逻辑斯蒂方程及经济
逻辑斯蒂增长模型中各参数的意义
逻辑斯蒂增长模型中各参数的意义逻辑斯蒂增长模型，这个听起来像是个高深莫测的名词，其实没那么复杂，咱们就把它拆开说说，像剥洋葱一样，一层层来，最后一定能看到它的真面目。
逻辑斯蒂模型主要是用来描述一种增长过程，通常用来分析生物种群、经济增长，甚至流行病的传播。
想象一下，一个小小的细菌，从一开始的寥寥无几，突然就像开了挂一样，迅速扩展，变成了满满一瓶。
是不是有点像你吃饭时的米饭，刚开始一小撮，等你吃到后面，简直就像要吃一个小山丘。
在这个模型里，咱们最常见的参数就是“r”，也就是增长率。
它就像是你吃零食时的速度，越快的速度，米饭就堆得越高。
这r的大小，直接决定了你的细菌或者其它生物增长得有多快。
如果r很大，细菌就像打了鸡血，疯狂扩张；如果r小得可怜，那就像你刚开始减肥，干脆不吃零食，增长速度慢得令人发指。
然后咱们再说说“K”，也就是环境承载能力。
想象一下，你的宿舍就那么大，塞不下十个人，如果人太多，那这环境就会变得拥挤不堪。
K就像是这个宿舍的容量，超过了这个容量，大家就只能挤在一起，打架了。
细菌也是一样，到了K这个值，增长就会减缓，甚至停滞，真的是“水能载舟，亦能覆舟”，环境一旦不合适，增长就会被抑制。
接下来有个有趣的参数“P”，也就是当前的种群数量。
它就像是你在聚会上，当前有多少人在跳舞。
这个数量会直接影响到增长速度，人数多了，气氛就热烈，大家都想参与，就像细菌之间互相“激励”，增长得飞快。
如果人数少，那就冷冷清清，没啥人愿意加入，增长自然就慢了。
你要是没朋友，去参加聚会，那也是尴尬，没意思。
然后还有个“t”，时间的意思，这个大家都懂，不用我多说。
时间越久，种群就有可能越大。
就像是你种的植物，要是你老是忘记浇水，那它可真是难以生长。
细菌则是天天在那儿分裂，时间越长，它们就越多。
但时间长了，总会有个瓶颈期，最后就得看环境如何了。
这整个逻辑斯蒂模型就像是一场游戏，每个参数都有它的角色。
就像一部剧，角色之间的互动，直接影响着故事的发展。
关于逻辑斯谛方程
关于逻辑斯谛方程关于逻辑斯谛方程000摘要：逻辑斯谛方程即微分方程：dN/dt=rN（K-N）/K。
当一个物种迁入到一个新生态系统中后，其数量会发生变化。
假设该物种的起始数量小于环境的最大容纳量，则数量会增长。
该物种在此生态系统中有天敌、食物、空间等资源也不足（非理想环境），则增长函数满足逻辑斯谛方程，图像呈S形，此方程是描述在资源有限的条件下种群增长规律的一个最佳数学模型。
在以下内容中将具体介绍逻辑斯谛方程的原理、生态学意义及其应用。
关键词：逻辑斯谛方程；原理；生态学意义；应用1 前言1938年一位比利时的数学家Verhulst首先将营养关系反映到种群数学模型方面，是它首先导出了后来被广泛称为逻辑斯谛的方程。
但在当时并没有引起大家的注意，直到1920年两位美国人口学家Pearl和Reed在研究美国人口问题时，再次提出这个方程，才开始流行，故现在文献中通常称之为Verhulst-Pearl阻碍方程。
其所以又称为逻辑斯谛方程是因为其有某种逻辑推理的含义。
按现在的用语来说，它是一个说理模型，实际上是反映营养对种群增长的一种线性限制关系的说理模型。
1963年，洛伦兹发现确定性系统的随机性为，并且发现了这种随机行为对初值的敏感性。
1975年，美籍华人学者李天岩和数学家约克发表“周期中蕴含着混沌”的著名文章，揭示从有序到混沌的演化过程。
这些内容都包含在逻辑斯谛差分方程中。
1976年R.梅在英国《自然》杂志上发表了研究逻辑斯谛方程的成果—《表现非常复杂的动力学的简单数学模型》，引起学术界极大关注，内容已远远超越了生态学领域，揭示出逻辑斯谛方程深处蕴藏的丰富内涵。
2 逻辑斯谛方程的原理在种群增长早期阶段，种群大小N很小，N/K值也很小，因此1-N/K接近于1，所以抑制效应可以忽略不计，种群增长实质上为r/N，成几何增长。
然而，当N变大时，抑制效应增加，直到当N=K时，（1-N/K）变成了（1-K/K），等于0，这时种群的增长为零，种群达到了一个稳定的大小不变的平衡状态。
逻辑斯蒂方程
在自然界来和人类社会上存在大量的S型变化的现象，逻辑斯蒂模型几乎是描述s型增长的唯一数学模型。这是一条连续的、单调递增的、但参数k为上渐近线的s型曲线，其变化速度一看是增长较慢，中间段增长速度加快，以后增长速度下降并且趋于稳定。利用它我们可以表征种群的数量动态，描述客观事物的增长过程，同时也作为其它复杂模型的理论基础如Lotka-Volterra两种群竞争模型。
二、逻辑斯蒂方程的产生和发展
在提出逻辑斯蒂模型之前，最早给出种群生态学经典数学模型是Malthus模型，由英国统计学家Malthus（1766-1834）在1798《人口原理》一书中，提出了闻名于世的Malthus人口模型。设t0时刻的人口总数为N0，t时刻人口总数为N(t)，则：
但是这个模型有很大的局限性：只考虑出生率和死亡率，而没有考虑环境因素。实际上人类所生存的环境中资源并不是无限的，因而人口的增长也不可能是无限的，实践证明Malthus人口模型只符合人口的过去而不能用来预测未来人口总数。比利时数学家P.F.Verhulst对Malthus模型中关于人口增长率为常数这一假设修改为
解得t=6，即6小时后，全市有75％的人了解这一通知。
3.商品销售预测问题
例如，某种商品的销售，开始时，知道的人很少，销售量也很小。当这种商品信息传播出去后，销售量大量增加，到接近饱和时销售量增加极为缓慢。比如，这种商品饱和量估计a=500(百万件)，大约5年可达饱和，常数b经测定为b=lnl0，B=100。下面我们来预测一下第3年末的销售量是多少。
逻辑斯蒂方程
出自MBA智库百科(/)
逻辑斯蒂方程（Logistic Equation）
[编辑]
逻辑斯蒂方程的推导
当一种新产品刚面世时，厂家和商家总是采取各种措施促进销售。他们都希望对这种产品的推销速度做到心中有数，这样厂家便于组织生产，商家便于安排进货。怎样建立数学模型描述新产品推销速度呢？
微分方程的经济应用模型举例
微分方程的经济应用模型举例微分方程在不仅在物理学、力学上有广泛的应用，在经济学和管理科学等实际问题中也比比皆是，本节我们将集中讨论微分方程的经济应用。
读者可从中感受到应用数学建模的理论和方法解决经济管理实际问题的魅力.分布图示★公司资产函数 ★逻辑斯谛方程 ★价格调整问题 ★人才分配问题模型★差分方程在经济学中的应用内容要点一、公司资产函数 例。
