拓冰网站定制 
如果要我在数学建模竞赛涉及生态、资源分配或市场占有率之类的题目里挑一个最常用、却最容易被低估的模型我会选种群竞争模型。第一次接触它是在备赛集训当时我的想法很简单这不就是把两个 Logistic 方程拼在一起吗直到真正在赛题里用它做预测、做稳定性分析、做灵敏度检验我才发现这个模型背后的微分方程结构、平衡点判定逻辑以及对“竞争系数”的深刻理解才是拿分的关键。这篇文章是我整理的一份完整学习笔记面向正在备战国赛、美赛、华为杯或者任何需要用到生态模型的数学建模场景的读者。我会从模型假设、方程推导、稳定性判据、数值模拟、论文呈现这几个维度把种群竞争模型讲透并且把我自己踩过的坑一并写出来希望对你有实际帮助。1. 这个模型不是“两个logistic曲线放一起”那么简单很多人第一次看到种群竞争模型的方程组反应都是哦就是两个物种各自按 Logistic 增长然后互相减一点数量。这个理解方向没有错但如果你只停留在这一层写出来的论文很容易被评委一眼看穿——因为你没有讲清楚竞争系数到底怎么来的也没有解释模型在什么条件下成立。1.1 模型描述的到底是什么场景种群竞争模型Lotka-Volterra 竞争模型描述的是两个物种为了共同的食物、空间或其他资源展开竞争时的种群数量变化。注意这里说的是“竞争”而不是“捕食”。捕食模型里一个物种吃另一个数量此消彼长竞争模型里两个物种互不直接伤害但会因为争夺同一份资源而互相拖累。典型的例子包括同一片草原上的牛和羊都吃草草的总量有限。同一片水域中的两种鱼类食物谱重叠。同一块市场份额中两家公司争夺相同的用户群体。这些场景的共同点是单独一个物种存在时数量会趋向于环境容纳量两个物种同时存在时总资源被分摊各自的增长都会受到对方存在的额外抑制。这个“额外抑制”就是竞争系数要刻画的东西。1.2 它和 Logistic 增长、捕食模型的区别先看单个物种的 Logistic 方程[ \frac{dx}{dt}r x\left(1-\frac{x}{K}\right) ]这里 (r) 是内禀增长率(K) 是环境容纳量。它表达的是“资源有限所以种群不能无限增长”。捕食模型Lotka-Volterra 捕食模型则把两个物种的关系写成一个增加、一个减少[ \frac{dx}{dt}ax-bxy,\quad \frac{dy}{dt}-cydxy ]种群竞争模型在形式上介于两者之间两个物种都按 Logistic 方式增长但各自的容纳量被对方侵占了一部分。所以如果把竞争系数设成 0方程就退化成两个互不干扰的 Logistic 方程如果把竞争系数设得非常大模型就会表现出类似于“你死我活”的排斥结局。这种“退化”和“极端”的检验是我们在建模论文里经常要做的模型验证工作。1.3 为什么竞赛里爱考这个模型从这些年国赛、美赛的题目趋势看凡是涉及生物多样性、资源管理、种群保护的题种群竞争模型几乎是标准答案的候选模型之一。比如考察某一海域两种渔业资源共存条件、分析外来物种入侵后的本地种变化、评估保护区的容量设计等。它的好处在于结构简单方便做解析分析参数有明确生物意义便于解释稳定性结论直观可以通过相图给评委看图说话。所以它经常被作为“核心模型”或“对比模型”出现在竞赛论文中。这也是我把这篇笔记写得比较细的原因——你不仅要会用还要能讲清楚为什么。2. 从生物假设到微分方程组每个符号都不是白设的模型的标准形式是[ \frac{dx}{dt}r_1 x\left(1-\frac{x}{K_1}-\alpha_{12}\frac{y}{K_1}\right) ][ \frac{dy}{dt}r_2 y\left(1-\frac{y}{K_2}-\alpha_{21}\frac{x}{K_2}\right) ]这里的每个符号都有明确含义竞赛论文中“符号说明”部分不能写得含糊。2.1 符号系统与生物学含义(x(t))、(y(t))t 时刻两个物种的种群数量单位可以是个体数、生物量或种群密度。(r_1)、(r_2)两个物种的内禀增长率也就是在没有资源限制、没有竞争时的最大瞬时增长率。(K_1)、(K_2)环境容纳量即单独存在时环境能支撑的最大种群规模。(\alpha_{12})物种 2 对物种 1 的竞争系数表示一个物种 2 的个体对资源消耗相当于多少个物种 1 个体。(\alpha_{21})物种 1 对物种 2 的竞争系数含义相反。这里最容易出错的点就是竞争系数的“方向”。(\alpha_{12}) 是“2 对 1”的抑制不是“1 对 2”的抑制。很多人在写论文符号说明时把这两个系数搞反导致后面数值模拟的结果完全对不上。2.2 方程是怎么推出来的从资源折算看竞争项要理解为什么竞争项是 (\alpha_{12}y/K_1) 而不是别的形式可以从资源消耗角度推一次。假设资源总量为 (R)物种 1 每个个体消耗资源 (c_1)物种 2 每个个体消耗资源 (c_2)。那么一个物种 2 个体相当于 (\alpha_{12}c_2/c_1) 个物种 1 个体。种群为 (x) 和 (y) 时总消耗折算成物种 1 当量就是 (x\alpha_{12} y)。环境能支撑的物种 1 当量总数就是 (K_1)。所以物种 1 实际可用的“容量比例”是[ 1-\frac{x\alpha_{12}y}{K_1}1-\frac{x}{K_1}-\alpha_{12}\frac{y}{K_1} ]把这个比例乘上 (r_1 x)就是物种 1 的净增长率。这就得到了第一个方程。第二个方程完全对称只是折算基准变成了物种 2 当量系数是 (\alpha_{21}c_1/c_2)。注意一个小规律从资源消耗的角度看(\alpha_{12}) 和 (\alpha_{21}) 其实是倒数关系。但实际建模时我们往往不强迫它们互为倒数因为物种之间的竞争不仅包括资源消耗还可能包括空间占用、化感作用、干扰竞争等所以更多情况下是把 (\alpha_{12}) 和 (\alpha_{21}) 当作独立参数来处理。