\ x^{t_{0}}_{3}\\ x^{t_{0}}_{4}\\ x^{t_{0}}_{5} \end{bmatrix} \times \begin{bmatrix} F_{1} & F_{2} & F_{3} & F_{4} & F_{5}\\ P_{1} & 0 & 0 & 0 & 0 \\ 0 & P_{2} & 0 & 0 & 0\\ 0 & 0 & P_{3} & 0 & 0\\ 0 & 0 & 0 & P_{4} & 0 \end{bmatrix} \end{aligned}
Xt0+1=Xt0×[L]=
x1t0x2t0x3t0x4t0x5t0
×
F1P1000F20P200F300P30F4000P4F50000
由于给定的种群的初始大小不可能为零,所以
X
→
t
0
\overrightarrow X^{t_{0}}
Xt0 为非零向量。
∴
\therefore
∴ 存在矩阵
[
L
]
\begin{bmatrix}L\end{bmatrix}
[L]的特征值
r
r
r,使:
X
→
t
0
×
[
L
]
=
X
→
t
0
×
r
,
X
→
t
0
≠
0
\overrightarrow X^{t_{0}} \times \begin{bmatrix} L \end{bmatrix} = \overrightarrow X^{t_{0}} \times r, \overrightarrow X^{t_{0}}\not=0
Xt0×[L]=Xt0×r,Xt0=0
据此便可近似的求出具有特定年龄结构的种群增长率。