人口预报模型
- 格式:doc
- 大小:197.00 KB
- 文档页数:8
数学建模———关于人口增长的模型摘要:本文讨论了人口的增长问题,并预测出了2010、2020年的美国人口。
首先,我们给出了两种预测方法:第一,在假定人口增长率不变的情况下,建立指数增长模型;第二,假定人口增长率呈线性下降的情况下,建立阻滞增长模型。
对两种模型的求解,我们引入了微分方程。
其次,为了选择一种较好的预测方法,我们分别对两种模型进行了检验和讨论。
先列图表对预测值与真实值进行比较,然后定性的对模型进行讨论,最后一个阶段选择绝对误差、均方差和相关系数对两个模型的优劣进行定量的评价,选出最好的预测方法。
一、 问题的提出:人口问题是当前世界上人们最关心的问题之一,认识人口数量的变化规律,做出较为准确的预报,是有效控制人口增长前提,现根据下表给出的近两百模型一(指数增长模型)1、模型的提出背景:我们对所给的数据进行了认真仔细的分析之后,对其进行处理:将年份进行编号(i X ),人口数量计为(i Y ),以i X 为横坐标,以i Y 为纵坐标,建立直角坐标系。
然后将表格中所给的数据绘在直角坐标系中附表A ,我们发现这些点大体呈指数增长趋势固提出此模型。
附图A2、基本假设:人口的增长率是常数增长率——单位时间内人口增长率与当时人口之比。
故假设等价于:单位时间人口增长量与当时人口成正比。
设人口增长率为常数r 。
时刻t 的人口为X(t),并设X(t)可微,X(0)=X O由假设,对任意△t>0 ,有)()()(t rx tt x t t x =∆-∆+即:单位时间人口增长量=r ×当时人口数当△t 趋向于0时,上式两边取极限,即:o t →∆lim)()()(t rx tt x t t x =∆-∆+ 引入微分方程:)1( )0()(0⎪⎩⎪⎨⎧==x x t rx dtdx3、模型求解: 从(1)得rdt xdx= 两边求不定积分:c rt x +=ln∵t=0时0x x =,∴C x =0lnrt e x rt x x 00ln ln ln =+=∴rte x t x 0)(= (2) 当r>0时.表明人口按指数变化规律增长.备注; r 的确定方法:要用(4.2)式来预测人口,必须对其中的参数r 进行估计: 十年的增长率307.0ln 9.33.5==r,359.1307.0=e,则(2)式现为: t t x )359.1(9.3)(⨯=4、结论:由上函数可预测得:2010的人口为x(22):x(22)=3325.772020的人口为x(23):x(23)=4519.735、检验:根据所建立的指数模型预测1790以后近两百年的美国人口数量,在此6、模型讨论:由表可见,当人口数较少时,模型的预测结果与实际情况相差不大(不超过5%)。
人口预测问题数学模型岳靖雨王泽摘要在计划生育的影响下,我国人口的出生率持续下降,远远低于其他发展中国家,甚至低于美英等发达国家。
人口出生率的降低,带来最直接的问题就是我国劳动力的逐年下降,尤其是青壮年劳动力的不足,从而严重影响了我国社会生产的发展。
同时,随时人们生活水平的提高以及卫生医疗事业的发展,大大延长了国民的寿命,使得我国出现了人口老龄化的现象,并且这种现象呈现了日益严重的趋势。
为此,第十八届中央委员会第三次全体会议决定开放单独二胎政策,以提高我国人口的出生率以及降低人口老龄化程度。
基于此,本文旨在研究开放单独二胎政策对我国人口出生率以及人口结构的影响。
在参阅大量研究报告的基础上,构建了合适的预测人口的数学模型,对我国未来几年内人口总数及老龄人口数进行了预测。
通过得到的数据结果说明了,开放单独二胎政策确实能够提高我国人口的出生率,有效地缓解出生率下降的趋势,但相对于我国的人口基数,这种增长是非常微小的;未来几年内,我国老龄人口所占的比例仍会持续上升,但是在单独二胎政策的影响下,我国老龄人口所占比例的增长率将会基本保持不变,不会出现计划生育时期逐渐增大的现象。
关键词:单独二胎政策;人口预测模型;人口老龄化;人口结构一、问题重述人口的数量和结构是影响经济社会发展的重要因素。
从20世纪70年代后期以来,我国鼓励晚婚晚育,提倡一对夫妻生育一个孩子。
该政策实施30多年来,有效地控制了我国人口的过快增长,对经济发展和人民生活的改善做出了积极的贡献。
