洛吉斯蒂模型：修订间差异

2026年9月20日 (日) 07:18的最新版本

洛吉斯蒂模型（logistic growth model）描述增长逐渐受到资源限制的过程。规模较小时接近指数增长；规模接近承载量时，增长放缓。它是连续、确定性的模型，适用于数量可近似连续且环境相对稳定的情形。

个体更多，为什么总增长反而会变慢

设一个教学种群的承载量为1000，资源充足时每个个体的日净增长率为0.4。指数模型会把总增长率写成 $0.4 N$ ，其中 $N$ 是当前数量；这样长期增长没有上限。

现在假定每个个体的增长率随数量线性下降，到1000时降为零，即取 $0.4 (1 - N / 1000)$ 。乘以个体数，得到总增长率 $0.4 N (1 - N / 1000)$ 。数量为100时，每日净增长为36；数量为500时为100；数量为900时又回到36。每个个体的增长率一直在下降，总增长率却先升后降，因为参与增长的个体数也在变化。

将具体参数换成一般符号： $r > 0$ 是低密度增长率， $K > 0$ 是承载量， $N (t)$ 是时间 $t$ 的数量，则 $N^{'} = r N (1 - \frac{N}{K}) .$ 以天为时间单位时， $r$ 的单位为每天， $K$ 与 $N$ 单位相同。展开得到 $N^{'} = r N - (r / K) N^{2}$ ：第一项是低密度增长，第二项是密度抑制。这种二次抑制来自“人均增长率线性下降”的模型假设。

先看相线，不急着求公式

令 $F (N) = r N (1 - N / K)$ 。其零点为 0 和 $K$ ，对应两个平衡解。对非负状态，符号分布如下。

状态范围	$N^{'}$ 的符号	随时间的变化
$N = 0$	零	没有外来输入时始终为零
$0 < N < K$	正	单调增加，趋向承载量
$N = K$	零	保持平衡
$N > K$	负	单调下降，趋向承载量

右端是多项式，对 $N$ 局部 Lipschitz 连续，所以给定初值有局部唯一解。轨迹不能在有限时间与某个平衡解相交后又穿过它，否则相交时同一初值将对应两条不同解。因此正初值的轨迹保持为正，从承载量下方出发不会在连续模型中超调到上方。

从承载量两侧出发，变化方向都指向K，所以K是吸引附近轨迹的稳定平衡；微小的正数量却会远离零，零平衡不稳定。下一节的显式解将证明所有正初值在未来都趋向K。

从增长规律求出数量函数

对于 $N_{0} > 0$ 且 $N_{0} \neq K$ 的非平衡解，分离变量得 $\frac{d N}{N (1 - N / K)} = r d t .$ 利用部分分式分解，左侧等于 $(1 / N + 1 / (K - N)) d N$ ，积分得到 $\log | \frac{N}{K - N} | = r t + C .$ 在不穿过平衡点的区间内，比值 $N / (K - N)$ 的符号固定。指数化并把符号计入常数，得到 $N / (K - N) = C e^{r t}$ ，其中 $C = N_{0} / (K - N_{0})$ 。交叉相乘为 $N (1 + C e^{r t}) = K C e^{r t}$ ，再除以 $C e^{r t}$ ，得到 $N (t) = \frac{K}{1 + A e^{- r t}}, A = \frac{K}{N_{0}} - 1.$ 对于 $N_{0} > 0$ 与 $t \geq 0$ ，分母始终为正：当 $N_{0} \leq K$ 时 $A \geq 0$ ；当 $N_{0} > K$ 时 $- 1 < A < 0$ ，所以分母至少大于等于 $1 + A = K / N_{0} > 0$ 。因此解在所有未来时间存在，并趋于 $K$ 。

验证也可以直接完成。求导得 $N^{'} = K r A e^{- r t} / (1 + A e^{- r t})^{2}$ ；而 $r N (1 - N / K)$ 化简成完全相同的式子，初值也满足。若 $N_{0} = K$ ，取 $A = 0$ 得到常值解；若 $N_{0} = 0$ ，公式中出现除零，必须单独保留 $N \equiv 0$ 。在分离变量时除以 $N (K - N)$ 已经暂时排除了两个平衡状态，最后补检不可省略。