这一点在论文里最好说明一下避免评委质疑。2.3 无量纲化处理竞赛加分项为了减少参数数量、方便稳定性分析可以做无量纲化。这是很多优秀论文里看似“高级”的一步其实原理很简单。令[ u\frac{x}{K_1},\quad v\frac{y}{K_2},\quad \tau r_1 t ]代入原方程得到[ \frac{du}{d\tau}u\left(1-u-\alpha_{12}\frac{K_2}{K_1}v\right) ][ \frac{dv}{d\tau}\frac{r_2}{r_1}v\left(1-v-\alpha_{21}\frac{K_1}{K_2}u\right) ]再令[ a\alpha_{12}\frac{K_2}{K_1},\quad b\alpha_{21}\frac{K_1}{K_2},\quad \rho\frac{r_2}{r_1} ]于是模型变成[ \frac{du}{d\tau}u(1-u-av) ][ \frac{dv}{d\tau}\rho v(1-v-bu) ]这样原来 6 个参数变成 3 个组合参数 (a)、(b)、(\rho)分析起来立刻清爽很多。尤其是后面判断平衡点稳定性时只靠 (a)、(b) 与 1 的大小关系就可以给出完整结论。这一步在竞赛论文里写出来会让模型分析部分显得非常规范。但要注意无量纲化后的结果在解释时要记得还原成原始变量不能拿着无量纲化的 (u)、(v) 直接去说“种群数量”。3. 等倾线与平衡点稳定性分析的手算流程如果说方程推导是模型的地基那平衡点稳定性分析就是整篇论文里最有技术分量的部分。竞赛评卷时老师最希望看到的是你不仅能列出方程还能用相图或者解析方法说明系统会收敛到哪种状态。3.1 零增长线把相平面切成四个区域所谓等倾线就是令方程右端为零得到的曲线。对物种 1[ \frac{dx}{dt}0 \Rightarrow x0 \text{ 或 } x\alpha_{12}yK_1 ]对物种 2[ \frac{dy}{dt}0 \Rightarrow y0 \text{ 或 } y\alpha_{21}xK_2 ]其中 (x0) 和 (y0) 是坐标轴上的两条平凡等倾线它告诉我们如果某个物种数量为零另一个物种沿 Logistic 轨迹演化。真正关键的是两条斜线[ L_1: x\alpha_{12}yK_1 ][ L_2: y\alpha_{21}xK_2 ]这两条直线把相平面的第一象限分成若干区域。在 (L_1) 的一侧物种 1 的种群数量在增加另一侧则在减少。判断方法很简单把区域内的任意一个点代入 (dx/dt)看它的正负号。举例来说原点附近 (x)、(y) 都很小的时候(dx/dt \approx r_1 x 0)说明在原点附近物种 1 是增长的对于大 (x) 的区域(1-x/K_1-\alpha_{12}y/K_10)(dx/dt0)物种 1 会下降。物种 2 的分析完全同理。把两条等倾线画出来第一象限被分成四个区域每个区域内两个物种的增长/下降方向是固定的这就是相图分析的基础。3.2 四个平衡点的存在条件与意义令两个方程右端同时为零可以得到平衡点。常见的有三个角点平衡点加一个内部平衡点(E_0(0,0))两物种都不存在数学上存在但生物上没有意义。(E_1(K_1,0))物种 2 灭绝物种 1 达到环境容纳量。(E_2(0,K_2))物种 1 灭绝物种 2 达到环境容纳量。(E_(x^,y^*))两物种共存其中[ x^\frac{K_1-\alpha_{12}K_2}{1-\alpha_{12}\alpha_{21}},\quad y^\frac{K_2-\alpha_{21}K_1}{1-\alpha_{12}\alpha_{21}} ]注意内部平衡点要落在第一象限才是生物上可行的也就是分子分母要同号。当 (\alpha_{12}\alpha_{21}1) 时要求 (K_1\alpha_{12}K_2) 且 (K_2\alpha_{21}K_1)当 (\alpha_{12}\alpha_{21}1) 时要求两项都小于零。这个“同号条件”经常被初学者忽略直接套公式算出负的平衡点还浑然不觉。我在做数值模拟时就遇到过这种情况平衡点算出来是负的还以为是程序写错了后来检查才发现是参数没满足共存条件。3.3 稳定性判定的完整流程雅可比矩阵与特征值判断平衡点是否稳定标准工具是雅可比矩阵。对原方程组求偏导[ J\begin{bmatrix} r_1\left(1-\frac{2x}{K_1}-\frac{\alpha_{12}y}{K_1}\right) -\frac{r_1\alpha_{12}x}{K_1}\ -\frac{r_2\alpha_{21}y}{K_2} r_2\left(1-\frac{2y}{K_2}-\frac{\alpha_{21}x}{K_2}\right) \end{bmatrix} ]把某个平衡点代入求矩阵的特征值。如果两个特征值的实部均为负则该平衡点局部渐近稳定如果至少一个实部为正则不稳定。对于角点平衡点这个计算可以做得很快。比如在 (E_1(K_1,0)) 处[ J(E_1)\begin{bmatrix} -r_1 -r_1\alpha_{12}\frac{K_1}{K_1}\ 0 r_2\left(1-\frac{\alpha_{21}K_1}{K_2}\right) \end{bmatrix} ]特征值分别为 (-r_1) 和 (r_2(1-\alpha_{21}K_1/K_2))。第一个特征值恒为负第二个特征值的正负取决于 (\alpha_{21}K_1/K_2) 与 1 的关系。