但另一方面,其负面影响也开始显现。
如小学招生人数(1995年以来)、高校报名人数(2009年以来)逐年下降,劳动人口绝对数量开始步入下降通道,人口抚养比的相变时刻即将到来,这些对经济社会健康、可持续发展将产生一系列影响,引起了中央和社会各界的重视。
因此,我国决定开放单独二胎政策。
实施这项政策不仅是计划生育工作的一项重要调整,同时也充分适应了我国人口的发展趋势,是满足人民群众需求的一项关键性举措,具有重大现实意义。
建模示例:如何预报人口的增长人类社会进入20世纪以来,在科学技术和生产力飞速发展的同时,世界人口也以空前的规模增长。
统计数据显示:可以看出,人口每增加十亿的时间,由一百年缩短为十二三年。
我们赖以生存的地球,已经携带着它的60亿子民踏入21世纪。
长期以来,人类的繁殖一直在自发地进行着。
只是由于人口数量的迅速膨胀和环境质量的急剧恶化,人们才猛然醒悟,开始研究人类和自然的关系、人口数量的变化规律,以及如何进行人口控制等问题。
我国是世界第一人口大国,地球上每五个人中就有一个中国人。
在20世纪的一段时间内我国人口的增长速度过快,请看:有效地控制我国人口的增长,不仅是使我国全面进入小康社会、到21世纪中叶建成富强民主文明的社会主义国家的需要,而且对于全人类社会的美好理想来说,也是我们义不容辞的责任。
认识人口数量的变化规律,建立人口模型,做出准确的预报,是有效控制人口增长的前提。
长期以来人们在这方面作了不少工作,下面介绍两个最基本的人口模型,并利用表1给出的近两个世纪的美国人口统计数据(以百万为单位),对模型作检验,最后用它预报2010年美国的人口。
表1 美国人口统计数据1) 指数增长模型最简单的人口增长模型使人所共识的:记今年人口为0x ,k 年后人口为k x ,年增长率为r ,则(1)kk x x r =⋅+ (1) 显然,这个公式的基本条件是年增长率r 保持不变。
二百多年前英国人口学家马尔塞斯(Malths ,1766—1834)调查了英国一百多年的人口统计资料,得出了人口增长率不变的假设,并据此建立了著名的人口指数增长模型。
模型建立 记时刻t 的人口为()x t ,当考察一个国家或一个较大地区的人口时,()x t 是一个很大的整数。
为了利用微积分这一数学工具,将()x t 视为连续、可微函数。
记初始时刻(0=t )的人口为0x . 假设人口增长率为常数r ,即单位时间内()x t 的增量等于r 乘以()x t . 考虑t 到t t ∆+时间内人口的增量,显然有()()()t t rx t x t t x ∆+=∆+令0→∆t ,得到()t x 满足微分方程:rx dtdx=,0)0(x x = (2) 有这个方程很容易解出()rt e x t x 0= (3)0>r 时(3)式表示人口将按指数规律随时间无限增长,称为指数增长模型。
人口模型与预测摘要人口的增长是当前世界上引起普遍关注的问题,作为世界上人口最多的国家,我国的人口问题是十分突出的,由于人口基数大,尽管我国已经实行了20多年的计划生育政策,人口的增长依然很快,巨大的人口压力给我国的社会、政治、经济、医疗、就业等带来了一系列的问题。
因此,研究和解决人口问题在我国显得尤为重要。
我们经常在报刊上看见关于人口增长的预报,说到本世纪末,或到下世纪中叶,全世界(或某地区)的人口将达到多少亿。
你可能注意到不同报刊对同一时间人口的预报在数字上长有较大的区别,这显然是由于用了不同的人口模型计算的结果。
人类社会进入20世纪以来,在科学技术和生产力飞速发展的同时,世界人口也以空前的规模增长。
人口每增加十亿的时间,由一百年缩短为十二三年.我们赖以生存的地球,已经携带着它的60亿子民踏入21世纪.长期以来,人类的繁殖一直在自发地进行着,只是由于人口数量的迅速膨胀和环境质量的急剧恶化,人们才猛然醒悟,开始研究人类和自然的关系、人口数量的变化规律,以及如何进行人口控制等问题本文建立两个模型(1)中国人口的指数增长模型,并用该模型进行预测,与实际人口数据进行比较。
(2)中国人口的Logistic模型,并用该模型进行预测,与实际人口数据进行比较。
而且利用MATLAB图形,标出中国人口的实际统计数据,并画出两种模型的预测曲线和两种预测模型的误差比较图,并分别标出其误差。