这套教材模型与解法可见 OpenStax，§4.4。本文取非负状态与未来时间；负数解不作种群解释。

从100增长到500，再到900

沿用开头的教学参数，取 $K = 1000$ 、 $r = 0.4$ 每天、初值 $N_{0} = 100$ ，则 $A = 9$ ，所以 $N (t) = \frac{1000}{1 + 9 e^{- 0.4 t}} .$ 达到承载量一半时，令 $N = 500$ ，得到 $9 e^{- 0.4 t} = 1$ ，故 $t = \log 9 / 0.4 \approx 5.493$ 天。达到 900 时， $1 + 9 e^{- 0.4 t} = 10 / 9$ ，因此 $e^{- 0.4 t} = 1 / 81$ ，得到 $t = \log 81 / 0.4 \approx 10.986$ 天。

从 100 到 500 与从 500 到 900 的时间在本例恰好相等，这来自洛吉斯蒂曲线围绕拐点的对称结构，而不是说任意两个同样数量增量都花相同时间。若要求恰好达到 1000，式子要求指数项为零，这在有限时间内不会发生；实际报告中的“达到容量”通常需要预先规定误差范围或阈值。

与同参数的指数模型比较，在 10 天时指数预测为 $100 e^{4} \approx 5459.8$ ，已经远超承载量；洛吉斯蒂预测约为 $858.49$ 。二者差别来自增长率假设，不是同一方程的两种近似解。

初始数量超过承载量时

仍取 $K = 1000, r = 0.4$ ，但初值改为 1500。此时 $A = - 1 / 3$ ，解为 $N (t) = \frac{1000}{1 - \frac{1}{3} e^{- 0.4 t}} .$ 在所有 $t \geq 0$ 上，分母从 $2 / 3$ 增加到 1，数量从 1500 单调下降到 1000。5 天后约为 $1047.24$ 。方程中的负增长解释的是净减少，而不是数量变成负数。

该轨迹在未来没有拐点式的先加速增长阶段，也不呈通常展示的完整 S 形。解的形状还取决于初值。若从低于一半承载量的初值出发，才能在未来看见先加速后减速的增长全过程。

拐点与最大增长量从哪里得到

对方程再求导，使用链式法则： $N^{″} = r N^{'} (1 - \frac{2 N}{K}) .$ 在增长区间 $0 < N < K$ 内， $N^{'} > 0$ ，因此 $N < K / 2$ 时曲线上凹、 $N > K / 2$ 时下凹，拐点发生在 $N = K / 2$ 。总增长率也可直接配方： $F (N) = \frac{r K}{4} - \frac{r}{K} {(N - \frac{K}{2})}^{2} .$ 因此最大瞬时增长率为 $r K / 4$ ，在半容量时取得。这里最大的是总增长量，而人均增长率一直随数量增加而下降，两者不冲突。

对 $0 < N_{0} < K / 2$ ，未来拐点时刻为 $t_{*} = (1 / r) \log (K / N_{0} - 1)$ 。若初值已经在 $K / 2$ 之上，这个公式给出负值，表示相应拐点属于向过去延拓的轨迹，并未发生在从初始时刻开始的观测区间。计算时必须解释时间原点。

令无量纲变量 $x = N / K$ 、 $τ = r t$ ，方程化为 $d x / d τ = x (1 - x)$ 。容量只设定纵向尺度，增长率只设定时间尺度，初始比例决定具体轨迹。这个化简有助于比较不同单位、不同规模的模型，也是量纲分析与微分方程结合的例子。

下图左侧横轴是时间，曲线高度是数量；右侧横轴则是数量，曲线高度是增长率。两个金点描述同一个阶段：数量达到500时，左图最陡，右图达到最高点100。数量100与900的增长率同为36，对应右图两个粉点；数量相差很大，增长速度却可以相同。

