Python数学建模学习-莱斯利(Leslie)种群模型

2024-04-09 07:44

本文主要是介绍Python数学建模学习-莱斯利(Leslie)种群模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Leslie模型是一种用于离散时间的生物种群增长模型,经常用于描述年龄结构对种群增长的影响。在1945年,人口生态学家Patrick H. Leslie(莱斯利)为了研究具有离散年龄结构的种群,特别是对于有不同年龄阶段的生物,如昆虫、鱼类、鸟类等,提出了Leslie模型。

Leslie模型的基本思想是,将种群划分为不同年龄阶段(类别),然后根据不同年龄阶段的生存率和繁殖率来预测未来的种群变化。模型中的年龄结构是离散的,通常划分为几个年龄组。这个模型对于研究种群的年龄结构和生命周期变化非常有用。

模型建立

  • 在某动物种群中,仅考查雌性动物的年龄和数量;
  • 设雌性动物的最大生存年龄为L(单位:年);
  • \left [ 0,L \right ]等分为n个年龄组,每一年龄组的长度为L/n
  • n个年龄组分别为(从第1组到第n组)

  • 设第i个年龄组的生育率为a_i{_{}},存活率为b_i{_{}}(i=1,2,⋯,n),a_i{_{}}b_i{_{}}均为常数,且 

 a_i{_{}}\geqslant 0,0< b_i{}\leqslant 1(i=1,2,3,\cdot \cdot \cdot,n )

  • 设至少有一个a_i{_{}}>0 (1≤in);
  • 即至少有一个年龄组的雌性动物具有生育能力.
  • 由统计资料可获得基年(t=0)该种群在各年龄组的雌性动物数量.
  • x^{(0)_{}^{}}_i{} (i=1,2,⋯,n)为t=0时第i年龄组雌性动物的数量.
  • 初始时刻各年龄组种群数量分布向量

  • 若以年龄组的间隔\frac{L}{n}作为时间单位,记 

  • t_k{}时各年龄组种群数量分布向量 

  • 随着时间的变化,由于出生、死亡以及年龄的增长,该种群中每一个年龄组的雌性动物数量都将发生变化.
  • t_k{}时刻,种群中第1个年龄组的雌性动物数量应等于在t_k{}{}_-{}{}_1t_k{}之间出生的所有雌性幼体的总和,即

  • 同时,在t_k{}时刻,第i+1个年龄组(i=1,2,⋯,n-1)中雌性动物的数量应等于在t_k{}{}_-{}{}_1时刻第i个年龄组中雌性动物数量x_{i}^{(k-1)}乘存活率b_i{},即

  • 由式(2-3)可得在t_k{}t_k{}{}_-{}{}_1时刻各年龄组中雌性动物数量间的关系:

  • 记矩阵

  • 式(3)可写成

  • L莱斯利矩阵(Leslie).
  • 由式(5),可得

  •  一般地

  • 若已知初始时各年龄组种群数量分布向量x^{(0)},则可推算任一时刻t_k{}该种群数量分布向量.

    以上是相关理论介绍,下面举例说明

示例

  • 某种动物雌性的最大生存年龄为15年,
  • 以5年为一间隔,把这一动物种群分为3个年龄组[0,5),[5,10),[10,15],
  • 利用统计统计资料,已知生育率和存活率分别为:

  • 在初始时刻t=0时,3个年龄组的雌性动物个数分别为500,1000,500
  • 初始种群数量分布向量和莱斯利矩阵为:

  • 于是

  • 为了分析当k\rightarrow \infty时,该动物种群数量分布向量的特点,先求出矩阵L的特征值与特征向量.
  • 计算L的特征多项式

  • 由此可得L的特征值

  • \lambda _1{}是矩阵L的唯一正特征值,且

  • L有3个互异特征值,因此矩阵L可相似对角化.
  • 设矩阵L属于特征值\lambda _i{} (i=1,2,3)的特征向量为\alpha _i{}.
  • 计算L属于特征值\lambda _1{}=\frac{3}{2}的特征向量为

  • 记矩阵

  • 因此L^{k}=P\Lambda ^{k}P^{-1}.
  • 矩阵对角化可参考矩阵对角化(Diagonalizing a Matrix)-CSDN博客
  • 于是有:

  • 因为\left | \frac{_{\lambda _{2}}}{\lambda _{1}} \right |<1,\left | \frac{_{\lambda _{3}}}{\lambda _{1}} \right |<1,所以:

  • 记列向量P^{-1}X^{(0)}的第一个元素为 c(常数),则式(6)可化为

  •  当k充分大时,近似地成立

其中c=\frac{250}{19}.