关键词指数增长模型Logistic模型MATLAB软件人口增长预测1 问题的提出下表列出了中国1982-1998年的人口统计数据,取1982年为起始年(0=t ),1016540=N 万人,200000=m N 万人。
要求:(1)建立中国人口的指数增长模型,并用该模型进行预测,与实际人口数据进行比较。
(2)建立中国人口的Logistic 模型,并用该模型进行预测,与实际人口数据进行比较。
(3)利用MATLAB 图形,标出中国人口的实际统计数据,并画出两种模型的预测曲线。
《数学模型》实验报告实验名称:如何预报人口的增长成绩:____________实验日期:2009年4月22日实验报告日期:2009年4月26日人类文明发展到今天,人们越来越意识到地球资源的有限性,我们感受到”地球在变小",人口与资源之间的矛盾日渐突出,人口问题已成为当前世界上被最普遍关注的问题之一,当然人口增长规律的发现以及人口增长的预测对一个国家制定比较长远的发展规划有着非常重要的意义•本节介绍几个经典的人口模型•3.3.1模型I:人口指数增长模型(马尔萨斯Malthus,1766--1834)1)模型假设时刻t人口增长的速率,即单位时间人口的增长量,与当时人口数成正比,即人口增长率为常数r.以P(t)表示时刻t某地区(或国家)的人口数,设人口数P(t)足够大,可以视做连续函数处理,且P(t)关于t连续可微.2)模型建立及求解据模型假设,在t到时间内人口数的增长量为5两端除以,得到5即,单位时间人口的增长量与当时的人口数成正比令,就可以写出下面的微分方程:5如果设时刻的人口数为,则满足初值问题:(1)下面进行求解,重新整理模型方程(1)的第一个表达式,可得5两端积分,并结合初值条件得显然,当时,此时人口数随时间指数地增长,故模型称为指数增长模型(或Malthus模型).如下图3-2所示.3)模型检验19世纪以前欧洲一些地区的人口统计数据可以很好的吻合.19世纪以后的许多国家,模型遇到了很大的挑战.注意到,而我们的地球是有限的,故指数增长模型(Malthus模型)对未来人口总数预测非常荒谬,不合常理,应该予以修正•图3-24)模型讨论为了做进一步的讨论,阐明此模型组建过程中所做的假设和限制是非常必要的我们把人口数仅仅看成是时间的函数,忽略了个体间的差异(如年龄,性别,大小等)对人口增长的影响.假定是连续可微的•这对于人口数量足够大,而生育和死亡现象的发生在整个时间段内是随机的,可认为是近似成立的•人口增长率是常数,意味着人处于一种不随时间改变的定常的环境当中模型所描述的人群应该是在一定的空间范围内封闭的,即在所研究的时间范围内不存在有迁移(迁入或迁出)现象的发生.不难看出,这些假设是苛刻的,不现实的,所以模型只符合人口的过去结果而不能用于预测未来人口.3.3.2模型II:阻滞增长模型(Logistic)一个模型的缺陷,通常可以在模型假设当中找到其症结所在一一或者说,模型假设在数学建模过程中起着至关重要的作用,它决定了一个模型究竟可以走多远.在指数增长模型中,我们只考虑了人口数本身一个因素影响人口的增长速率,事实上影响人口增长的另外一个因素就是资源(包括自然资源,环境条件等因素).随着人口的增长,资源量对人口开始起阻滞作用,因而人口增长率会逐渐下降.许多国家的实际情况都是如此.定性的分析,人口数与资源量对人口增长的贡献均应当是正向的.1)模型假设地球上的资源有限,不妨设为1;而一个人的正常生存需要占用资源(这里事实上也内在的假定了地球的极限承载人口数为);在时刻t,人口增长的速率与当时人口数成正比,为简单起见也假设与当时剩余资源成正比;比例系数表示人口的固有增长率;设人口数P(t)足够大,可以视做连续变量处理,且P(t)关于t连续可微.2)模型建立及求解由模型假设,可将人口数的净增长率视为人口数P(t)的函数,由于资源对人口增长的限制,应是P(t)的减函数,特别是当P(t)达到极限承载人口数时,应有净增长率,当人口数P(t)超过时,应当发生负增长.基于如上想法,可令用代替指数增长模型中的导出如下微分方程模型:⑵这是一个Bernoulli方程的初值问题,其解为在这个模型中,我们考虑了资源量对人口增长率的阻滞作用,因而称为阻滞增长模型(或Logistic 模型).