左图为从一百增长到一千的洛吉斯蒂时间曲线，右图为增长率随数量变化的抛物线，半容量五百时对应最大增长率一百 — 区分“数量随时间变化”与“增长率随数量变化”，便能看出S形曲线拐点的来源。

从观测中估计增长率与承载量

当所有观测都满足 $N ≪ K$ 时，方程近似为 $N^{'} \approx r N$ 。早期数据可能足以估计增长率，却难以区分很大的不同 $K$ ，因为相应曲线在这段时间几乎重合。一个拟合软件给出承载量数值，并不意味着数据已经精确识别这个参数。

如果 $K$ 已知且数据位于 $0 < N < K$ ，解公式可转为 $\log \frac{N (t)}{K - N (t)} = r t + \log \frac{N_{0}}{K - N_{0}} .$ 变换后的量与时间线性相关，可以帮助诊断模型。可是观测误差经过对数与分母变换后会改变分布，在接近 0 或 $K$ 时还可能被明显放大。因此不能不加检查地把变换后最小二乘的统计假设，等同于原始计数误差的假设。

连续模型与离散迭代不能混为一谈

对无量纲方程采用显式欧拉法，以无量纲步长 $a = r h$ 推进，得到 $x_{n + 1} = x_{n} + a x_{n} (1 - x_{n}) .$ 这是连续方程的一个数值近似。对平衡 $x = 1$ ，迭代映射的导数为 $1 - a$ ，所以局部数值稳定要求 $0 < a < 2$ 。步长过大时，离散序列可能出现超调或不稳定，而原连续正解始终单调趋向平衡。

离散的洛吉斯蒂映射 $x_{n + 1} = λ x_{n} (1 - x_{n})$ 是另一个模型；本文连续方程的正轨迹单调趋向承载量。

模型还不包含随机灭绝。当数量很小，个体离散性与出生死亡随机性可能重要；连续正初值的确定性轨迹不会自行到达零，但真实小种群可以灭绝。这是状态表示和随机假设的边界，不是求解公式中漏算了某个常数。

增加恒定采收后的阈值

在原模型上加入每单位时间固定移出的数量 $H \geq 0$ ，可得到一个相关但不同的方程 $N^{'} = r N (1 - N / K) - H$ 。利用前面的配方，平衡点存在的条件是 $H \leq r K / 4$ 。当 $0 \leq H < r K / 4$ 时，有两个平衡数量 $N_{\pm} = \frac{K}{2} (1 \pm \sqrt{1 - \frac{4 H}{r K}}) .$ 较小的平衡点不稳定，较大的平衡点稳定；两者之间增长为正，低于较小平衡点时增长为负。这个阈值结构说明，即使长期采收量低于最大自然增长量，过低的初始数量仍可能无法恢复。

临界情形 $H = r K / 4$ 时，两平衡点合为 $K / 2$ ，右端为 $- (r / K) (N - K / 2)^{2}$ 。从上方出发会下降并趋向它；从下方出发则继续下降，因此临界平衡只从一侧吸引。

若 $H > r K / 4$ ，采收超过了任何状态下的最大自然增长，右端始终为负。方程会把数量向零推动，而继续按同一常数采收可能进一步产生负值；这时必须在零处停止原模型或另加状态约束。现实中不能从空种群移出固定数量，数学式也不会自动知道这一限制。

容量估计与环境改变的区别

在固定参数模型中，承载量是长期平衡的参数，但未必可以从一次观测最大值直接读取。短期超载状态仍可回落，早期未接近饱和的记录也可能完全低于真正的模型容量。因此观测到的最大值、拟合得到的参数、生态机制允许的资源水平，是三种不同概念。

如果环境在某时刻改变，使容量由 $K_{1}$ 跳到 $K_{2}$ ，可以在改变前后分别使用相应方程，并让状态连续接合。数量不会因为参数变化瞬间自动等于新容量；它从当前状态按新的增长规律调整。若新容量比当前数量低，模型预测下降，这与原来仍增长的趋势可以相反。

