目錄
問題的提出
馬爾薩斯人口模型
邏輯回歸模型
1.問題的提出馬爾薩斯人口問題是對群體增長的**,由馬爾薩斯提出,同時他還寫了一本關於人口增長的書,整本書的研究均像歐幾里得研究幾何學一樣,採用公理化來研究,他提出的兩條基本公理為:
由此,我們可以建立對應的研究物件:t→
p(t)
其中t代表時間,p(
t)代表時刻t的人口,我們認為人口雖時間變化,當然它肯定還受其他多方面的因素影響,這只是我們對這個問題的簡化。
我們希望達到的目標有兩個:
**未來的某一t時刻的人口有多少?當t
→∞,人口有多少?
這是我們的問題,如何解決呢?
2.馬爾薩斯人口模型高爾斯在《數學》中也談到了這個問題,人口可以表示成乙個數對:(t
,p(t
))其中t代表時刻,p(
t)代表了時刻t的人口。另外我們用b,d表示出生率和死亡率。
如果2023年的總人口是p,那2023年的出生人數和死亡人數就是bp,dp,因此2023年的總人數為:p+
bp−d
p=(1
+b−d
)p=(
1+r)
p 這樣的計算,是屬於離散的模型,因為時間的跨度是一年,但人口的出生和死亡在不同時刻都有,為了把它變成連續的模型,我們借助積分的思想,計算一下在某一小段時間內,人口的增長情況,可以有:p(
t+∇t
)−p(
t)=r
p(t)
∇t 在
∇t這段時間內的人口增長為:增長
率xt時
刻的人口
x時間
把∇t 除過來:p(
t+∇t
)−p(
t)∇t
=rp(
t)取極限了令∇t
→0就可以得到微分方程:dp
(t)d
t=rp
(t)
假設初始時刻t0
的人口為p(
t0) ,使用分離變數法求解微分方程的處置問題,可得:dp
(t)p
(t)=
rdt→
∫tt0
dp(t
)p(t
)=∫t
t0rd
t 化簡求解得:p(
t)=p
(t0)
er(t
−t0)
如果使用這個函式來描述人口增長的話,人口是呈指數增長的,因此馬爾薩斯說我們要加以控制人口。
然後用這個模型來回答我們的兩個問題:
得到這樣的模型之後,馬爾薩斯使用當時的英國人口資料來驗證,發現那時候的人口確實呈指數增長的。
通過這個小案列,我們發現數學建模其實是乙個迴圈的過程,表示如下:
我們在現實生活中得到乙個問題,然後然後把它表示成數學表示式,將這個表示式作為我們的研究物件,然後使用一系列數學理論知識求解這個表示式,得到問題的解決方案。然後再把解決方案和現實的問題比對,不斷改進,迭代模型,這就是所謂的研究。
3.邏輯回歸模型由馬爾薩斯人口模型,我們發現在當時確實被認為是正確的,但是在今天是否還在適用呢?顯然這個模型是不再適用了的,我們人口增長,或者說種群的增長是存在乙個閥值的,因為增長率不是一直固定不變的,那我們該怎麼描述這個增長率的變化呢?假設增長率是隨時間變化的,我們可以把增長率描述成乙個關於t的函式:r(
t)=r
(p(t
))=(
1−p(
t)k)
它是通過人口的變化而變化的,且存在乙個閥值k,使得dp
dt=r
p(1−
nk)
更加詳細的關於邏輯回歸解釋可以參考這篇文章:【機器學習系列之二】邏輯回歸(lr,logistic regression)這篇主要從機器學習的應用出發講解的,較為詳細。
這個模型事實上是連續的,因為∇t
→0,如果我們把這個微分方程離散化,變成差分方程可以寫成:∇n
∇t=r
n(1−
nk)
假如把離散步長直接設成1,可以有:∇n
=nt+
1−nt
,∇t=
1 化簡可得:nt
+1−n
t=rn
(1−n
k)即:nt
+1=(
1+r)
nt−r
kn2t
假如我們從數學的問題出發,取定k,改變r,看一下這個差分方程會有什麼變化呢?
所以當r非常小的時候,是趨於穩態的,當r在慢慢變大之後,開始呈現週期性,而且r越大,週期的越長,放大這個尺度,如圖所示:
當r一開始時,它是乙個穩態,然後變成了乙個2週期解,然後變成4週期,8,16週期的,整個現象我們稱為倍週期的。同時,對最後這種很特別的現象,我們稱之為混沌。
再回想一下我們對邏輯回歸的整個**過程,我們先從原來的人口模型中,增加更多的變數,考慮更多的東西,然後得到邏輯回歸模型,然後把邏輯回歸的方程變成差分方程,然後用純數學的方法來**這個方程有什麼樣的性質,這其實就是乙個研究的過程。
數學建模 馬爾薩斯的人口模型及感性認識
首先值得一提的是 數學模型分為機理型模型和統計回歸模型。顯而易見,在這裡的是機理型模型,這是乙個自己構建數學函式的過程,區別於統計回歸用matlab來構造乙個函式的過程。這次人口論模型的構建分為三個部分,分別講述了最基礎的馬爾薩斯模型,公升級版的logistic模型和現代版的leslie模型,主要是...
數學建模感想
數學建模開始的時候於九月十三號晚上,當晚我們要開始選題,本這a題簡單,能看懂的原則,我們選擇了a題,然後我們三個小個人開始找資料和模板,直到晚上九點半的時候,老師來給我們講,選b題可能獲獎的機率大。因為b題是以 為主,而且題目有點長,難理解,選的人相對少一點,最後的最後,我們果斷的選擇b題了,我們當...
數學建模2
蒙特卡羅演算法。該演算法又稱隨機性模擬演算法,也稱統計實驗方法。是通過計算機 來解決問題的演算法,同時可以通過模擬來檢驗自己模型的正確性。資料擬合 引數估計 插值等資料處理演算法。比賽中通常會遇到大量的資料需要處理,而處理資料的關鍵就在於這些演算法,通常使用matlab輔助,與圖形結合時還可處理很多...