某公司t 年净资产有)(t W (百万元), 并且资产本身以每年5%的速度连续增长, 同时该公司每年要以300百万元的数额连续支付职工工资.(1) 给出描述净资产)(t W 的微分方程;(2) 求解方程, 这时假设初始净资产为;0W(3) 讨论在700,600,5000=W 三种情况下, )(t W 变化特点.解 (1) 利用平衡法，即由净资产增长速度＝资产本身增长速度－职工工资支付速度 得到所求微分方程 .3005.0-=W dtdW(2) 分离变量，得.05.0600dt W dW=-两边积分，得 11(ln 05.0|600|ln C C t W +=-为正常数），于是 ,|600|05.01teC W =- 或 ).(600105.0C C Ce W t±==-将0)0(W W =代入，得方程通解： .)600(60005.00teW W -+=上式推导过程中,600≠W 当600=W 时，0=dtdW知 ,)600(60005.00t e W W -+= ,6000W W ==通常称为平衡解，仍包含在通解表达式中.(3) 由通解表达式可知，当5000＝W 百万元时，净资产额单调递减，公司将在第36年破产；当6000＝W 百万元时，公司将收支平衡，将资产保持在600百万元不变；当7000＝W 百万元时，公司净资产将按指数不断增大.二、 逻辑斯谛方程:逻辑斯谛方程是一种在许多领域有着广泛应用的数学模型, 下面我们借助树的增长来建立该模型.一棵小树刚栽下去的时候长得比较慢, 渐渐地, 小树长高了而且长得越来越快, 几年不见, 绿荫底下已经可乘凉了; 但长到某一高度后, 它的生长速度趋于稳定, 然后再慢慢降下来. 这一现象很具有普遍性. 现在我们来建立这种现象的数学模型.如果假设树的生长速度与它目前的高度成正比, 则显然不符合两头尤其是后期的生长情形, 因为树不可能越长越快; 但如果假设树的生长速度正比于最大高度与目前高度的差, 则又明显不符合中间一段的生长过程. 折衷一下, 我们假定它的生长速度既与目前的高度,又与最大高度与目前高度之差成正比.设树生长的最大高度为H (m), 在t (年)时的高度为h (t ), 则有)]()[()(t h H t kh dtt dh -= (8.2) 其中0>k 是比例常数. 这个方程为Logistic 方程. 它是可分离变量的一阶常数微分方程.下面来求解方程(8.2). 分离变量得,)(kdt h H h dh=-两边积分,)(⎰⎰=-kdt h H h dh得 ,)]ln([ln 11C kt h H h H+=-- 或,21k H t H C k H t e C e hH h==-+ 故所求通解为,11)(22kHtkHt kHt CeH e C He C t h -+=+= 其中的⎪⎪⎭⎫ ⎝⎛>==-0112H C e C C C 是正常数. 函数)(t h 的图象称为Logistic 曲线. 图8-8-1所示的是一条典型的Logistic 曲线, 由于它的形状, 一般也称为S 曲线. 可以看到, 它基本符合我们描述的树的生长情形. 另外还可以算得.)(lim H t h t =+∞→这说明树的生长有一个限制, 因此也称为限制性增长模式.注: Logistic 的中文音译名是“逻辑斯谛”. “逻辑”在字典中的解释是“客观事物发展的规律性”, 因此许多现象本质上都符合这种S 规律. 除了生物种群的繁殖外, 还有信息的传播、新技术的推广、传染病的扩散以及某些商品的销售等. 例如流感的传染、在任其自然发展(例如初期未引起人们注意)的阶段, 可以设想它的速度既正比于得病的人数又正比于未传染到的人数. 开始时患病的人不多因而传染速度较慢; 但随着健康人与患者接触, 受传染的人越来越多, 传染的速度也越来越快; 最后, 传染速度自然而然地渐渐降低, 因为已经没有多少人可被传染了.下面举两个例子说明逻辑斯谛的应用.人口阻滞增长模型 1837年, 荷兰生物学家V erhulst 提出一个人口模型00)(),(y t y by k y dtdy=-= (8.3)其中b k ,的称为生命系数.我们不详细讨论这个模型, 只提应用它预测世界人口数的两个有趣的结果.有生态学家估计k 的自然值是0.029. 利用本世纪60年代世界人口年平均增长率为2%以及1965年人口总数33.4亿这两个数据, 计算得,2=b 从而估计得:(1)世界人口总数将趋于极限107.6亿. (2)到2000年时世界人口总数为59.6亿.后一个数字很接近2000年时的实际人口数, 世界人口在1999年刚进入60亿. 新产品的推广模型 设有某种新产品要推向市场, t 时刻的销量为),(t x 由于产品性能良好, 每个产品都是一个宣传品, 因此, t 时刻产品销售的增长率,dtdx与)(t x 成正比, 同时, 考虑到产品销售存在一定的市场容量N , 统计表明dtdx与尚未购买该产品的潜在顾客的数量)(t x N -也成正比, 于是有)(x N kx dtdx-=(8.4)其中k 为比例系数. 分离变量积分, 可以解得kNtCe Nt x -+=1)((8.5)由,)1()1(,)1(2322222kNt kNt kNt kNt kNt Ce Ce e N Ck dt x d Ce ke CN dt dx -----+-=+= 当N t x <)(*时, 则有,0>dt dx 即销量)(t x 单调增加. 当2)(*N t x =时, ;022=dtx d 当2)(*N t x >时, ;022<dtxd 当2)(*N t x <时, 即当销量达到最大需求量N 的一半时, 产品最为畅销, 当销量不足N 一半时, 销售速度不断增大, 当销量超过一半时, 销售速度逐渐减少.国内外许多经济学家调查表明. 许多产品的销售曲线与公式(8.5)的曲线(逻辑斯谛曲线)十分接近. 根据对曲线性状的分析, 许多分析家认为, 在新产品推出的初期, 应采用小批量生产并加强广告宣传, 而在产品用户达到20%到80%期间, 产品应大批量生产; 在产品用户超过80%时, 应适时转产, 可以达到最大的经济效益.三、价格调整模型例 如果设某商品在时刻t 的售价为P , 社会对该商品的需求量和供给量分别是P 的函数),(),(P S P D 则在时刻t 的价格)(t P 对于时间t 的变化率可认为与该商品在同时刻的超额需求量)()(P S P D -成正比, 即有微分方程)0()]()([>-=k P S P D k dtdP(1.3) 在)(P D 和)(P S 确定情况下, 可解出价格与t 的函数关系，这就是商品的价格调整模型. 在本章第一节例3已经假设, 某种商品的价格变化主要服从市场供求关系. 