同样，增长率 $r$ 改变通常调整时间尺度，而改变容量还会影响轨迹的目标水平。比较政策或环境情景时，必须交代究竟改动了哪个参数，不宜把所有干预都画成“曲线更快或更慢”而忽略平衡水平。

历史：Verhulst 的人口模型

比利时数学家皮埃尔-弗朗索瓦·韦吕尔斯特（Pierre-François Verhulst）在 1838 年发表人口增长研究，提出用增长抑制修正指数增长的微分方程。后来他又研究该模型并使用 logistic 名称。这个起点和后续工作可在圣安德鲁斯大学 MacTutor 的 Verhulst 传记核验。

今天常用的r、K参数分别突出增长速度与容量。统计学中的logistic回归也使用相关的S形函数，用于描述条件概率，是另一种应用。

来源与继续阅读

OpenStax，《Calculus Volume 2》§4.4：连续洛吉斯蒂方程、解与承载量。
Jiří Lebl，《Notes on Diffy Qs》§1.6：自治方程与相线。
MacTutor：Pierre François Verhulst：1838 年及后续历史研究。
先修：导数、微分方程；相关：一阶线性微分方程、数学建模、量纲分析、最小二乘法。

@@ 第1行： / 第1行： @@
-'''洛吉斯蒂模型'''（logistic growth model）是描述受密度限制的连续增长的一类模型。最常见的一维形式为
+'''洛吉斯蒂模型'''（logistic growth model）描述增长逐渐受到资源限制的过程。规模较小时接近指数增长；规模接近承载量时，增长放缓。它是连续、确定性的模型，适用于数量可近似连续且环境相对稳定的情形。
-<math display="block">\frac{dN}{dt}=rN\left(1-\frac NK\right),\qquad r>0,\ K>0.</math>
-其中 <math>N(t)</math> 表示非负的种群数量或其他可连续近似的规模，<math>r</math> 为低密度下的内禀增长率，<math>K</math> 为在此模型假设下的承载量。模型把人均增长率随规模增大而线性下降作为假设，因此是一个非线性、自治的一阶[[微分方程]]。它不是所有增长过程的普遍定律。
-== 从指数增长到密度限制 ==
+== 个体更多，为什么总增长反而会变慢 ==
-指数模型 <math>N'=rN</math> 假定每个个体的净增长贡献不随总体规模变化。当资源充足、观察时间较短时，这可能是近似；若长期保留正的固定人均增长率，数量就会无界增长。洛吉斯蒂模型改写人均增长率为
+设一个教学种群的承载量为1000，资源充足时每个个体的日净增长率为0.4。指数模型会把总增长率写成 <math>0.4N</math>，其中 <math>N</math> 是当前数量；这样长期增长没有上限。
-<math display="block">\frac{N'}N=r\left(1-\frac NK\right)\qquad(N>0).</math>
-这个量在 <math>N</math> 很小时接近 <math>r</math>，在 <math>N=K</math> 时等于零，在超过 <math>K</math> 时为负。再乘回当前数量，就得到总增长率。人均增长率下降与总增长率下降不是一回事：在低密度阶段，虽然每个个体的贡献已略微降低，参与增长的个体仍迅速增加，总增长率可以继续上升。
-展开式为 <math>N'=rN-(r/K)N^2</math>。一次项代表低密度增长，二次项代表随密度增加的抑制。这里的二次形式是一种简化假设，并非直接测得所有相互作用都必然按平方增长。个体可连续化、环境近似恒定、没有显著年龄结构或时间滞后等前提，都是模型解释的一部分。
+现在假定每个个体的增长率随数量线性下降，到1000时降为零，即取 <math>0.4(1-N/1000)</math>。乘以个体数，得到总增长率 <math>0.4N(1-N/1000)</math>。数量为100时，每日净增长为36；数量为500时为100；数量为900时又回到36。每个个体的增长率一直在下降，总增长率却先升后降，因为参与增长的个体数也在变化。
-单位也提供检查：若 <math>N</math> 以个体数计、<math>t</math> 以天计，则 <math>r</math> 的单位为每天，<math>K</math> 与 <math>N</math> 单位相同，括号必须无量纲。把承载量当成一个纯增长速率，或把每月估计的 <math>r</math> 直接用于以天为单位的时间，都会改变预测。
+将具体参数换成一般符号：<math>r>0</math> 是低密度增长率，<math>K>0</math> 是承载量，<math>N(t)</math> 是时间 <math>t</math> 的数量，则