  • 当时间充分长,这种动物中雌性的年龄分布将趋于稳定,即3个年龄组的数量比为18:6:1.
  • 可近似得到在t_{k}时刻种群中雌性动物的总量,从而对整个种群的总量进行估计.
  • 莱斯利模型在分析动物种群的年龄分布和总量增长方面有广泛应用,也可应用于人口增长的年龄分布问题.

【提示:以上涉及高数内容对很多伙伴包括我很困难,大家可以结合后面的编程内容,交互学习,能看懂算出结果比推导公式明白原理更重要】 

Python编程计算代码如下:

import numpy as np  # 导入NumPy库,并简化为np  
import sympy as sp  # 导入SymPy库,并简化为sp  # 定义初始向量X0  
X0 = np.array([500, 1000, 500])  # 定义矩阵L  
L = np.array([[0, 4, 3], [0.5, 0, 0], [0, 0.25, 0]])  # 矩阵乘法计算X1和X2  
X1 = L @ X0; X2 = L @ X1  # @表示矩阵乘法  
X3 = L @ X2  # 定义符号矩阵Ls  
Ls = sp.Matrix([[0, 4, 3], [sp.Rational(1,2), 0, 0],  [0, sp.Rational(1,4), 0]])  # 使用Rational来确保精确计算  # 定义符号变量lamda  
sp.var('lamda')  # 计算特征多项式  
p = Ls.charpoly(lamda)  # 计算特征根  
w1 = sp.roots(p)  # 直接计算特征值  
w2 = Ls.eigenvals()  # 直接计算特征向量  
v = Ls.eigenvects()  # 打印特征值和特征向量  
print("特征值为:", w2)  
print("特征向量为:\n", v)  # 相似对角化  
P, D = Ls.diagonalize()  # 求逆矩阵  
Pinv = P.inv()  # 简化逆矩阵  
Pinv = sp.simplify(Pinv)  # 将逆矩阵应用于初始向量X0  
cc = Pinv @ X0  # 打印变换矩阵P和变换后的系数c  
print('P=\n', P)  
print('c=', cc[0])

结果输出:

特征值为: {3/2: 1, -3/4 - sqrt(5)/4: 1, -3/4 + sqrt(5)/4: 1}
特征向量为:
 [(3/2, 1, [Matrix([
[18],
[ 6],
[ 1]])]), (-3/4 - sqrt(5)/4, 1, [Matrix([
[3*sqrt(5) + 7],
[ -3 - sqrt(5)],
[            1]])]), (-3/4 + sqrt(5)/4, 1, [Matrix([
[7 - 3*sqrt(5)],
[ -3 + sqrt(5)],
[            1]])])]
P=
 Matrix([[18, 3*sqrt(5) + 7, 7 - 3*sqrt(5)], [6, -3 - sqrt(5), -3 + sqrt(5)], [1, 1, 1]])
c= 2250/19