一般情况下,商品供给量S 是价格P 的单调递增函数, 商品需求量Q 是价格P 的单调递减函数, 为简单起见, 分别设该商品的供给函数与需求函数分别为P P Q bP a P S βα-=+=)(,)( (8.6)其中βα,,,b a 均为常数, 且.0,0>>βb当供给量与需求量相等时, 由(8.6)可得供求平衡时的价格baP e +-=βα 并称e P 为均衡价格.一般地说, 当某种商品供不应求, 即Q S <时, 该商品价格要涨, 当供大于求, 即Q S >时, 该商品价格要落. 因此, 假设t 时刻的价格)(t P 的变化率与超额需求量S Q -成正比, 于是有方程)]()([P S P Q k dtdP-= 其中,0>k 用来反映价格的调整速度.将(8.6)代入方程, 可得)(P P dtdPe -=λ (8.7) 其中常数,0)(>+=k b βλ方程(8.7)的通解为t e Ce P t P λ-+=)(假设初始价格,)0(0P P =代入上式, 得,0e P P C -=于是上述价格调整模型的解为t e e e P P P t P λ--+=)()(0由于0>λ知, +∞→t 时, .)(e P t P →说明随着时间不断推延, 实际价格)(t P 将逐渐趋近均衡价格e P .四、人才分配问题模型每年大学毕业生中都要有一定比例的人员留在学校充实教师队伍, 其余人员将分配到国民经济其他部门从事经济和管理工作. 设t 年教师人数为),(1t x 科学技术和管理人员数目为),(2t x 又设1外教员每年平均培养α个毕业生, 每年人教育、科技和经济管理岗位退休、死亡或调出人员的比率为βδδ),10(<<表示每年大学生毕业生中从事教师职业所占比率),10(<<δ于是有方程111x x dt dx δαβ-= (8.8) 212)1(x x dtdx δβα--= (8.9) 方程(8.8)有通解t e C x )(11δαβ-=(8.10)若设,)0(101x x =则,101x C =于是得特解tex x )(101δαβ-= (8.11) 将(8.11)代入(8.9)方程变为te x x dtdx )(1022)1(δαββαδ--=+ (8.12) 求解方程(8.12)得通解t te x eC x )(122)1(δαβδββ---+= (8.13)若设,)0(202x x =则,110202x x C ⎪⎪⎭⎫⎝⎛--=ββ于是得特解 tt ex e x x x )(101020211δαβδββββ--⎪⎪⎭⎫ ⎝⎛-+⎥⎦⎤⎢⎣⎡⎪⎪⎭⎫ ⎝⎛--= (8.14) (8.11)式和(8.14)式分别表示在初始人数分别为)0(),0(21x x 情况, 对应于β的取值, 在t 年教师队伍的人数和科技经济管理人员人数. 从结果看出, 如果取,1=β即毕业生全部留在教育界, 则当∞→t 时, 由于,δα>必有+∞→)(1t x 而,0)(2→t x 说明教师队伍将迅速增加. 而科技和经济管理队伍不断萎缩, 势必要影响经济发展, 反过来也会影响教育的发展. 如果将β接近于零. 则,0)(1→t x 同时也导致,0)(2→t x 说明如果不保证适当比例的毕业生充实教师选择好比率β, 将关系到两支队伍的建设, 以及整个国民经济建设的大局.五、追迹问题设开始时甲、乙水平距离为1单位, 乙从A 点沿垂直于OA 的直线以等速0v 向正北行走; 甲从乙的左侧O 点出发, 始终对准乙以)1(0>n mv 的速度追赶. 求追迹曲线方程, 并问乙行多远时, 被甲追到.解 设所求追迹曲线方程为).(x y y =经过时刻t , 甲在追迹曲线上的点为),,(y x P 乙在点).,1(0t v B 于是有,1tan 0xyt v y --='=θ (8.15) 由题设, 曲线的弧长OP 为,1002t nv dx y x='+⎰解出t v 0代入(8.15), 得.11)1(02⎰'+=+'-x dx y ny y x 两边对x 求导, 整理得.11)1(2y ny x '+=''- 这就是追迹问题的数学模型.这是一个不显含y 的可降阶的方程, 设p y x p y ''=''='),(, 代入方程得211)1(p np x +='- 或 ,)1(12x n dxp dp -=+两边积分, 得|,|ln |1|ln 1)1ln(12C x np p +--=++即 .1112nxC p p -=++ 将初始条件00||==='x x p y 代入上式, 得.11=C 于是,1112nxy y -='++' (8.16)两边同乘,12y y '+-'并化简得,112n x y y --='+-' (8.17)(8.16)与(8.17)式相加, 得,11121⎪⎭⎫ ⎝⎛---='n n x x y两边积分, 得.)1(1)1(121211C x n n x n ny nn nn +⎥⎦⎤⎢⎣⎡-++---=+- 代入初始条件0|0==x y 得,122-=n nC 故所求追迹曲线方程为 ),1(11)1(1)1(2211>-+⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡+--+-=-+n n n n x n x n y n n n n甲追到乙时, 即曲线上点P 的横坐标,1=x 此时.12-=n n y 即乙行走至离A 点12-n n个单位距离时被甲追到.五、差分方程在经济学中的应用采用与微分方程完全类似方法，我们可以建立在经济学中的差分方程模型，下面举例说明其应用.1.“筹措教育经费”模型某家庭从现在着手, 从每月工资中拿出一部分资金存入银行, 用于投资子女的教育, 并计算20年后开始从投资账户中每月支取1 000元, 直到10年后子女大学毕业并用完全部资金. 要实现这个投资目标, 20年内要总共筹措多少资金? 每月要在银行存入多少钱? 假设投资的月利率为0.5%, 为此, 设第t 个月, 投资账户资金为,t a 每月存资金为b 元, 于是20年后, 关于,t a 的差分方程模型为1000)005.1(1-=+t t a a (9.11)且.,00120x a a ==2. 价格与库存模型本模型考虑库存与价格之间的关系设)(t P 为第t 个时段某类产品的价格, )(t L 为第t 个时段的库存量. L 为该产品的合理库存量. 一般情况下, 如果库存量超过合理库存, 则该产品的售价要下跌, 如果库存量低于合理库存, 则该产品售价要上涨, 于是有方程)(1t t t L L k P P -=-+ (9.13)其中k 为比例常数.3. 国民收入的稳定分析模型本模型主要讨论国民收入与消费和积累之间的关系问题.设第t 期内的国民收入t y 主要用于该期内的消费t G , 再生产投资t I 和政府用于公共设施的开支G (定为常数), 即有G I C y t t t ++= (9.17)又设第t 期的消费水平与前一期的国民收入水平有关, 即)10(1<<=-A Ay C t t (9.18)第t 期的生产投资应取决于消费水平的变化, 即有)(1--=t t t C C B I (9.19)由方程(9.17), (9.18), (9.19)合并整理得G BAy y B A y t t t =++---21)1( (9.20)于是, 对应A , B , G 以及,,0y y 可求解方程, 并讨论国民收入的变化趋势和稳定性.。