其图形如图3-3所示.图3-33)模型检验从图3-3可以看出,人口总数具有如下规律:当人口数的初始值时,人口曲线(虚线)单调递减,而当人口数的初始值时,人口曲线(实线)单调递增;无论人口初值如何,当,它们皆趋于极限值.4)模型讨论阻滞增长模型从一定程度上克服了指数增长模型的不足,可以被用来做相对较长时期的人口预测,而指数增长模型在做人口的短期预测时因为其形式的相对简单性也常被采用不论是指数增长模型曲线,还是阻滞增长模型曲线,它们有一个共同的特点,即均为单调曲线. 但我们可以从一些有关我国人口预测的资料发现这样的预测结果:在直到2030年这一段时期内,我国的人口一直将保持增加的势头,到2030年前后我国人口将达到最大峰值16亿,之后,将进入缓慢减少的过程一一这是一条非单调的曲线,即说明其预测方法不是本节提到的两种方法的任何一种.还有比指数增长模型,阻滞增长模型更好的人口预测方法吗[FS:PAGE]事实上,人口的预测是一个相当复杂的问题,影响人口增长的因素除了人口基数与可利用资源量外,还和医药卫生条件的改善,人们生育观念的变化等因素有关,特别在做中短期预测时我们希望得到满足一定预测精度的结果,比如在刚刚经历过战争或是由于在特定的历史条件下采纳了特殊的人口政策等,这些因素本身以及由此而引起的人口年龄结构的变动就会变的相当重要,进而需要必须予以考虑•、实验目的预报人口的增长变化规律,作出较准确的预报,为以后有效的控制人口增长提供依据,为设计型实验。
中国人口预测模型摘要中国占有世界上四分之一的人口,是世界上的第一人口大国。
改革开放以来,我们国家享受着人口福利。
但是随着改革进程的不断深化,人口过多带来的问题不断影响着我经济的发展。
要解决人口问题,进行人口预测是重中之重。
我们将人口预测问题划分为三个部分:人口抽样数据的统计描述、建立人口中短期预测模型、建立人口长期预测模型。
第一,人口抽样数据的统计描述。
我们将附录给出的数据按照城、镇、乡,进行整理,给出了相关的统计描述:以2001年为例,城市人口中老年人占比为8.4%,镇人口老年人占比为6.71%,乡人口老年人占比为7.24%,初生儿的死亡率较大。
妇女生育年龄大多在20至40岁,生育率的大小比较为:城 < 镇 < 乡,出生人口数的大小排序为:镇< 城< 乡,出生人口的性别比例,男性大于女性。
死亡率的大小比较为:城 < 镇 < 乡,其中男性比女性占比大。
预计接下来的年份人口的增长率一开始变化不大,但死亡率会渐渐降低,导致增长率也会慢慢上升。
第二,建立人口中短期预测模型。
首先,我们根据查阅到的数据,运用回归方法建立了人口预测的一元线性预测模型。
再利用GM(1,1)灰色模型,对一元线性预测模型进行了改进。
最后得出,全国总人口数量依然呈现出上升的趋势,市、镇人口的增加速率也在不断地加快,人口将在2006年达到13.15亿,07年达到13.23亿,08年达到13.31亿,09年达到13.39亿,10年达到13.41亿(详细情况见表13-表16)。
第三,建立人口长期预测模型。
我们根据查阅到的数据,建立了Logistic模型,模型如下:N(t)=141880−0.0715t+140.90(单位:万人)。
通过MATLAB绘制图像(图9),表明中国人口在2050年左右将达到峰值14.20亿,并且此后的人口将稳定在峰值。
我们根据预测所得,针对人口增长、人口老龄化及男女性别比不均等问题,对国家政策的调整提出了一些建议,如坚持邓小平理论、科学发展观,加强计划生育工作等。
中国人口增长的分析与预测模型摘要:本文主要以所给两个附表的数据为依据,结合国家统计局公布的人口抽样数据,根据Leslie人口模型思想,同时在假设城镇化水平的增长曲线大致表现为一条拉伸的“S”型Logistic曲线的情况下,建立了分性别、按年龄、分地区(城、镇、乡)、农村人口迁往城镇的动态差分方程组模型及其矩阵形式,通过参数拟合和模型求解,按照高、中、低三种总和生育率,分别预测了未来我国总人口增长、城镇化水平、生育率、性别比例、老龄化进程等人口指标,预测结果表明我国在2030年城镇化水平将达到60.74%,高、中、低三种方案下的总人口数将分别为14.85亿、14.48亿和14.11亿,男女性别比将为120:100,2005年至2020年我国将出现婴儿出生的高峰期。