  • 如要计算第k=2个时期的种群数量,代码如下:
# 导入numpy库,用于数组操作
import numpy as np
# 导入sympy库,用于符号计算
import sympy as sp# 定义一个初始种群向量X0,包含三个年龄段的种群数量
X0 = np.array([500, 1000, 500])# 定义Leslie矩阵L,描述了不同年龄段种群的转化关系
L = np.array([[0, 4, 3], [0.5, 0, 0], [0, 0.25, 0]])# 计算第一年的种群向量X1,即L乘以初始种群向量X0
X1 = L @ X0
# 计算第二年的种群向量X2,即L乘以第一年的种群向量X1
X2 = L @ X1
# 计算第三年的种群向量X3,即L乘以第二年的种群向量X2
X3 = L @ X2# 定义符号矩阵Ls,这里使用了Rational来确保计算中的分数是精确的
Ls = sp.Matrix([[0, 4, 3], [sp.Rational(1, 2), 0, 0], [0, sp.Rational(1, 4), 0]])# 定义符号变量lamda,用于特征多项式的计算
lamda = sp.var('lamda')# 计算矩阵Ls的特征多项式
p = Ls.charpoly(lamda)# 注释掉了计算特征值和特征向量的代码,因为在后面有重新计算
# w11 = Ls.eigenvals()
# w22 = Ls.eigenvects()# 计算特征多项式的根,即特征值
w1 = sp.roots(p)# 直接计算矩阵Ls的特征值
w2 = Ls.eigenvals()# 直接计算矩阵Ls的特征向量
v = Ls.eigenvects()# 注释掉了打印特征值和特征向量的代码
# print("特征值", w2)
# print(w1)
# print('特征向量', v)# 对矩阵Ls进行相似对角化,得到变换矩阵P和对角矩阵D
P, D = Ls.diagonalize()# 计算变换矩阵P的逆矩阵
Pinv = P.inv()# 简化逆矩阵Pinv
Pinv = sp.simplify(Pinv)# 将逆矩阵Pinv应用于初始种群向量X0,得到变换后的系数cc
cc = Pinv @ X0# 注释掉了打印变换矩阵P和系数cc的代码
# print(P)
# print(cc[0])
# print(w1)
# print(v)# 定义符号变量k,表示时期数,且k为正整数
k = sp.var('k', positive=True, integer=True)# 计算第k个时期的种群数量,通过相似对角化后的形式进行计算
xk = P @ (D ** k) @ Pinv @ sp.Matrix(X0)# 注释掉了打印第k个时期种群数量和特定元素的代码
# print(xk)
# print(xk[0])# 简化第k个时期的种群数量表达式
s = sp.simplify(xk[0])# 将k替换为2,并计算数值结果,即第二个时期的种群数量
print(s.subs(k, 2).n())

结果输出【中间部分代码进行了注释,大家可以根据需要打开学习】:

1750.00000000000


参考文献

[1] 司守奎,孙兆亮. Python数学建模算法与应用. 北京:国防工业出版社,2022.


本文内容来源于《Python数学建模算法与应用》教材和网络,仅供参考学习,如内容、图片有任何版权问题,请联系处理,24小时内删除。

这篇关于Python数学建模学习-莱斯利(Leslie)种群模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/887567

相关文章

使用Python实现矢量路径的压缩、解压与可视化

《使用Python实现矢量路径的压缩、解压与可视化》在图形设计和Web开发中,矢量路径数据的高效存储与传输至关重要,本文将通过一个Python示例,展示如何将复杂的矢量路径命令序列压缩为JSON格式,... 目录引言核心功能概述1. 路径命令解析2. 路径数据压缩3. 路径数据解压4. 可视化代码实现详解1

python获取网页表格的多种方法汇总

《python获取网页表格的多种方法汇总》我们在网页上看到很多的表格,如果要获取里面的数据或者转化成其他格式,就需要将表格获取下来并进行整理,在Python中,获取网页表格的方法有多种,下面就跟随小编... 目录1. 使用Pandas的read_html2. 使用BeautifulSoup和pandas3.

Python装饰器之类装饰器详解

《Python装饰器之类装饰器详解》本文将详细介绍Python中类装饰器的概念、使用方法以及应用场景,并通过一个综合详细的例子展示如何使用类装饰器,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录1. 引言2. 装饰器的基本概念2.1. 函数装饰器复习2.2 类装饰器的定义和使用3. 类装饰

Python 交互式可视化的利器Bokeh的使用

《Python交互式可视化的利器Bokeh的使用》Bokeh是一个专注于Web端交互式数据可视化的Python库,本文主要介绍了Python交互式可视化的利器Bokeh的使用,具有一定的参考价值,感... 目录1. Bokeh 简介1.1 为什么选择 Bokeh1.2 安装与环境配置2. Bokeh 基础2

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模