这给出了一个非常直观的结论若 (\alpha_{21}K_1 K_2)说明物种 1 对物种 2 的压制不够强物种 1 单独占领环境的平衡点不稳定物种 2 可以入侵若 (\alpha_{21}K_1 K_2)则 (E_1) 稳定物种 1 会把物种 2 排挤掉。的 (E_2(0,K_2)) 的分析完全对称。内部平衡点 (E_*) 的稳定性分析计算量稍大但利用无量纲化后的方程和迹—行列式判据可以很快完成结论直接和 (a)、(b) 与 1 的大小关系挂钩这就是下一节的主要内容。4. 四种演化结局从判据到数值验证很多资料喜欢直接给出“竞争排斥原理”或“共存条件”的结论但很少解释为什么会有四种不同的结局。这一节我们用几何直觉加上数值模拟把它彻底看清楚。4.1 四种情况的生物解释与相图特征用无量纲化后的系数 (a)、(b) 来总结局面会非常清晰条件演化结局相图特征(a1) 且 (b1)两物种稳定共存内部平衡点为稳定结点或焦点(a1) 且 (b1)物种 1 获胜物种 2 灭绝(E_1) 稳定内部平衡点不在第一象限(a1) 且 (b1)物种 2 获胜物种 1 灭绝(E_2) 稳定内部平衡点不在第一象限(a1) 且 (b1)双稳结局取决于初始数量内部平衡点为鞍点两个角点都稳定解释起来也很符合直觉(a1) 意味着物种 1 对物种 2 造成的竞争压力较小或者说物种 2 在自己的地盘上更有优势同样 (b1) 意味着物种 1 也有自己的优势地盘。双方都“灭不掉”对方于是共存。如果 (a1) 但 (b1)说明物种 1 对物种 2 的压制更强物种 2 无法生存最终只剩物种 1。如果两个系数都大于 1说明双方都能压制对方但共存点不稳定。系统到底走向谁独占取决于谁在初始阶段占的规模更大这就是“双稳”局面。“双稳”这个概念在竞赛中特别容易出题。它意味着历史因素和初始条件会决定最终结果这在生态保护策略上有重要含义一个物种即使理论上能赢得竞争如果初始数量太少也可能被另一个物种压死。4.2 用 Python 做数值模拟代码与结果解读理论分析做得再漂亮最终还是要用数值模拟来验证。下面这段代码是我在实际建模中惯用的模板基于scipy.integrate.solve_ivp实现比odeint更灵活支持的事件函数和密集输出在竞赛中很实用。import numpy as np from scipy.integrate import solve_ivp import matplotlib.pyplot as plt def competition(t, z, r1, r2, K1, K2, a12, a21): x, y z dx r1 * x * (1 - x / K1 - a12 * y / K1) dy r2 * y * (1 - y / K2 - a21 * x / K2) return [dx, dy] # 参数设置稳定共存情形 r1, r2 0.8, 0.6 K1, K2 100.0, 80.0 a12, a21 0.5, 0.4 t_span (0, 200) t_eval np.linspace(0, 200, 500) sol solve_ivp( competition, t_span, [30, 20], args(r1, r2, K1, K2, a12, a21), t_evalt_eval, methodRK45 ) # 绘制时间序列图 fig, ax plt.subplots(1, 2, figsize(12, 4)) ax[0].plot(sol.t, sol.y[0], label物种1, linewidth2) ax[0].plot(sol.t, sol.y[1], label物种2, linewidth2) ax[0].set_xlabel(时间 t) ax[0].set_ylabel(种群数量) ax[0].set_title(种群数量随时间变化) ax[0].legend() ax[0].grid(alpha0.3) # 绘制相图 x_vals np.linspace(0, 120, 400) y_vals np.linspace(0, 100, 400) X, Y np.meshgrid(x_vals, y_vals) DX r1 * X * (1 - X / K1 - a12 * Y / K1) DY r2 * Y * (1 - Y / K2 - a21 * X / K2) ax[1].streamplot(X, Y, DX, DY, colorlightgray, density1.2) ax[1].plot(sol.y[0], sol.y[1], r-, linewidth2) ax[1].plot([30], [20], ko, label初始点) ax[1].set_xlabel(物种1 数量) ax[1].set_ylabel(物种2 数量) ax[1].set_title(相图) ax[1].legend() ax[1].grid(alpha0.3) plt.tight_layout() plt.show()这段代码跑出来的稳定共存案例时间序列图会显示两个种群先小幅波动最终收敛到各自的平衡值相图上从初始点出发的轨迹会螺旋式或者直线式地收敛到内部平衡点。你可以用a12 1.5, a21 0.3试试物种 2 获胜的案例相图轨迹会明显偏向 (y) 轴方向最终撞到 ((0, K_2))。4.3 数值实验设计竞赛中怎么设计才算严谨光跑一张图可不够竞赛论文里至少要设计一组对比实验把四种情况全部覆盖。我的习惯是固定 (r) 和 (K)只调整 (\alpha_{12}) 和 (\alpha_{21})然后给出如下表格情形编号(\alpha_{12})(\alpha_{21})(a)(b)预期结局10.50.40.320.5稳定共存20.31.50.191.875物种 1 胜31.50.30.960.375物种 2 胜41.51.50.961.875双稳注意情形 2 和情形 3 看起来只是把竞争系数对调但结局却完全不同原因就是 (a)、(b) 与 1 的大小关系发生了翻转。