逻辑斯蒂增长模型
逻辑斯蒂增长模型逻辑斯蒂增长模型(Logistic growth model)逻辑斯蒂增长模型又称自我抑制性方程。
用植物群体中发病的普遍率或严重度表示病害数量(x)，将环境最大容纳量k 定为1(100%)，逻辑斯蒂模型的微分式是：dx/dt=rx(1-x) 式中的r为速率参数，来源于实际调查时观察到的症状明显的病害，范。
德。
普朗克(1963)将r称作表观侵染速率(apparent infection rate)，该方程与指数模型的主要不同之处，是方程的右边增加了(1-x)修正因子，使模型包含自我抑制作用。
逻辑斯蒂曲线通常分为5个时期：1.开始期，由于种群个体数很少，密度增长缓慢。
2.加速期，随个体数增加，密度增长加快。
3.转折期，当个体数达到饱和密度一半（K/2),密度增长最快。
4.减速期，个体数超过密度一半（K/2)后，增长变慢。
5.饱和期，种群个体数达到K值而饱和。
逻辑斯蒂方程有几种不同的表达形式；三中通用形式，外加一种积分形式，如下：dN/dt=rN*(K-N)/K或dN/dt=rN-(r*N^2)/K或dN/dt=rN(1-N/K)和积分形式Nt=K/[1+e^(a-n)]其中dN/dt是种群增长率（单位时间个体数量的改变），r是比增长率或内禀增长率，N是种群的大小（个体的数量），a是积分常数，它决定曲线离原点的位置，K是可能出现的最大种群数（上渐近线）或承载力。
Lotka-Volterra模型20世纪40年代，Lotka（1925）和Volterra（1926）奠定了种间竞争关系的理论基础，他们提出的种间竞争方程对现代生态学理论的发展有着重大影响。
Lotka-Volterra模型（Lotka-Volterra种间竞争模型）是对逻辑斯蒂模型的延伸。
现设定如下参数：N1、N2：分别为两个物种的种群数量K1、K2：分别为两个物种的环境容纳量r1、r2 ：分别为两个物种的种群增长率依逻辑斯蒂模型有如下关系：dN1 / dt = r1 N1（1 - N1 / K1）其中：N/K可以理解为已经利用的空间（称为“已利用空间项”），则（1-N/K）可以理解为尚未利用的空间（称为“未利用空间项”）当两个物种竞争或者利用同一空间时，“已利用空间项”还应该加上N2种群对空间的占用。
逻辑斯谛增长曲线的形成过程及各阶段的特征
减速期，个体数超过密度一半（K/2)后，增长变慢
生物种群发展的第四个阶段就是减速期，这时候 个体数超过密度一半（K/2)，生物的各种发展条 件已经不能容纳更多生物的生长了，于是生物的 生长数量变慢。 （这与我国的GDP增长相类似）
饱和期，种群个体数达到K值而饱和。
当种群的增长达到环境条件所允许的最大值时， 即达到了饱和期，种群个体数达到K值而饱和， 种群数量很难再有所增长了。
转折期，当个体数达到饱和密度一半（K/2),密度增长最快
当生物个体数达到饱和密度一半（K/2)时，表明生物种群 已经充分利用生态资源进行自我生长，这时生物种群发展 到转折期，这个时期也是生物种群密度增长最快的时期。
如果人们能够把种群密度始终控制在K/2的范围内， 那么就可以对种群多余的部分进行捕捞或采集这样既 可以让经济生物保持最快的增长，又能为人类创造巨 大的利益，实现人与自然的双赢。
转折期当个体数达到饱和密度一半k2密度增长最快如果人们能够把种群密度始终控制在k2的范围内那么就可以对种群多余的部分进行捕捞或采集这样既可以让经济生物保持最快的增长又能为人类创造巨大的利益实现人与自然的双赢
逻辑斯谛增长曲线的形成过程及各阶段的特征
逻辑斯蒂增长模型
逻辑斯蒂增长模型又称自我抑制性方程。用植物群体中发 病的普遍率或严重度表示病害数量(x)，将环境最大容纳 量k定为1(100%)。
开始期:种群个体数很少，密度增长缓慢
开始期是生物种群刚开始发展的阶段，所以处于这个阶段的 生物种群比较少，生物种群个体数量很少，密度增长比较缓 慢，同时这个时期又被称潜伏期，但这个时期也是动植物为 以后的生长集蓄力量的时期。
返回
加速期：随个体数增加，密度增长加快。
经历过开始期后，生物种群对所处的生态环境有了 一定的适应后，各方面的条件都比刚开始的时候优 越了很多，于是生物种群的生长会进入一个加速期。 而随着加速期生物个体数量的增加，其密度增长也 会随之加快。
详解逻辑斯蒂增长模型
详解逻辑斯蒂增长模型
逻辑斯蒂增长模型（Logistic Growth Model）是一种描述某一种生物种群、经济市场或其他类型的增长过程的数学模型。
该模型基于逻辑斯蒂方程，通过考虑资源约束和环境影响来解释种群或市场的增长趋势。
逻辑斯蒂增长模型的方程可以表示为：
\[ \frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right) \]
\(N\)表示种群或市场的规模，\(t\)表示时间，\(r\)是增长率，\(K\)是系统的容量极限。
该方程有两个部分，第一部分\(rN\)表示无资源限制情况下的指数增长率。
第二部分\(\left(1 - \frac{N}{K}\right)\)表示资源的稀缺性，它限制了增长率，并且当种群或市场接近极限 \(K\) 时，增长率趋近于零。
逻辑斯蒂增长模型的解析解可以通过分离变量和积分得到：
\[ N(t) = \frac{K}{1 + \left(\frac{K}{N_0} - 1\right) e^{-rt}} \]
\(N_0\)表示初始规模，这里表示时间 \(t=0\) 时刻的规模。
逻辑斯蒂增长模型的重要特征是饱和增长。
在初始阶段，种群或市场增长迅速，但随着时间的推移，增长率逐渐减小，直到趋于稳定。
这是由资源的有限性所导致的。
逻辑斯蒂增长模型是一种广泛应用于生态学、经济学和社会科学研究中的模型。