在高、中、低三种方案下,我国人口的最大值将分别在2040年、2030年和2025年出现。
2050年城镇化水平达到61.22%,在未来的50年内将迎来总人口高峰、劳动年龄人口高峰和老年人口高峰,模型分析说明了影响我国人口增长的主要因素是生育率不断降低、老龄化进程加速,出生人口性别比例持续升高,以及乡村人口城镇化加快等。
最后,给出了我国人口增长的中短期、长期增长预测结果。
关键词:人口增长;Leslie模型;城镇化;老龄化;人口高峰1. 问题的提出人类文明发展到今天,人们越来越意识到地球资源的有限性,我们感到"地球在变小",人口资源之间的矛盾日渐突出。
人口问题成为当今世界上最令人关注的问题之一,一些发展中国家的人口出生率过高,越来越严重地威胁着人类的正常生活,有些发达国家的自然增长率趋近于零,甚至变为负数,造成劳动力短缺,也是不容忽视的问题。
中国是一个人口大国,人口问题始终是制约我国发展的关键因素之一。
近年来,中国的人口发展出现了一些新的特点,例如:老年化进程加速,出生人口性别比持续升高,以及乡村人口城镇化等因素,随着我国经济的发展、国家人口政策的实施,这些都影响着中国人口的增长。
预报人口的增长模型摘要:为了研究人口发展的趋势,对未来的人口数量做出较准确的预测,本文根据美国1790-1990年的人口统计数据,通过Matlab 数据拟合和分别运用指数增长模型、阻滞增长模型对某地区2000年的人口进行了预测,它们的预报数分别为396.7892 (百万) 、311.9527(百万).现认为人口的增长服从人口在某段时间内的增长数量与人口的最大容量和人口某个时刻的人口数之差成正比的规律。
本文通过建立模型对其进行求解,得出某地区2000年人口数为305.6513(百万)。
关键词:人口预测、指数增长模型、阻滞增长模型、最大容量正文1问题复述:根据某个地区从1790年到1990年的人口数据如下表,建立起人口增长模型,并估计出某个地区2000年的人口,同时画出拟合效果图.表1 美国人口统计数据2模型一、指数增长模型 人口增长率为常数r ;()x t 为t 时刻的人口数;(0)x 为初始时刻的人口数; ()x t t +∆为t t +∆时刻的人口数;模型二、阻滞增长模型()r x 为人口的增长率,是关于人口数量的线性递减函数;mx是环境所能容纳的最大人口数量,r 为固有增长率;(0)x 为初始时刻的人口数量;mrs x=;模型三、修改后的模型()x t 为t 时刻的人口数量; ()x m 为人口数量的最大容量;(0)x 为初始时刻的人口数量;t 到t t +∆时间内人口的增量与()x m -()x t 成正比;r 为比例系数;3 模型建立: 模型一:当人口总数很大时,可近似为时间的连续函数,甚至是可微函数,假设人口增长率是常数r ,则它的人口增长数量为()x t t +∆-()x t =r ()x t )t ∆ (1) 令0t ∆ 得到()x t 满足微分方程0,(0)dxrx x dtx ==(2) 由此方程很容易解出 0()rtx t x e=(3)模型二:阻滞作用体现在人口增长率r 的影响上,使得r 随着人口数量X 的增加而下降。
若将r 表示为()r x 的函数,则它应是减函数。
于是方程(2)写作:0(),(0)dxr x x x dtx == (4) 对()r x 的一个最简单的假定是,设()r x 为x 的线性函数,即()(0,0)r x r sx r s =->>(5)由上面的假设知:()(1)mxr x r x=- (6)将(6)带入方程(4)得(1)mdx x rx dt x =-,0(0)x x = (7) 0()1(1)mrtm x t xx e-=+- (8)模型三:当人口数量的增长符合以上规律的时候,于是方程(2)可写作0(),(0)m dxr x x dtx x ≈-=,r 为比例系数 (9) 解得0()()rtm m x t x x x e =--(10)4、模型求解: 模型一:利用Matlab 数据拟合效果如下:175018001850190019502000050100150200250300350400450从上图可用看出拟和得效果比较好,特别是在1800—2000年这个时间段。