这个对比在论文里非常有说服力能清楚体现“模型分析指导数值实验”的思路。另外画相图时建议用streamplot而不是简单画几条轨迹因为流线图能展示整个相空间的运动趋势评委看图时一目了然。我见过不少论文只画一条单轨迹看起来非常单薄。5. 竞赛实战模型推广、灵敏度分析与论文呈现会推导、会画图只能算学会了这个模型本身。真正到了竞赛现场还需要考虑怎么把它嵌入到一篇完整的论文中。5.1 从种群竞争到赛题应用模型的包装与推广竞赛题目很少直接说“请用种群竞争模型”更多时候需要我们自己发现题目中的竞争关系。实际做题时我一般按这个思路走明确两个或多个竞争主体。它们可以是物种、企业、技术方案、传播渠道等。明确共享的有限资源。在生态题里是食物和空间在经济管理题里是市场份额或用户预算在传播学题里可能是受众注意力。把题干中的数据对应到模型参数。增长率 (r) 通常由历史数据拟合容纳量 (K) 是环境或市场规模的估计值竞争系数 (\alpha) 则需要根据交互强度设定或通过优化拟合得到。如果题目涉及两个以上物种就把二维模型扩展为多维[ \frac{dx_i}{dt}r_i x_i\left(1-\frac{x_i\sum_{j\neq i}\alpha_{ij}x_j}{K_i}\right) ]多维模型的稳定性和平衡点分析复杂度大幅上升通常不再追求解析解而是依赖数值模拟和灵敏度分析。这也是评卷时区分度比较大的地方敢做多维推广并且能清楚说明数值方法的可靠性得分一般不会低。5.2 参数估计与灵敏度分析让结果站得住脚竞赛中最头疼的就是参数从哪里来。没有实测数据的时候我的做法是分三步先查文献看有没有相近场景的经验参数范围。比如生态学文献中很多物种的内禀增长率 (r) 在 0.1 到 1 之间环境容纳量 (K) 因物种体型差异巨大需要根据题干信息量级大致估算。再用题目给定数据反推。如果题里给了不同时期的种群数量可以用最小二乘法拟合方程参数。这一步可以用 Python 的scipy.optimize.curve_fit但要注意先对数据做无量纲化否则拟合容易不收敛。最后做灵敏度分析。通常做法是对每个参数做 ±10%、±20% 的扰动观察平衡点位置和稳定性是否改变。如果某个参数的小幅变化导致结论翻转比如从“共存”变成“竞争排斥”那这个参数就是关键参数论文中要重点讨论。竞赛论文里灵敏度分析的呈现形式可以画“参数扰动后的平衡点变化图”也可以画热力图展示不同 ((\alpha_{12},\alpha_{21})) 组合下的结局分区。后者尤其推荐因为直观展现了一个“相图”般的参数空间结构比单调的文字描述有力得多。5.3 论文中模型检验与优缺点分析的正确写法很多同学在模型检验部分只会写“模型数值解与理论分析一致”这句话太空洞。竞赛论文的模型检验需要包含三层解析检验把数值模拟得到的平衡点和稳定性结论与第 3 节的解析判定结果逐一对照。极端情形检验令竞争系数趋于 0验证模型退化为独立 Logistic 增长令竞争系数巨大验证模型出现竞争排斥。数据拟合检验如果题目有观测数据用模型预测值和实测值计算相对误差或相关系数。模型优缺点分析则不要泛泛而谈。种群竞争模型最大的优点是参数生物意义明确、解析分析完整缺点在于它假设竞争系数恒定、环境容纳量恒定、种群增长具有密度依赖的 Logistic 形式这些简化在真实生态系统中不一定成立。更合理的写法是不仅指出缺点还要提出改进方向比如引入时变参数、随机扰动、空间扩散项等。这样评委看到的不是一个模型而是你完整的建模思路。6. 学习过程中我踩过的坑与个人经验最后这部分我按自己的学习经历写几条实操体会希望能帮你避开我已经踩过的坑。6.1 求解器选择与数值稳定性问题我第一次用 Python 求解这个模型时用的是odeint当时觉得没问题。后来在参数更极端的案例中比如竞争系数很大、初始值接近零时odeint有时会给出负的种群数量这在生态模型中是荒谬的。换成solve_ivp并设置methodRK45或对刚性较强的参数组合用methodRadau后情况好了很多。如果你也遇到“种群数量变负”的问题优先检查求解器是否合适其次才是参数设置。6.2 相图画法里的陷阱别让初值决定结局画相图研究“双稳”现象时初学者最容易犯的一个错误是只画一条轨迹然后用这条轨迹的走向下结论。比如在双稳参数下从某个初始点出发的轨迹最终收敛到 (E_1)你可能会得出“物种 1 一定胜出”的错误结论。正确做法是至少选 4 到 5 个分布在第一象限不同区域的初始点分别画轨迹覆盖不同的演化路径。这样才会看到有一部分初值区域收敛到 (E_1)另一部分收敛到 (E_2)中间被鞍点的稳定流形隔开。6.3 论文中“图”的层次感模型分析部分我会放三张图时间序列图、相图、参数分区热力图。时间序列图用来看动态过程相图用来看全局收敛性热力图用来看参数灵敏度。三张图的分工不同但很多论文会把它们混在一起或者只画其中一张。实际上一张高质量的热力图对评委的冲击力远大于三张无差别的时间序列图。6.4 迭代更新模型的思路如果你做的是纯数据驱动的赛题可能一开始不会直接想到种群竞争模型。我的经验是即使最后用了机器学习模型也可以把种群竞争模型作为“机理对照模型”写在模型对比部分。这种“机理模型 数据驱动模型”的组合在近几年的优秀论文里出现频率非常高。它能体现出你理解问题的本质而不仅仅是调包调参。6.5 关于赛前准备的最后建议种群竞争模型属于“必须熟练掌握到能直接默写”的基础模型。我建议你把无量纲化过程、四类稳定性结论、基于streamplot的画图代码都整理成一份可复用的模板赛前反复练习到不需要翻笔记就能写出来的程度。竞赛现场时间非常紧张只有当这类基础模型的每个细节都烂熟于心你才有余力去处理题目中真正新颖、有挑战性的部分。 种群竞争模型深度解析：从微分方程到稳定性分析