它可以帮助我们理解和预测种群或市场的增长趋势，并指导相关决策和政策制定。
逻辑斯蒂增长模型也可以通过拟合观测数据来估计出模型的参数，并进一步对未来的增长进行预测。
逻辑斯蒂增长曲线预测在农业经济领域中的应用
逻辑斯蒂增长曲线预测在农业经济领域中的应用一、逻辑斯蒂（Logistic）趋势预测模型增长曲线模型用于描述经济变量随时间变化的规律，从已经发生的经济活动中寻找这种规律，并且用于未来的经济预测。
增长曲线模型不属于因果关系模型，因为时间并不是经济活动变化的原因。
常见的增长曲线主要包括以下形式：多项式增长曲线模型、指数增长曲线模型、逻辑斯蒂（logistic）模型等。
逻辑斯蒂模型是经济预测中广泛应用的增长曲线模型，是一条连续的、单调递增的、以参数L为上渐近线的曲线，其变化速度一开始增长较慢，中间段增长速度加快，以后增长速度下降并且趋于稳定。
本文正是以逻辑斯蒂曲线来对湖北省的财政支农情况进行分析与预测。
逻辑斯蒂曲线模型预测法(method of logistic curve model forecasting) 又称推力曲线模型预测法，是根据预测对象具有逻辑曲线变动趋势的历史数据，拟合成一条逻辑斯蒂曲线，通过建立逻辑斯蒂曲线模型进行预测的方法。
逻辑斯蒂曲线是1938年比利时数学家P. F. Verhulst首先提出的一种特殊曲线，后来，近代生物学家R. Pearl和L. J. Reed 两人把此曲线应用于研究人口生长规律。
所以，逻辑曲线又通常称为皮尔生长曲线( Pearl-Reed Growth Curve)，简称皮尔曲线( Pearl-Reed Curve)。
逻辑斯蒂增长模型的常见形式为：,其中，为因变量；为参数，为时间。
他是通过对由下面的增长率模型积分而来：,式中，L为饱和水平，b为增长速度因子。
其一,二阶导数为：令，可得惟一拐点：。
从以上公式可看出逻辑斯蒂曲线的增长趋势以及增长速度的变化情况，当，时，，即刚开始时yt值较小，随着时间的推移，增长速度变得越来越快，当yt 达到饱和水平的一半（）时，增长速度达到最大；当时，，即增长速度变得越来越慢，yt逐渐趋于饱和水平。
由于逻辑斯蒂曲线不可化为简单的线性表达式，所以求解分为两步。
逻辑斯谛方程
年龄和时期 结构
种群的年龄结构是每一年龄阶段个体数目的比率，通 常以年龄金字塔图来表示。既不增长也不下降的种群 有稳定的年龄分布。增长型的种群有更多的年轻个体， 而在下降型种群中年老的个体占优势。当种群经历离 散和发育时期（如昆虫的龄期）时，每一时期个体的 数目（“时期结构”）可以对种群进行有效的描述。 对于生长率无法预测的物种（如植物），根据大小分 类可能更有意义。
H1 种群和种群结构
要
种
点
群 种群是一定区域内同种生物个体的集合。种群间的边 界可以是任意的。种群可以根据组成种群的生物是单 体生物还是构件生物进行分类。在单体生物种群中， 每一受精卵发育成一单个个体。在构件生物种群中， 受精卵发育成一个结构单位，这一结构单位再形成更 多的构件和分支结构。然后这些结构可能分裂，形成 许多无性系分株。
相关主题
出生率、死亡率和种群增长（H2） 密度和密度制约（H3）
竞争的性质（I1） 捕食的性质（J1）
种群动态——波动、周期和混沌（H4）
Age and stage structure
The age structure of a population is the number of individuals in each age class expressed as a ratio, and is usually displayed nor contracting nor contracting will have a stationary age distribution. A growing population will have more young. While a declining population will be dominated by older age classes. Where organisms pass through discrete growth stages (e.g. insect larval instars), the number of individuals at each stage (the ‘stage structure’) may provide a useful description of the population. In species where growth rates are indeterminant (such ax plants), size classes may be more informative. Natality, mortality and population competition (I1) The nature of predation (J1) The nature of growth (H2) Density and density dependence (H3) Population dynamics – fluctuations, cycles and chaos (H4)
逻辑斯蒂公式 曲线
逻辑斯蒂公式曲线
逻辑斯蒂曲线是一条描述种群增长或消亡的数学曲线，它的形状呈现为S形。
在逻辑斯蒂曲线中，种群数量的变化表现为一个S形的曲线图，其中种群数量随着时间的变化先以指数方式增长，然后逐渐趋于稳定。
逻辑斯蒂公式的数学表达式为：N(t)=K/(1+e^(-r(t-t0)))，其中N(t)表示在时间t的种群数量，K表示环境容量，r表示种群增长率，t0表示种群达到最大值的时间。
逻辑斯蒂曲线的形状是由逻辑斯蒂参数决定的，包括环境容量K 和种群增长率r。
当种群数量接近环境容量K时，种群增长速度会逐渐减缓，最终趋于稳定。
逻辑斯蒂曲线可以用来描述多种生物学现象，例如种群数量的变化、疾病的传播、生态系统的平衡等。
在生态学和生物多样性保护领域中，逻辑斯蒂曲线被广泛应用于预测物种数量的变化和制定保护策略。
简述逻辑斯蒂方程的特点及其应用意义
简述逻辑斯蒂方程的特点及其应用意义
逻辑斯蒂方程是一种常用的非线性回归模型，它可以用来描述两个变
量之间的关系。
该方程的特点是具有S形曲线，即在自变量取值较小
或较大时，因变量的增长速度较慢；而在自变量取值中间区间时，因
变量的增长速度较快。
逻辑斯蒂方程通常用于二分类问题，即将某个样本判定为正类或负类。
在这种情况下，因变量通常表示样本属于正类的概率。