+<math display="block">N'=rN\left(1-\frac NK\right).</math>
+以天为时间单位时，<math>r</math> 的单位为每天，<math>K</math> 与 <math>N</math> 单位相同。展开得到 <math>N'=rN-(r/K)N^2</math>：第一项是低密度增长，第二项是密度抑制。这种二次抑制来自“人均增长率线性下降”的模型假设。
 == 先看相线，不急着求公式 ==
@@ 第31行： / 第29行： @@
 右端是多项式，对 <math>N</math> 局部 Lipschitz 连续，所以给定初值有局部唯一解。轨迹不能在有限时间与某个平衡解相交后又穿过它，否则相交时同一初值将对应两条不同解。因此正初值的轨迹保持为正，从承载量下方出发不会在连续模型中超调到上方。
-局部导数 <math>F'(N)=r(1-2N/K)</math> 在 0 处为 <math>r>0</math>，小的正种群会远离零；在 <math>K</math> 处为 <math>-r<0</math>，附近扰动衰减。这给出零点不稳定、正平衡局部渐近稳定的判断。相线实际上还显示所有正初值都趋向 <math>K</math>，比只在平衡附近线性化提供的信息更广。
+从承载量两侧出发，变化方向都指向K，所以K是吸引附近轨迹的稳定平衡；微小的正数量却会远离零，零平衡不稳定。下一节的显式解将证明所有正初值在未来都趋向K。
-== 分离变量时必须保留平衡解 ==
+== 从增长规律求出数量函数 ==
 对于 <math>N_0>0</math> 且 <math>N_0\ne K</math> 的非平衡解，分离变量得
 <math display="block">\frac{dN}{N(1-N/K)}=r\,dt.</math>
 利用部分分式分解，左侧等于 <math>(1/N+1/(K-N))\,dN</math>，积分得到
 <math display="block">\log\left|\frac N{K-N}\right|=rt+C.</math>
-解开并代入 <math>N(0)=N_0</math>，可以写成统一形式
+在不穿过平衡点的区间内，比值 <math>N/(K-N)</math> 的符号固定。指数化并把符号计入常数，得到 <math>N/(K-N)=Ce^{rt}</math>，其中 <math>C=N_0/(K-N_0)</math>。交叉相乘为 <math>N(1+Ce^{rt})=KCe^{rt}</math>，再除以 <math>Ce^{rt}</math>，得到
 <math display="block">N(t)=\frac{K}{1+A e^{-rt}},\qquad A=\frac K{N_0}-1.</math>
 对于 <math>N_0>0</math> 与 <math>t\ge0</math>，分母始终为正：当 <math>N_0\le K</math> 时 <math>A\ge0</math>；当 <math>N_0>K</math> 时 <math>-1<A<0</math>，所以分母至少大于等于 <math>1+A=K/N_0>0</math>。因此解在所有未来时间存在，并趋于 <math>K</math>。
@@ 第44行： / 第42行： @@
 验证也可以直接完成。求导得 <math>N'=KrAe^{-rt}/(1+Ae^{-rt})^2</math>；而 <math>rN(1-N/K)</math> 化简成完全相同的式子，初值也满足。若 <math>N_0=K</math>，取 <math>A=0</math> 得到常值解；若 <math>N_0=0</math>，公式中出现除零，必须单独保留 <math>N\equiv0</math>。在分离变量时除以 <math>N(K-N)</math> 已经暂时排除了两个平衡状态，最后补检不可省略。
-这套教材模型与解法可见 [https://openstax.org/books/calculus-volume-2/pages/4-4-the-logistic-equation OpenStax，§4.4]。公式允许研究不同初值，但不能把负的状态也自动解释成真实种群；数学上的延拓与模型的物理状态范围是不同问题。
+这套教材模型与解法可见 [https://openstax.org/books/calculus-volume-2/pages/4-4-the-logistic-equation OpenStax，§4.4]。本文取非负状态与未来时间；负数解不作种群解释。