如果要我在数学建模竞赛涉及生态、资源分配或市场占有率之类的题目里挑一个最常用、却最容易被低估的模型我会选种群竞争模型。第一次接触它是在备赛集训当时我的想法很简单这不就是把两个 Logistic 方程拼在一起吗直到真正在赛题里用它做预测、做稳定性分析、做灵敏度检验我才发现这个模型背后的微分方程结构、平衡点判定逻辑以及对“竞争系数”的深刻理解才是拿分的关键。这篇文章是我整理的一份完整学习笔记面向正在备战国赛、美赛、华为杯或者任何需要用到生态模型的数学建模场景的读者。我会从模型假设、方程推导、稳定性判据、数值模拟、论文呈现这几个维度把种群竞争模型讲透并且把我自己踩过的坑一并写出来希望对你有实际帮助。1. 这个模型不是“两个logistic曲线放一起”那么简单很多人第一次看到种群竞争模型的方程组反应都是哦就是两个物种各自按 Logistic 增长然后互相减一点数量。这个理解方向没有错但如果你只停留在这一层写出来的论文很容易被评委一眼看穿——因为你没有讲清楚竞争系数到底怎么来的也没有解释模型在什么条件下成立。1.1 模型描述的到底是什么场景种群竞争模型Lotka-Volterra 竞争模型描述的是两个物种为了共同的食物、空间或其他资源展开竞争时的种群数量变化。注意这里说的是“竞争”而不是“捕食”。捕食模型里一个物种吃另一个数量此消彼长竞争模型里两个物种互不直接伤害但会因为争夺同一份资源而互相拖累。典型的例子包括同一片草原上的牛和羊都吃草草的总量有限。同一片水域中的两种鱼类食物谱重叠。同一块市场份额中两家公司争夺相同的用户群体。这些场景的共同点是单独一个物种存在时数量会趋向于环境容纳量两个物种同时存在时总资源被分摊各自的增长都会受到对方存在的额外抑制。这个“额外抑制”就是竞争系数要刻画的东西。1.2 它和 Logistic 增长、捕食模型的区别先看单个物种的 Logistic 方程[ \frac{dx}{dt}r x\left(1-\frac{x}{K}\right) ]这里 (r) 是内禀增长率(K) 是环境容纳量。它表达的是“资源有限所以种群不能无限增长”。捕食模型Lotka-Volterra 捕食模型则把两个物种的关系写成一个增加、一个减少[ \frac{dx}{dt}ax-bxy,\quad \frac{dy}{dt}-cydxy ]种群竞争模型在形式上介于两者之间两个物种都按 Logistic 方式增长但各自的容纳量被对方侵占了一部分。所以如果把竞争系数设成 0方程就退化成两个互不干扰的 Logistic 方程如果把竞争系数设得非常大模型就会表现出类似于“你死我活”的排斥结局。这种“退化”和“极端”的检验是我们在建模论文里经常要做的模型验证工作。1.3 为什么竞赛里爱考这个模型从这些年国赛、美赛的题目趋势看凡是涉及生物多样性、资源管理、种群保护的题种群竞争模型几乎是标准答案的候选模型之一。比如考察某一海域两种渔业资源共存条件、分析外来物种入侵后的本地种变化、评估保护区的容量设计等。它的好处在于结构简单方便做解析分析参数有明确生物意义便于解释稳定性结论直观可以通过相图给评委看图说话。所以它经常被作为“核心模型”或“对比模型”出现在竞赛论文中。这也是我把这篇笔记写得比较细的原因——你不仅要会用还要能讲清楚为什么。2. 从生物假设到微分方程组每个符号都不是白设的模型的标准形式是[ \frac{dx}{dt}r_1 x\left(1-\frac{x}{K_1}-\alpha_{12}\frac{y}{K_1}\right) ][ \frac{dy}{dt}r_2 y\left(1-\frac{y}{K_2}-\alpha_{21}\frac{x}{K_2}\right) ]这里的每个符号都有明确含义竞赛论文中“符号说明”部分不能写得含糊。2.1 符号系统与生物学含义(x(t))、(y(t))t 时刻两个物种的种群数量单位可以是个体数、生物量或种群密度。(r_1)、(r_2)两个物种的内禀增长率也就是在没有资源限制、没有竞争时的最大瞬时增长率。(K_1)、(K_2)环境容纳量即单独存在时环境能支撑的最大种群规模。(\alpha_{12})物种 2 对物种 1 的竞争系数表示一个物种 2 的个体对资源消耗相当于多少个物种 1 个体。(\alpha_{21})物种 1 对物种 2 的竞争系数含义相反。这里最容易出错的点就是竞争系数的“方向”。(\alpha_{12}) 是“2 对 1”的抑制不是“1 对 2”的抑制。很多人在写论文符号说明时把这两个系数搞反导致后面数值模拟的结果完全对不上。2.2 方程是怎么推出来的从资源折算看竞争项要理解为什么竞争项是 (\alpha_{12}y/K_1) 而不是别的形式可以从资源消耗角度推一次。假设资源总量为 (R)物种 1 每个个体消耗资源 (c_1)物种 2 每个个体消耗资源 (c_2)。那么一个物种 2 个体相当于 (\alpha_{12}c_2/c_1) 个物种 1 个体。种群为 (x) 和 (y) 时总消耗折算成物种 1 当量就是 (x\alpha_{12} y)。环境能支撑的物种 1 当量总数就是 (K_1)。所以物种 1 实际可用的“容量比例”是[ 1-\frac{x\alpha_{12}y}{K_1}1-\frac{x}{K_1}-\alpha_{12}\frac{y}{K_1} ]把这个比例乘上 (r_1 x)就是物种 1 的净增长率。这就得到了第一个方程。第二个方程完全对称只是折算基准变成了物种 2 当量系数是 (\alpha_{21}c_1/c_2)。注意一个小规律从资源消耗的角度看(\alpha_{12}) 和 (\alpha_{21}) 其实是倒数关系。但实际建模时我们往往不强迫它们互为倒数因为物种之间的竞争不仅包括资源消耗还可能包括空间占用、化感作用、干扰竞争等所以更多情况下是把 (\alpha_{12}) 和 (\alpha_{21}) 当作独立参数来处理。