例如，在医学
研究中，我们可以使用逻辑斯蒂方程来预测某个人是否患有某种疾病。
在金融风控领域中，我们可以使用逻辑斯蒂方程来评估客户是否有违
约风险。
逻辑斯蒂方程的应用意义主要体现在以下几个方面：
1. 逻辑斯蒂方程具有良好的拟合能力：与线性回归模型相比，逻辑斯
蒂方程能够更好地拟合非线性数据，并且能够避免过拟合问题。
2. 逻辑斯蒂方程具有直观的解释性：逻辑斯蒂方程中的系数可以用来
解释自变量对因变量的影响程度，从而提高了模型的可解释性。
3. 逻辑斯蒂方程适用范围广：逻辑斯蒂方程不仅可以应用于二分类问
题，还可以扩展到多分类问题，例如使用softmax回归模型。
总之，逻辑斯蒂方程是一种常用的非线性回归模型，在许多领域都具有重要的应用价值。
通过使用逻辑斯蒂方程，我们可以更好地理解数据之间的关系，并且能够更准确地预测未知数据。
逻辑斯蒂模型
在一定条件下，生物种群增长并不是按几何级数无限增长的。
即开始增长速度快，随后速度慢直至停止增长（只是就某一值产生波动），这种增长曲线大致呈“S”型，这就是统称的逻辑斯谛（Logistic）增长模型。
意义
当一个物种迁入到一个新生态系统中后,其数量会发生变化.假设该物种的起始数量小于环境的最大容纳量,则数量会增长.增长方式有以下两种：
（1）J型增长若该物种在此生态系统中无天敌,且食物空间等资源充足(理想环境),则增长函数为N(t)=n(p^t).其中,N(t)为第t年的种群数量,t为时间,p为每年的增长率(大于1).图象形似J形。
（2）S型增长若该物种在此生态系统中有天敌,食物空间等资源也不充足(非理想环境),则增长函数满足逻辑斯谛方程。
图象形似S形.。
简述逻辑斯蒂方程的特点及其应用意义
简述逻辑斯蒂方程的特点及其应用意义逻辑斯蒂回归（Logistic Regression）是一种常用的分类算法，其核心是逻辑斯蒂方程（Logistic Equation）。
逻辑斯蒂方程具有以下特点及应用意义。
1. 特点逻辑斯蒂方程是一种S型曲线，可以将线性模型的输出转化为概率值。
具体而言，逻辑斯蒂方程将输入的线性组合通过一个非线性函数（sigmoid函数）映射到[0, 1]的区间上，表示样本属于某个类别的概率。
逻辑斯蒂方程的表达式为：P(y=1|x) = 1 / (1 + e^(-z))其中，P(y=1|x)为样本属于正例的概率，z为线性组合的结果。
2. 应用意义逻辑斯蒂方程在实际应用中具有广泛的应用意义。
2.1 二分类问题逻辑斯蒂方程主要用于解决二分类问题，即将样本划分为两个类别。
通过逻辑斯蒂回归模型，可以根据输入的特征判断样本属于某个类别的概率，并进行分类决策。
2.2 概率预测逻辑斯蒂方程将线性模型的输出转化为概率值，因此可以用于概率预测。
例如，在广告点击预测中，可以利用逻辑斯蒂回归模型预测用户点击广告的概率，从而根据概率进行排序推荐。
2.3 解释性强逻辑斯蒂回归模型的系数可以表示不同特征对结果的影响程度，从而可以解释模型的预测结果。
这种可解释性使得逻辑斯蒂回归在实际应用中更受青睐。
2.4 结果稳定逻辑斯蒂回归模型的参数估计是通过极大似然估计法得到的，这保证了参数的一致性和渐进正态性。
相比于其他分类算法，逻辑斯蒂回归模型的结果更加稳定可靠。
2.5 可解释性强逻辑斯蒂回归模型的系数可以直接反映出不同特征对结果的影响程度，从而具有较强的可解释性。
这在实际应用中能够为决策提供重要的参考。
逻辑斯蒂方程的特点及应用意义使其在许多领域得到广泛的应用。
在医学领域，逻辑斯蒂回归可以用于疾病的风险预测和诊断，通过输入患者的特征变量，如年龄、性别、家族病史等，预测患者患病的概率，并辅助医生进行诊断和制定治疗方案。
逻辑斯蒂模型
逻辑斯蒂模型（Logistic growth model ）1.原始逻辑斯蒂模型：设0t 时刻的人口总数为)(0t N ，t 时刻人口总数为)(t N ，则：⎪⎩⎪⎨⎧==00)(N t N rN dt dN 但是这个模型有很大的局限性：只考虑出生率和死亡率，而没有考虑环境因素，实际上人类生存的环境中资源并不是无限的，因而人口的增长也不可能是无限的。
此人口模型只符合人口的过去而不能用来预测未来人口总数。
2.改进逻辑斯蒂模型：考虑自然资源和环境对人口的影响，实际上人类所生存的环境中资源并不是无限的，因而人口的增长也不可能是无限的，因此，将人口增长率为常数这一假设修改为：⎪⎩⎪⎨⎧=-=002)(N t N KN rN dt dN其中K r ,称为生命系数分析如下：rt t t e rK N r K t N -∞→∞→-+=)1(1lim )(lim 0 0)1(1lim 0⋅-+=∞→r K N r K t=Kr N KN r KN r KN r dt dN KN r dt dN KN dt dN r dtN d ))(2)(2()2(222---=-=-= 说明：（1）当∞→t 时，K r t N →)(，结论是不管其初值，人口总数最终将趋向于极限值K r /；（2）当K r N00时，0)(2 N Kr KN KN rN dt dN -=-=，说明)(t N 是时间的单调递增函数；（3）当K r N 2 时，022 dt N d ，曲线上凹，当K r N 2 时，022 dt N d ，曲线下凹。
表九用spss软件得到各观察值所对应的拟核值，残差值和标准残差拟合值97077.7 101458.9 105412.6 108940.84 112057.91 114787.4 117159.2 残差-818.74 -2753.91 438.35 3763.15 2275.08 1035.51 11.73标准残-0.7505 -2.0548 0.3051 2.5699 1.5537 0.7098 0.0080 差拟合值119206.2120962.7122462.4123737.3124817.2125729.2126497.3残差-689.28-1112.76-1341.41-1348.34-1191.28-968.25-711.37标准残-0.4707-0.7540-0.9009-0.8985-0.7899-0.6410-0.4720差拟合值127142.9127684.4128138.0128517.4128834.5129099.2残差-399.93-57.47314.93709.501153.451656.76标准残-0.2670-0.03870.21470.49060.81010.941差从新数据得到F＝372.3471 p值＝0.001从新数据得到相关系数R＝0.9888,相关性比较强，说明这种拟合是比较贴切的,本文建立逻辑斯蒂模型：0.8840.185=+y e--130517.5/(1)x。