从拟和的结果我 们得到在上图的拟和效果下:r =0.0237/10年,0x =3.9(百万 ),进而把它们代入模型我们计算得出(2000)x =396.7892 (百万).模型二:利用Matlab 数据拟合效果如下:通过拟合求解得,(0)x =3.0 (百万),r =0.028/10年,(2000)311.9527x =(百万) 模型三:当人口数量的增长服从以下规律:时刻t 的人口为()x t ,t 到t t + 时间内人口的增长量与()mx t x-成正比(其中m x 为最大容量),于是方程(2)可写作 0(),(0)m dxr x x dtx x ≈-=,r 为比例系数 (9) 解得0()()rtm m x t x x x e =--(10)通过数据拟合带入可求得(2000)305.6513x =(百万) 5、模型检验:阻滞增长模型在某种程度上较好地反映了人口的增长规律,特别是在预测现代社会人口发展趋势有较高的科学性。
因为现代社会人口已经达到一定的饱和程度,社会因素对人口的发展产生了很大的影响,比如粮食资源,水资源,环境问题已经对人类的可持续发展构成了约束作用而在1790-1900年,人口的增长还没达到饱和,所以社会因素影响不大, 用指数增长模型就可以较准确的预测出人口数量。
当t 充分大时,我们可以观察到修改后的模型与阻滞增长模型相近,能更准确的预测出未来人口的数量。
6、附录:1.指数增长模型参数估计部分程序源代码及运行结果程序源代码:(源代码保存在fei.m中)t = [1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990];x = [3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.0 92.0 106.5 123.2 131.7 150.7 179.3 204.0 226.5 251.4];x0 = x(1);t0 = t(1);r = regress(log(x'/x0), t' – t0)运行结果:>> feir =0.02372.指数增长模型仿真验证部分程序源代码及运行结果程序源代码:(源代码保存在fei.m中)t = [1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990];x = [3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.0 92.0 106.5 123.2 131.7 150.7 179.3 204.0 226.5 251.4];x0 = x(1);r = 0.0237;result = x0*exp(r*(t'-t0));[t' x' result (x'-result)./result * 100]plot(t, x,'r');hold on;plot(t, result,'b')运行结果>> feians =1.0e+003 *1.7900 0.0039 0.0039 01.8000 0.0053 0.0049 0.00721.8100 0.0072 0.0063 0.01491.8200 0.0096 0.0079 0.02091.8300 0.0129 0.0101 0.02821.8400 0.0171 0.0128 0.03411.8500 0.0232 0.0162 0.04351.8600 0.0314 0.0205 0.05321.8700 0.0386 0.0260 0.0486 1.8800 0.0502 0.0329 0.0525 1.8900 0.0629 0.0417 0.0508 1.9000 0.0760 0.0529 0.0437 1.9100 0.0920 0.0670 0.0373 1.9200 0.1065 0.0849 0.0254 1.9300 0.1232 0.1077 0.0144 1.9400 0.1317 0.1365 -0.0035 1.9500 0.1507 0.1729 -0.0129 1.9600 0.1793 0.2192 -0.0182 1.9700 0.2040 0.2778 -0.0266 1.9800 0.2265 0.3521 -0.0357 1.9900 0.2514 0.4463 -0.0437 图像1750180018501900195020000501001502002503003504004503.