这一点在论文里最好说明一下避免评委质疑。2.3 无量纲化处理竞赛加分项为了减少参数数量、方便稳定性分析可以做无量纲化。这是很多优秀论文里看似“高级”的一步其实原理很简单。令[ u\frac{x}{K_1},\quad v\frac{y}{K_2},\quad \tau r_1 t ]代入原方程得到[ \frac{du}{d\tau}u\left(1-u-\alpha_{12}\frac{K_2}{K_1}v\right) ][ \frac{dv}{d\tau}\frac{r_2}{r_1}v\left(1-v-\alpha_{21}\frac{K_1}{K_2}u\right) ]再令[ a\alpha_{12}\frac{K_2}{K_1},\quad b\alpha_{21}\frac{K_1}{K_2},\quad \rho\frac{r_2}{r_1} ]于是模型变成[ \frac{du}{d\tau}u(1-u-av) ][ \frac{dv}{d\tau}\rho v(1-v-bu) ]这样原来 6 个参数变成 3 个组合参数 (a)、(b)、(\rho)分析起来立刻清爽很多。尤其是后面判断平衡点稳定性时只靠 (a)、(b) 与 1 的大小关系就可以给出完整结论。这一步在竞赛论文里写出来会让模型分析部分显得非常规范。但要注意无量纲化后的结果在解释时要记得还原成原始变量不能拿着无量纲化的 (u)、(v) 直接去说“种群数量”。3. 等倾线与平衡点稳定性分析的手算流程如果说方程推导是模型的地基那平衡点稳定性分析就是整篇论文里最有技术分量的部分。竞赛评卷时老师最希望看到的是你不仅能列出方程还能用相图或者解析方法说明系统会收敛到哪种状态。3.1 零增长线把相平面切成四个区域所谓等倾线就是令方程右端为零得到的曲线。对物种 1[ \frac{dx}{dt}0 \Rightarrow x0 \text{ 或 } x\alpha_{12}yK_1 ]对物种 2[ \frac{dy}{dt}0 \Rightarrow y0 \text{ 或 } y\alpha_{21}xK_2 ]其中 (x0) 和 (y0) 是坐标轴上的两条平凡等倾线它告诉我们如果某个物种数量为零另一个物种沿 Logistic 轨迹演化。真正关键的是两条斜线[ L_1: x\alpha_{12}yK_1 ][ L_2: y\alpha_{21}xK_2 ]这两条直线把相平面的第一象限分成若干区域。在 (L_1) 的一侧物种 1 的种群数量在增加另一侧则在减少。判断方法很简单把区域内的任意一个点代入 (dx/dt)看它的正负号。举例来说原点附近 (x)、(y) 都很小的时候(dx/dt \approx r_1 x 0)说明在原点附近物种 1 是增长的对于大 (x) 的区域(1-x/K_1-\alpha_{12}y/K_10)(dx/dt0)物种 1 会下降。物种 2 的分析完全同理。把两条等倾线画出来第一象限被分成四个区域每个区域内两个物种的增长/下降方向是固定的这就是相图分析的基础。3.2 四个平衡点的存在条件与意义令两个方程右端同时为零可以得到平衡点。常见的有三个角点平衡点加一个内部平衡点(E_0(0,0))两物种都不存在数学上存在但生物上没有意义。(E_1(K_1,0))物种 2 灭绝物种 1 达到环境容纳量。(E_2(0,K_2))物种 1 灭绝物种 2 达到环境容纳量。(E_(x^,y^*))两物种共存其中[ x^\frac{K_1-\alpha_{12}K_2}{1-\alpha_{12}\alpha_{21}},\quad y^\frac{K_2-\alpha_{21}K_1}{1-\alpha_{12}\alpha_{21}} ]注意内部平衡点要落在第一象限才是生物上可行的也就是分子分母要同号。当 (\alpha_{12}\alpha_{21}1) 时要求 (K_1\alpha_{12}K_2) 且 (K_2\alpha_{21}K_1)当 (\alpha_{12}\alpha_{21}1) 时要求两项都小于零。这个“同号条件”经常被初学者忽略直接套公式算出负的平衡点还浑然不觉。我在做数值模拟时就遇到过这种情况平衡点算出来是负的还以为是程序写错了后来检查才发现是参数没满足共存条件。3.3 稳定性判定的完整流程雅可比矩阵与特征值判断平衡点是否稳定标准工具是雅可比矩阵。对原方程组求偏导[ J\begin{bmatrix} r_1\left(1-\frac{2x}{K_1}-\frac{\alpha_{12}y}{K_1}\right) -\frac{r_1\alpha_{12}x}{K_1}\ -\frac{r_2\alpha_{21}y}{K_2} r_2\left(1-\frac{2y}{K_2}-\frac{\alpha_{21}x}{K_2}\right) \end{bmatrix} ]把某个平衡点代入求矩阵的特征值。如果两个特征值的实部均为负则该平衡点局部渐近稳定如果至少一个实部为正则不稳定。对于角点平衡点这个计算可以做得很快。比如在 (E_1(K_1,0)) 处[ J(E_1)\begin{bmatrix} -r_1 -r_1\alpha_{12}\frac{K_1}{K_1}\ 0 r_2\left(1-\frac{\alpha_{21}K_1}{K_2}\right) \end{bmatrix} ]特征值分别为 (-r_1) 和 (r_2(1-\alpha_{21}K_1/K_2))。第一个特征值恒为负第二个特征值的正负取决于 (\alpha_{21}K_1/K_2) 与 1 的关系。