逻辑斯蒂增长模型
逻辑斯蒂增长模型逻辑斯蒂增长模型作为一种经典的数学模型，在现代科学与经济学领域中得到广泛应用。
其本质是基于逻辑斯蒂函数的建模方法，用于描述一种增长过程的特征与规律。
在本文中，将介绍逻辑斯蒂增长模型的基本概念、数学表达式及其在实际应用中的意义和局限性。
逻辑斯蒂增长模型的基本概念逻辑斯蒂增长模型是一种描述增长过程的模型，通常用来预测某个变量随时间的变化趋势。
其基本思想是假设增长率随变量值的大小而变化，呈现出一种“饱和”或“取值范围”效应。
逻辑斯蒂增长模型的数学形式可以表示为一个微分方程，其中包含了几个参数，如增长率、最大值等。
逻辑斯蒂增长模型的数学表达式逻辑斯蒂增长模型的数学表达式通常可以用以下方程表示：$$ \\frac{dX}{dt} = r \\cdot X \\cdot (1 - \\frac{X}{K}) $$在这个方程中，X代表变量的值，t代表时间，r代表增长率，K代表模型中的饱和值。
这个方程表明了随着变量X的增大，增长率也会随之变化，并趋向于一个稳定的值K。
这符合逻辑斯蒂增长模型对现实世界中各种增长过程的描述。
逻辑斯蒂增长模型的应用逻辑斯蒂增长模型在科学研究和经济学领域有着广泛的应用。
在生物学中，逻辑斯蒂增长模型可以用来描述生物种群的增长趋势；在经济学中，逻辑斯蒂增长模型可以用来预测市场需求的变化和公司发展的趋势。
此外，逻辑斯蒂增长模型还可以应用于人口统计学、医学等领域。
逻辑斯蒂增长模型的局限性然而，逻辑斯蒂增长模型也存在一些局限性。
首先，在拟合实际数据时，对参数r和K的估计可能存在误差，导致模型预测的不准确性。
其次，逻辑斯蒂增长模型假设增长率是连续变化的，而在某些实际情况中，增长率可能会呈现出非连续、非线性的特点，这就限制了逻辑斯蒂增长模型的适用范围。
综上所述，逻辑斯蒂增长模型作为一种经典的数学模型，可以有效地描述一种增长过程的特征与规律，在实际应用中具有一定的意义和价值。
然而，我们也要认识到逻辑斯蒂增长模型的局限性，不能将其作为解决所有增长过程的通用模型，需要结合具体情况进行分析和应用。
s型曲线的数学原理
s型曲线的数学原理
S型曲线是一个在数学和工程领域中常用的曲线。
根据具体应用领域的不同，S型曲线具有不同的形式和原理。
以下为您介绍其中两种情况：
1. 逻辑斯谛方程（Logistic Equation）：在生态学中，如果一个物种在非
理想环境中生存，如存在天敌、食物和空间资源不充足等，其种群增长可能会遵循逻辑斯谛方程。
这个方程描述的种群增长曲线呈S形，即开始时增长缓慢，中间阶段增长加速，最后阶段增长减缓。
2. S型速度曲线控制算法：在工业控制领域，S型曲线是一种常用的加减速控制策略。
这种曲线可以克服T型曲线加速度不连续的问题，实现加速度的连续变化。
具体来说，S型曲线的加速度变化过程包括增加、恒定和减小三个阶段，反映到速度变化上则是一条平滑的S型曲线。
以上内容仅供参考，如需更多信息，建议查阅数学或工程学专业书籍。
只有逻辑斯谛方程
逻辑斯谛方程（logistic equation，或译成阻滞方程）
dN rN( K N ) rN(1 N )
dt
K
K
N:种群个体数，r:种群瞬时增长率，t:时间
其积分式为N，t
1
K eart
1.如果种群数量N接近0，那么
(1
N K
)
就接近1，种群增
长就接近指数增长。 2.如果种群数量N接近K，那么
[实验目的]
（1）认识到任何种群数量的动态变化都受到环境条件的制约 （2）领会logistic model 生物学特性参数r与环境因子参数K的重要作用 （3）学会通过实验估算这两移液器 鲁哥氏固定液 草履虫
[方法与步骤]
1.准备草履虫原液、草履虫培养液
周一组（16号）26号做完，报告29号晚8-10 点交
周二组（17号）27号做完，报告29号晚8-10 点交
周四组（19号）29号做完，报告5月7号晚10 点之前交
每天下午4点30到6点来实验室计数
当
时N，t 种K群为零增长，即
dd；Nt 0
②增长率随密度上升而降低的变化是按比例的。最简单的是每
增加一个个体，就产生1／K的抑制影响。例如K=100，每增加
一个体，产生0.01影响，或者说，每一个体利用了1／K的“空
间”，N个体利用了N／K的“空间”，而可供种群继续增长的
“剩余 1 N 空间”只有 K 。
N
Ln( K N ) a rt N
设： y Ln( K N )
N
b r
x t 则： y a bx
根据一元线性回归方程统计方法得： X 自变量 x的均值
n
逻辑斯谛（Logistic）映射
逻辑斯谛（Logistic）映射§4 从倍周期分定⾛向混沌4-1 逻辑斯谛（Logistic ）映射我们将以⼀个⾮常简单的数学模型来加以说明从倍周期分定⾛向混沌现象。
该模型称为有限环境中⽆世代交替昆⾍⽣息繁衍模型。
若昆⾍不加以条件控制，每年增加λ倍，我们将⼀年作为⼀代，把第⼏代的⾍⽇记为，则有：i N o i i i N N N 11++==λλ (4-1)i N ,1>λ增长很快，发⽣“⾍⼝爆炸”，但⾍⼝太多则会由于争夺有限⾷物和⽣存空间，以及由于接触传染导致疾病曼延，使⾍⼝数⽬减少，它正⽐于，假定⾍⼝环境允许的最⼤⾍⼝为，并令2i N o N oii N N x =，则该模型由⼀个迭代⽅程表⽰： 21i i i N N N λλ?=+即为：)1(1i i i x x x ?=+λ（4-2）其中：]4,0[],1,0[∈∈λi x 。
（4-2）式就是有名的逻辑斯谛映射。
4-2 倍周期分歧⾛向混沌借助于对这⼀⾮线性迭代⽅程进⾏迭代计算，我们可以清楚地看到⾮线性系统通过倍周期分岔进⼊混沌状态的途径。
（⼀）迭代过程迭代过程可以⽤图解来表⽰。
图4-1中的⽔平轴表⽰，竖直轴表⽰，抛物线表⽰（4-2）式右端的迭代函数。
45o线表⽰n x 1+n x n n x x =+1的关系。
由⽔平轴上的初始点作竖直线，找到与抛物线的交点，A 的纵坐标就是。
由点)0,(0x R ),(10x x A 1x),(10x x A 作⽔平直线，求它与45o线的交点，经B 点再作竖直线，求得与抛物线的交点，这样就得到了。
仿此做法可得到所迭代点。
),(11x x B ),(21x x 2x 从任何初始值出发迭代时，⼀般有个暂态过程。
但我们关⼼的不是暂态过程，⽽是这所趋向的终态集。
终态集的情况与控制参数λ有很⼤关系。
增加λ值就意味着增加系统的⾮线性的程度。
改变λ值，不仅仅改变了终态的量，⽽且也改变了终态的质。
