[数学建模]马尔萨斯的人口模型及感性认识

因为近期要参加学校的数学建模比赛，所以根据mooc上的数学建模视频来恶补这方面的知识。mooc的名字是：走进数学——数学建模篇

首先值得一提的是：数学模型分为机理型模型和统计回归模型。显而易见，在这里的是机理型模型，这是一个自己构建数学函数的过程，区别于统计回归用matlab来构造一个函数的过程。
这次人口论模型的构建分为三个部分，分别讲述了最基础的马尔萨斯模型，升级版的logistic模型和现代版的leslie模型，主要是高屋建瓴的分析了数学建模的过程。

马尔萨斯
著名学者马尔萨斯根据两条假设构造出了:
P(t+1) = rP(t)
(P是人口数量的函数，r是增长率)
可以看出这个模型参数只有一个，十分方便。尽管十分简单，但很符合当时时代的发展规律，所以可以说是一个成功的模型。
logistic
随着人口的继续发展，这个简单的模型已经不能满足当时的情况了，所以logistic的模型应运而生：
P(t+1) = rP(t)(1-P(t)/K)
(K为人口最大数量)
这个模型有两个参数，他对于上述模型起到了补充的作用，提出了K，更加的合乎广义性的人口发展规律。
我们可以分析一下这个模型，会发现在P（t）/K很小的情况下,可以简化成马尔萨斯模型。
leslie
基于对人口的年龄分布不同而导致的r值的不同，譬如，一个全是25岁的群体和一个全是75岁的群体，那么原来模型的普适性就大大降低了。所以此模型引入了对年龄分片的概念。
比如将群体按照年为单位，假设划分为100个块，每一块统计存活率和生育率。存活率是为了计算下一年某年龄的人数到下一年龄的数量，生育率是为了计算各个年龄段对下一年初生婴儿的贡献率。因为这个模型较为复杂，具体步骤就不赘述了。实现细节具体我也没搞的太明白。这个大哥写的挺好的，到时候看看这个。

感性认识：
1.模型不是越复杂越好的，要能解决实际问题，就像马尔萨斯的简单模型，在当时的K值影响不大的情况下，依然能很好地贴合实际，不失为一个好模型。
2.在研究模型的时候，可以先把自己的研究目标放一下，单纯的看看这个模型的曲线图之类的，这有助于更好的了解模型，更可能有一些新的发现。