这给出了一个非常直观的结论若 (\alpha_{21}K_1 K_2)说明物种 1 对物种 2 的压制不够强物种 1 单独占领环境的平衡点不稳定物种 2 可以入侵若 (\alpha_{21}K_1 K_2)则 (E_1) 稳定物种 1 会把物种 2 排挤掉。的 (E_2(0,K_2)) 的分析完全对称。内部平衡点 (E_*) 的稳定性分析计算量稍大但利用无量纲化后的方程和迹—行列式判据可以很快完成结论直接和 (a)、(b) 与 1 的大小关系挂钩这就是下一节的主要内容。4. 四种演化结局从判据到数值验证很多资料喜欢直接给出“竞争排斥原理”或“共存条件”的结论但很少解释为什么会有四种不同的结局。这一节我们用几何直觉加上数值模拟把它彻底看清楚。4.1 四种情况的生物解释与相图特征用无量纲化后的系数 (a)、(b) 来总结局面会非常清晰条件演化结局相图特征(a1) 且 (b1)两物种稳定共存内部平衡点为稳定结点或焦点(a1) 且 (b1)物种 1 获胜物种 2 灭绝(E_1) 稳定内部平衡点不在第一象限(a1) 且 (b1)物种 2 获胜物种 1 灭绝(E_2) 稳定内部平衡点不在第一象限(a1) 且 (b1)双稳结局取决于初始数量内部平衡点为鞍点两个角点都稳定解释起来也很符合直觉(a1) 意味着物种 1 对物种 2 造成的竞争压力较小或者说物种 2 在自己的地盘上更有优势同样 (b1) 意味着物种 1 也有自己的优势地盘。双方都“灭不掉”对方于是共存。如果 (a1) 但 (b1)说明物种 1 对物种 2 的压制更强物种 2 无法生存最终只剩物种 1。如果两个系数都大于 1说明双方都能压制对方但共存点不稳定。系统到底走向谁独占取决于谁在初始阶段占的规模更大这就是“双稳”局面。“双稳”这个概念在竞赛中特别容易出题。它意味着历史因素和初始条件会决定最终结果这在生态保护策略上有重要含义一个物种即使理论上能赢得竞争如果初始数量太少也可能被另一个物种压死。4.2 用 Python 做数值模拟代码与结果解读理论分析做得再漂亮最终还是要用数值模拟来验证。下面这段代码是我在实际建模中惯用的模板基于scipy.integrate.solve_ivp实现比odeint更灵活支持的事件函数和密集输出在竞赛中很实用。import numpy as np from scipy.integrate import solve_ivp import matplotlib.pyplot as plt def competition(t, z, r1, r2, K1, K2, a12, a21): x, y z dx r1 * x * (1 - x / K1 - a12 * y / K1) dy r2 * y * (1 - y / K2 - a21 * x / K2) return [dx, dy] # 参数设置稳定共存情形 r1, r2 0.8, 0.6 K1, K2 100.0, 80.0 a12, a21 0.5, 0.4 t_span (0, 200) t_eval np.linspace(0, 200, 500) sol solve_ivp( competition, t_span, [30, 20], args(r1, r2, K1, K2, a12, a21), t_evalt_eval, methodRK45 ) # 绘制时间序列图 fig, ax plt.subplots(1, 2, figsize(12, 4)) ax[0].plot(sol.t, sol.y[0], label物种1, linewidth2) ax[0].plot(sol.t, sol.y[1], label物种2, linewidth2) ax[0].set_xlabel(时间 t) ax[0].set_ylabel(种群数量) ax[0].set_title(种群数量随时间变化) ax[0].legend() ax[0].grid(alpha0.3) # 绘制相图 x_vals np.linspace(0, 120, 400) y_vals np.linspace(0, 100, 400) X, Y np.meshgrid(x_vals, y_vals) DX r1 * X * (1 - X / K1 - a12 * Y / K1) DY r2 * Y * (1 - Y / K2 - a21 * X / K2) ax[1].streamplot(X, Y, DX, DY, colorlightgray, density1.2) ax[1].plot(sol.y[0], sol.y[1], r-, linewidth2) ax[1].plot([30], [20], ko, label初始点) ax[1].set_xlabel(物种1 数量) ax[1].set_ylabel(物种2 数量) ax[1].set_title(相图) ax[1].legend() ax[1].grid(alpha0.3) plt.tight_layout() plt.show()这段代码跑出来的稳定共存案例时间序列图会显示两个种群先小幅波动最终收敛到各自的平衡值相图上从初始点出发的轨迹会螺旋式或者直线式地收敛到内部平衡点。你可以用a12 1.5, a21 0.3试试物种 2 获胜的案例相图轨迹会明显偏向 (y) 轴方向最终撞到 ((0, K_2))。4.3 数值实验设计竞赛中怎么设计才算严谨光跑一张图可不够竞赛论文里至少要设计一组对比实验把四种情况全部覆盖。我的习惯是固定 (r) 和 (K)只调整 (\alpha_{12}) 和 (\alpha_{21})然后给出如下表格情形编号(\alpha_{12})(\alpha_{21})(a)(b)预期结局10.50.40.320.5稳定共存20.31.50.191.875物种 1 胜31.50.30.960.375物种 2 胜41.51.50.961.875双稳注意情形 2 和情形 3 看起来只是把竞争系数对调但结局却完全不同原因就是 (a)、(b) 与 1 的大小关系发生了翻转。