-== 算例一：达到容量某个比例需要多久 ==
+== 从100增长到500，再到900 ==
-以下数值为教学设定，不是实测数据。取 <math>K=1000</math>、<math>r=0.4</math> 每天、初值 <math>N_0=100</math>，则 <math>A=9</math>，所以
+沿用开头的教学参数，取 <math>K=1000</math>、<math>r=0.4</math> 每天、初值 <math>N_0=100</math>，则 <math>A=9</math>，所以
 <math display="block">N(t)=\frac{1000}{1+9e^{-0.4t}}.</math>
 达到承载量一半时，令 <math>N=500</math>，得到 <math>9e^{-0.4t}=1</math>，故 <math>t=\log9/0.4\approx5.493</math> 天。达到 900 时，<math>1+9e^{-0.4t}=10/9</math>，因此 <math>e^{-0.4t}=1/81</math>，得到 <math>t=\log81/0.4\approx10.986</math> 天。
@@ 第55行： / 第53行： @@
 与同参数的指数模型比较，在 10 天时指数预测为 <math>100e^4\approx5459.8</math>，已经远超承载量；洛吉斯蒂预测约为 <math>858.49</math>。二者差别来自增长率假设，不是同一方程的两种近似解。
-== 算例二：从超载状态回落 ==
+== 初始数量超过承载量时 ==
 仍取 <math>K=1000,r=0.4</math>，但初值改为 1500。此时 <math>A=-1/3</math>，解为
 <math display="block">N(t)=\frac{1000}{1-\frac13e^{-0.4t}}.</math>
 在所有 <math>t\ge0</math> 上，分母从 <math>2/3</math> 增加到 1，数量从 1500 单调下降到 1000。5 天后约为 <math>1047.24</math>。方程中的负增长解释的是净减少，而不是数量变成负数。
-该轨迹在未来没有拐点式的先加速增长阶段，也不呈通常展示的完整 S 形。这说明“洛吉斯蒂解都是一条从零到容量的 S 曲线”并不准确：曲线形状与初值及观察时间段有关。若从低于一半承载量的初值出发，才能在未来看见先加速后减速的增长全过程。
+该轨迹在未来没有拐点式的先加速增长阶段，也不呈通常展示的完整 S 形。解的形状还取决于初值。若从低于一半承载量的初值出发，才能在未来看见先加速后减速的增长全过程。
 == 拐点与最大增长量从哪里得到 ==
@@ 第73行： / 第71行： @@
 令无量纲变量 <math>x=N/K</math>、<math>\tau=rt</math>，方程化为 <math>dx/d\tau=x(1-x)</math>。容量只设定纵向尺度，增长率只设定时间尺度，初始比例决定具体轨迹。这个化简有助于比较不同单位、不同规模的模型，也是[[量纲分析]]与微分方程结合的例子。
-== 参数估计：早期数据可能看不见承载量 ==
+下图左侧横轴是时间，曲线高度是数量；右侧横轴则是数量，曲线高度是增长率。两个金点描述同一个阶段：数量达到500时，左图最陡，右图达到最高点100。数量100与900的增长率同为36，对应右图两个粉点；数量相差很大，增长速度却可以相同。
+[[File:Gezhi-analysis-logistic-growth.svg|frame|center|alt=左图为从一百增长到一千的洛吉斯蒂时间曲线，右图为增长率随数量变化的抛物线，半容量五百时对应最大增长率一百|区分“数量随时间变化”与“增长率随数量变化”，便能看出S形曲线拐点的来源。]]
+== 从观测中估计增长率与承载量 ==
 当所有观测都满足 <math>N\ll K</math> 时，方程近似为 <math>N'\approx rN</math>。早期数据可能足以估计增长率，却难以区分很大的不同 <math>K</math>，因为相应曲线在这段时间几乎重合。一个拟合软件给出承载量数值，并不意味着数据已经精确识别这个参数。
@@ 第80行： / 第82行： @@
 变换后的量与时间线性相关，可以帮助诊断模型。可是观测误差经过对数与分母变换后会改变分布，在接近 0 或 <math>K</math> 时还可能被明显放大。因此不能不加检查地把变换后最小二乘的统计假设，等同于原始计数误差的假设。