它所影响的不仅仅是终态所包含的定态的个数和⼤⼩，⽽且也影响到终态究竟会不会达到稳定。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
逻辑斯蒂方程及经济学应用
梁美娟，生物0801,20080205035
摘 要：逻辑斯蒂方程是一种非线性微分方程，其数学模型S 型曲线模型被广泛应用于描述事物的增长，本文系统的阐述了该方程的历史和演变，分析其生态学意义，并说明了该模型在经济学上的应用。
关键词：逻辑斯蒂方程；Lotka-V olterra 模型；前景理论；S 型曲线
一 前言
逻辑斯蒂方程广泛应用于描述客观事物的S 型变化现象。
逻辑斯蒂数学模型是一条单调递增的，单参数k 为渐近线的S 型曲线。
基本数量特征是当t 很小的时，呈指数增长，而当t 很大时，增长速度下降，且接近一个值（k ）趋于平稳。
利用它我们可以表征种群的数量动态，描述客观事物增长过程，还可以对满足该方程的现象进行预测，有助于相关政策的制定。
另外，logistic 方程还可以作为其它模型如Lotka-V olterra 竞争模型的理论基础。
二．逻辑斯蒂方程的历史和演变
最早在1798年，英国统计学家Malthus(1766-1843)的《人口原理》中提出闻名于世的Malthus 人口模型。
假设：在人口自然增长过程中，相对净增长率（出生率减死亡率）为常数，即单位时间人口的增长是与人口正比例，比例系数r 。
⎪⎩⎪⎨⎧==0
)(0N N rN dt dN t （1） 该模型准确反映了1700-1964年的人口增长，表明人口以指数规律随时间无限增长。
但不是适应与以后的增长。
因地球上各资源只可供一定数量的人生活，人口增加，环境的限制越来越明显，r 减少。
1838年，比利时数学家P.F.Verhulst 引入N m ，表示自然条件所能容纳的最大人口数，Verhulst 假设的有限环境的物种相对增长率为
⎪⎩⎪⎨⎧=-=0
)(0)1(N N N K N r dt dN t (2) 由曲线得出以下结论：不管初值为多少，人口总量最终接近于极限值K ，极限值的一半（即r/2K ）前，是加速生长的时候，过了这一点以后，增长速度减少，并且迟早会达到零。
三、逻辑斯蒂方程的生态学应用
1、在种群生态学中，种群的增长是一个复杂的问题，，由于种群手到诸多因素的影响，如环境条件、营养条件、出生率、死亡率、个体基数及时代特征等。
⎪⎩⎪⎨⎧=-=0
)(0)1(N N N K N r dt dN t (3) 逻辑斯蒂模型中各参数的生态意义：K 为环境容纳量,它表示每个个体在没有收到抑制作用使得最大增长率，N 代表当时种群的数量。
逻辑斯蒂方程也可以作以下理解：由于资源最多仅能维持K 个个体，故每个个体平均所需要的资源为总资源的1/K 。
在t 时刻Nt 个个体共消耗总资源的Nt/K ，此时剩余1-Nt/K 。
因此逻辑斯蒂方程反映了种群的相对增长率与当时所剩的资源份量呈正比。
当一个物种迁入到一个新生态系统中后,其数量会发生变化.假设该物种的起始数量小于环境的最大容纳量,则数量会增长.增长方式有以下两种：（1） J 型增长若该物种在此生态系统中无天敌,且食物空间等资源充足(理想环境),则增长函数为N(t)=n(p^t).其中,N(t)为第t 年的种群数量,t 为时间,p 为每年的增长率(大于1).图象形似J 形。
（2） S 型增长若该物种在此生态系统中有天敌,食物空间等资源也不充足(非理想环境),则增长函数满足逻辑斯谛方程。
图象形似S 形
.
图1 逻辑斯蒂模型
在物种竞争中的应用---Lotka-V olterra 模型。
有物种A 、B,共同生活在同一环境中，两个物种的环境容纳量分别为K A 和K B ,但因两物种为竞争关系，一个物种的存在会对另一物种产生影响，影响系数分别为βα、，两个物种的增长按逻辑斯蒂方程所描述：
A 在竞争中种群的增长方程为:
()⎪⎪⎭
⎫ ⎝⎛+-=A B A A A A A K N N K N r dt dN α (4) B 在竞争中种群的增长方程为:
()⎪⎪⎭
⎫ ⎝⎛+-=B B B B B B B K N N K N r dt dN β (5) 因两物种在个体大小、生活方式、生物学特征及竞争方面均有差别，所以
KA和KB、α和β数值均不同。
而两物种的竞争结果由它们的竞争系数和环境容载量的比值关系决定。
产生四种结果：
表1 竞争结果
向不同的生态位发展，因为生态位是多维的，这样使得两物种的竞争减少。
四逻辑斯蒂方程的经济学应用
“前景理论”(prospect theory)翻译为“预期理论”，在不同的风险预期条件下，人们的行为倾向是可以预测的。
预期理论的一个重要特点就是价值是由财富的变化决定的而不是个体的最终财富。
也就是说，在不确定的条件下，人们的偏好是由财富的增量而不是总量决定的，所以人们对于损失的敏感度要高于收益，这种现象称作损失规避（loss aversion）。
在此，Kahneman和Tversky 用价值函数(value function)取代了传统效用理论中的效用函数，价值函数表现在正的增量是凹的，表现在负的增量则是凸的。
也就是，人们在盈利的情况下表现为风险厌恶者，而在已经损失的情况下表现为风险追求者，而不是一直都是风险厌恶者。
现实生活中，我们发现在上一轮赌局中遭受损失的人会更有参加下一轮赌局的冲动，此时他成为风险追求者。
前景理论是描述性范式的一个决策模型，它假设风险决策过程分为编辑和评价两个过程。
在编辑阶段，个体凭借“框架”（frame）、参照点（reference point）等采集和处理信息，在评价阶段依赖价值函数（value function）和（主观概率）的权重函数（weighting function)对信息予以判断。
在价值函数是经验型的，它有三个特征，一是大多数人在面临获得时是风险规避的；二是大多数人在面临损失时是风险偏爱的；三是人们对损失比对获得更敏感。
因此，人们在面临获得时往往是小心翼翼，不愿冒风险；而在面对失去时会很不甘心，容易冒险。
人们对损失和获得的敏感程度是不同的，损失时的痛苦感要大大超过获得时的快乐感。
图2 价值函数
参考文献：
[1]吉蕴,李祖平.逻辑斯蒂模型及其应用[J].潍坊学院学报,2009,9(5),1
[2]吉蕴、朱向东.常微分方程在数学建模中的应用[M]2006，2（2）
[3]萨缪尔森，诺德豪斯.经济学（第18版）人民邮电出版社47-50，52-60
[4]牛翠娟,基础生态学（第二版）,高等教育出版社77-80,132-134。