阻滞增长模型参数估计部分程序源代码及运行结果定义函数(源代码保存在wang.m 中)function f = curvefun(x, tdata) x0 = 3.0; t0 = tdata(1);f = x(1) ./ (1 + (x(1) ./ x0 - 1) * exp(-x(2) .* (tdata - t0)));程序源代码:(源代码保存在fei.m 中)tdata = [1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990];xdata = [3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.092.0 106.5 123.2 131.7 150.7 179.3 204.0 226.5 251.4];xs = [100, 0.5];x = lsqcurvefit('curvefun', xs, tdata, xdata)运行结果:>> feiOptimization terminated: relative function valuechanging by less than OPTIONS.TolFun.x =311.9527 0.02804. Logistic模型仿真验证部分程序源代码及运行结果程序源代码:(源代码保存在fei.m中)t = [1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 19001910 1920 1930 1940 1950 1960 1970 1980 1990];x = [3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.0 92.0106.5 123.2 131.7 150.7 179.3 204.0 226.5 251.4];x0 = x(1);t0 = t(1);r = 0.0280;xm = 311.9527;result = xm ./ (1 + (xm ./ x0 - 1) * exp(-r .* (t' - t0)));[t' x' result (x'-result)./result * 100]plot(t, x,'r');hold on;plot(t, result,'b')运行结果>> feians =1.0e+003 *1.7900 0.0039 0.0039 01.8000 0.0053 0.0051 0.00311.8100 0.0072 0.0068 0.00641.8200 0.0096 0.0089 0.00801.8300 0.0129 0.0117 0.01071.8400 0.0171 0.0152 0.01231.8500 0.0232 0.0198 0.01691.8600 0.0314 0.0257 0.02211.8700 0.0386 0.0332 0.01641.8800 0.0502 0.0424 0.01841.8900 0.0629 0.0538 0.01701.9000 0.0760 0.0674 0.01281.9100 0.0920 0.0833 0.01041.9200 0.1065 0.1015 0.00491.9300 0.1232 0.1215 0.00141.9400 0.1317 0.1428 -0.00781.9500 0.1507 0.1646 -0.00841.9600 0.1793 0.1861 -0.00361.9700 0.2040 0.2064 -0.00121.9800 0.2265 0.2250 0.00071.9900 0.2514 0.2414 0.0041参考文献:[1]数学模型(第三版)姜启源谢金星叶俊高等教育出版社 2003[2]教师讲义[3]数学建模与数学实验(第二版)赵静、但琦高等教育出版社。