-实际拟合应交代采样时间、观测误差、参数限制和验证区间，并检查残差是否存在系统趋势。若增长率随季节变化、资源在消耗后恢复、种群有成熟延迟，固定参数的单方程可能不足。洛吉斯蒂曲线拟合得好也不单独证明竞争机制一定遵循这个方程；不同机制在有限数据范围内可能给出相似曲线。
 == 连续模型与离散迭代不能混为一谈 ==
@@ 第87行： / 第88行： @@
 这是连续方程的一个数值近似。对平衡 <math>x=1</math>，迭代映射的导数为 <math>1-a</math>，所以局部数值稳定要求 <math>0<a<2</math>。步长过大时，离散序列可能出现超调或不稳定，而原连续正解始终单调趋向平衡。
-经常被称为“洛吉斯蒂映射”的 <math>x_{n+1}=\lambda x_n(1-x_n)</math> 是另一个离散动力系统，不能把它的分岔或混沌现象直接归给本文的连续一维自治方程。连续方程的相线结构限制了轨迹行为；同一个形容词不意味着同一对象。
+离散的洛吉斯蒂映射 <math>x_{n+1}=\lambda x_n(1-x_n)</math> 是另一个模型；本文连续方程的正轨迹单调趋向承载量。
 模型还不包含随机灭绝。当数量很小，个体离散性与出生死亡随机性可能重要；连续正初值的确定性轨迹不会自行到达零，但真实小种群可以灭绝。这是状态表示和随机假设的边界，不是求解公式中漏算了某个常数。
 == 增加恒定采收后的阈值 ==
-在原模型上加入每单位时间固定移出的数量 <math>H\ge0</math>，可得到一个相关但不同的方程 <math>N'=rN(1-N/K)-H</math>。利用前面的配方，平衡点存在的条件是 <math>H\le rK/4</math>。当严格小于时，有两个平衡数量
+在原模型上加入每单位时间固定移出的数量 <math>H\ge0</math>，可得到一个相关但不同的方程 <math>N'=rN(1-N/K)-H</math>。利用前面的配方，平衡点存在的条件是 <math>H\le rK/4</math>。当 <math>0\le H<rK/4</math> 时，有两个平衡数量
 <math display="block">N_{\pm}=\frac K2\left(1\pm\sqrt{1-\frac{4H}{rK}}\right).</math>
 较小的平衡点不稳定，较大的平衡点稳定；两者之间增长为正，低于较小平衡点时增长为负。这个阈值结构说明，即使长期采收量低于最大自然增长量，过低的初始数量仍可能无法恢复。
+临界情形 <math>H=rK/4</math> 时，两平衡点合为 <math>K/2</math>，右端为 <math>-(r/K)(N-K/2)^2</math>。从上方出发会下降并趋向它；从下方出发则继续下降，因此临界平衡只从一侧吸引。
 若 <math>H>rK/4</math>，采收超过了任何状态下的最大自然增长，右端始终为负。方程会把数量向零推动，而继续按同一常数采收可能进一步产生负值；这时必须在零处停止原模型或另加状态约束。现实中不能从空种群移出固定数量，数学式也不会自动知道这一限制。
-这一扩展不是本文基本模型的附带结论，而是明确增加采收假设后的新问题。固定量采收与按比例采收又不同：后者给出与 <math>N</math> 成正比的损失，改变有效增长系数。建模时一个词“采收”并没有唯一决定方程，必须说明机制和单位。
 == 容量估计与环境改变的区别 ==
@@ 第106行： / 第108行： @@
 同样，增长率 <math>r</math> 改变通常调整时间尺度，而改变容量还会影响轨迹的目标水平。比较政策或环境情景时，必须交代究竟改动了哪个参数，不宜把所有干预都画成“曲线更快或更慢”而忽略平衡水平。
-== 从模型结果到可检验的陈述 ==
-一个清楚的预测可以写成：在指定参数、初值、固定环境与确定性假设下，数量在某个时间窗口内达到某个阈值。这样可以分别检查参数来自何处、阈值是否位于允许范围、未来环境是否可能偏离假设。仅报告一条延伸很远的平滑 S 曲线，并没有提供同样的信息。
-教学算例的准确数值只是在这些假定参数下的计算结果，不能作为任何真实种群的经验结论。应用时除了拟合曲线，还应报告留出时间段的预测表现与不确定性；若不同合理参数都能解释已有数据，远期预测可能存在很大分歧。数学解可以是精确的，而模型预测仍然不确定，这两种判断并不矛盾。
 == 历史：Verhulst 的人口模型 ==
 比利时数学家皮埃尔-弗朗索瓦·韦吕尔斯特（Pierre-François Verhulst）在 1838 年发表人口增长研究，提出用增长抑制修正指数增长的微分方程。后来他又研究该模型并使用 logistic 名称。这个起点和后续工作可在 [https://mathshistory.st-andrews.ac.uk/Biographies/Verhulst/ 圣安德鲁斯大学 MacTutor 的 Verhulst 传记] 核验。