这个对比在论文里非常有说服力能清楚体现“模型分析指导数值实验”的思路。另外画相图时建议用streamplot而不是简单画几条轨迹因为流线图能展示整个相空间的运动趋势评委看图时一目了然。我见过不少论文只画一条单轨迹看起来非常单薄。5. 竞赛实战模型推广、灵敏度分析与论文呈现会推导、会画图只能算学会了这个模型本身。真正到了竞赛现场还需要考虑怎么把它嵌入到一篇完整的论文中。5.1 从种群竞争到赛题应用模型的包装与推广竞赛题目很少直接说“请用种群竞争模型”更多时候需要我们自己发现题目中的竞争关系。实际做题时我一般按这个思路走明确两个或多个竞争主体。它们可以是物种、企业、技术方案、传播渠道等。明确共享的有限资源。在生态题里是食物和空间在经济管理题里是市场份额或用户预算在传播学题里可能是受众注意力。把题干中的数据对应到模型参数。增长率 (r) 通常由历史数据拟合容纳量 (K) 是环境或市场规模的估计值竞争系数 (\alpha) 则需要根据交互强度设定或通过优化拟合得到。如果题目涉及两个以上物种就把二维模型扩展为多维[ \frac{dx_i}{dt}r_i x_i\left(1-\frac{x_i\sum_{j\neq i}\alpha_{ij}x_j}{K_i}\right) ]多维模型的稳定性和平衡点分析复杂度大幅上升通常不再追求解析解而是依赖数值模拟和灵敏度分析。这也是评卷时区分度比较大的地方敢做多维推广并且能清楚说明数值方法的可靠性得分一般不会低。5.2 参数估计与灵敏度分析让结果站得住脚竞赛中最头疼的就是参数从哪里来。没有实测数据的时候我的做法是分三步先查文献看有没有相近场景的经验参数范围。比如生态学文献中很多物种的内禀增长率 (r) 在 0.1 到 1 之间环境容纳量 (K) 因物种体型差异巨大需要根据题干信息量级大致估算。再用题目给定数据反推。如果题里给了不同时期的种群数量可以用最小二乘法拟合方程参数。这一步可以用 Python 的scipy.optimize.curve_fit但要注意先对数据做无量纲化否则拟合容易不收敛。最后做灵敏度分析。通常做法是对每个参数做 ±10%、±20% 的扰动观察平衡点位置和稳定性是否改变。如果某个参数的小幅变化导致结论翻转比如从“共存”变成“竞争排斥”那这个参数就是关键参数论文中要重点讨论。竞赛论文里灵敏度分析的呈现形式可以画“参数扰动后的平衡点变化图”也可以画热力图展示不同 ((\alpha_{12},\alpha_{21})) 组合下的结局分区。后者尤其推荐因为直观展现了一个“相图”般的参数空间结构比单调的文字描述有力得多。5.3 论文中模型检验与优缺点分析的正确写法很多同学在模型检验部分只会写“模型数值解与理论分析一致”这句话太空洞。竞赛论文的模型检验需要包含三层解析检验把数值模拟得到的平衡点和稳定性结论与第 3 节的解析判定结果逐一对照。极端情形检验令竞争系数趋于 0验证模型退化为独立 Logistic 增长令竞争系数巨大验证模型出现竞争排斥。数据拟合检验如果题目有观测数据用模型预测值和实测值计算相对误差或相关系数。模型优缺点分析则不要泛泛而谈。种群竞争模型最大的优点是参数生物意义明确、解析分析完整缺点在于它假设竞争系数恒定、环境容纳量恒定、种群增长具有密度依赖的 Logistic 形式这些简化在真实生态系统中不一定成立。更合理的写法是不仅指出缺点还要提出改进方向比如引入时变参数、随机扰动、空间扩散项等。这样评委看到的不是一个模型而是你完整的建模思路。6. 学习过程中我踩过的坑与个人经验最后这部分我按自己的学习经历写几条实操体会希望能帮你避开我已经踩过的坑。6.1 求解器选择与数值稳定性问题我第一次用 Python 求解这个模型时用的是odeint当时觉得没问题。后来在参数更极端的案例中比如竞争系数很大、初始值接近零时odeint有时会给出负的种群数量这在生态模型中是荒谬的。换成solve_ivp并设置methodRK45或对刚性较强的参数组合用methodRadau后情况好了很多。如果你也遇到“种群数量变负”的问题优先检查求解器是否合适其次才是参数设置。6.2 相图画法里的陷阱别让初值决定结局画相图研究“双稳”现象时初学者最容易犯的一个错误是只画一条轨迹然后用这条轨迹的走向下结论。比如在双稳参数下从某个初始点出发的轨迹最终收敛到 (E_1)你可能会得出“物种 1 一定胜出”的错误结论。正确做法是至少选 4 到 5 个分布在第一象限不同区域的初始点分别画轨迹覆盖不同的演化路径。这样才会看到有一部分初值区域收敛到 (E_1)另一部分收敛到 (E_2)中间被鞍点的稳定流形隔开。6.3 论文中“图”的层次感模型分析部分我会放三张图时间序列图、相图、参数分区热力图。时间序列图用来看动态过程相图用来看全局收敛性热力图用来看参数灵敏度。三张图的分工不同但很多论文会把它们混在一起或者只画其中一张。实际上一张高质量的热力图对评委的冲击力远大于三张无差别的时间序列图。6.4 迭代更新模型的思路如果你做的是纯数据驱动的赛题可能一开始不会直接想到种群竞争模型。我的经验是即使最后用了机器学习模型也可以把种群竞争模型作为“机理对照模型”写在模型对比部分。这种“机理模型 数据驱动模型”的组合在近几年的优秀论文里出现频率非常高。它能体现出你理解问题的本质而不仅仅是调包调参。6.5 关于赛前准备的最后建议种群竞争模型属于“必须熟练掌握到能直接默写”的基础模型。我建议你把无量纲化过程、四类稳定性结论、基于streamplot的画图代码都整理成一份可复用的模板赛前反复练习到不需要翻笔记就能写出来的程度。竞赛现场时间非常紧张只有当这类基础模型的每个细节都烂熟于心你才有余力去处理题目中真正新颖、有挑战性的部分。