-今天常写的 <math>rN(1-N/K)</math> 是便于解释增长率与容量的参数化，不应当作原论文每个符号的原样复刻。模型后来成为人口动力学与一般增长建模中的经典例子；至于某个具体对象是否遵循它，需要当代数据与机制证据。统计学中的 logistic 回归使用相关的 S 形函数，却是在构造条件概率模型，不等同于断言样本正在按人口增长微分方程演化。
+今天常用的r、K参数分别突出增长速度与容量。统计学中的logistic回归也使用相关的S形函数，用于描述条件概率，是另一种应用。
-== English overview ==
-<div lang="en" class="math-english-summary">
-The logistic growth model modifies exponential growth by making the per-capita growth rate decrease linearly with population size. Its positive parameters set the low-density growth rate and the carrying capacity. These are modeling assumptions, not universal facts about all populations or growth processes. Units, the state range, and the observation period are part of the model specification.
-A phase-line analysis identifies zero and the carrying capacity as equilibria. Positive solutions below capacity increase toward it, while solutions above capacity decrease toward it. Separating variables gives an explicit formula, but the equilibrium solutions must be checked separately because division temporarily excludes them. For a growing trajectory, the greatest total growth rate occurs at half capacity, even though per-capita growth is already declining.
-Examples illustrate threshold times and recovery from an initially overloaded state. Parameter estimation has limits: observations confined to the early exponential phase may poorly determine carrying capacity. Transforming the data changes the error structure and should not replace residual analysis. Finally, the continuous equation differs from discrete logistic maps and from logistic regression. Large numerical time steps can introduce oscillations absent from the continuous model, while demographic randomness can matter when population sizes become too small for a deterministic approximation.
-</div>
-== 编者评注（AI 辅助） ==
-本站认为，理解洛吉斯蒂模型应先读人均增长假设，再读解公式，这是本文的教学判断。相线、拐点与超载算例共同说明，同一方程的意义并不等于一张固定的 S 形图。本文还把拟合与机制解释分开：参数有数值，不代表参数已被数据可靠识别；曲线相似，也不代表机制已经证实。使用模型做预测时，应明确哪些结论由方程必然推出，哪些仍依赖观测与环境稳定性。
 == 来源与继续阅读 ==