企业官网建设流程全解析

“种群竞争模型”在数学建模里出现的频率，远比你想象的高。国赛、校赛、美赛训练中，只要题目里出现“两个产品抢占同一市场”“两个物种争夺同一资源”“新旧技术争夺用户基数”这类设定，背后基本都能套进 Lotka-Volterra 竞争方程组。我当年第一次系统性学这个模型时，走了不少弯路，后来把推导、代码、参数分析和容易踩的坑全部整理成一整套笔记，这篇就是在笔记基础上重写的版本，非常适合准备数学建模竞赛、做生物数学课程设计，或者单纯想弄懂两个种群为什么有的能共存、有的会灭绝的读者来参考。

很多人把这个模型当作生态学专属内容，实际上它的应用范围广得多。企业竞争、舆论传播、疾病传播中的“双病原体竞争”都可以用同一套数学结构描述。理解它，不只是在学一个微分方程，而是在学一种“用资源约束和相互作用解释系统命运”的建模思维。这篇笔记会从模型设计、数学推导、Python 实操到问题排查，把全过程完整过一遍。

1. 整体设计与思路拆解

1.1 为什么选择 Lotka-Volterra 竞争方程组

数学建模中最怕的不是不会算，而是不知道用什么模型。种群竞争模型的核心逻辑可以用一个生活场景概括：两个公司卖同类产品，市场总容量有限，客户重叠度又高，一方多卖一份，另一方就少卖一份，这时候两家的销量随着时间怎么变化？如果把“公司销量”换成“种群数量”，把“客户重叠度”换成“生态位重叠度”，就得到竞争模型的标准设定。

两个种群在同一个封闭环境里，共享有限资源，各自单独存在时都遵循 Logistic 增长规律，也就是人口增长不能无限涨，最终会被环境容量限制住。当它们同时存在时，彼此会互相压制，压制的强弱用一对竞争系数 α₁₂ 和 α₂₁ 表示。这里的下标含义要记清楚：α₁₂ 表示一个种群 2 个体对种群 1 资源的消耗强度，相当于多少个种群 1 个体；α₂₁ 则反过来，表示一个种群 1 个体对种群 2 的压制程度。这个“相当于多少倍”的理解方式，是后面解读参数、向队友解释模型的钥匙。

我见过不少队伍在建模时，把竞争模型和捕食模型混在一起用。捕食模型的经典形式是 Lotka-Volterra 捕食方程，它的两个物种之间是一方受益、一方受害的关系，比如狼和羊；竞争模型则是两方都受害，比如两种羊抢同一片草。虽然都叫 Lotka-Volterra，但结构和结论完全不同。判断题目用哪个模型，只看一点：两个主体之间的相互作用是“你死我活”还是“互相拖后腿”。“互相拖后腿”就用竞争模型，这个区分在赛题分析里至关重要。

1.2 模型假设与适用场景

用这个模型之前，必须清楚它的假设边界。标准的竞争模型假设环境是均匀的、封闭的，没有迁入迁出；种群内的个体没有年龄结构，出生死亡是连续过程；种内竞争和种间竞争都是线性密度制约；环境容量和竞争系数不随时间变化。这些假设在真实生态里几乎不可能完全满足，但建模题考察的是“在合理假设下用数学语言描述问题”，只要把假设写清楚，模型就站得住脚。

可以用在以下几类典型场景：

• 两种商品在同一个消费市场中的份额演化，市场容量对应环境容量，客户群重叠度对应竞争系数。
• 新旧两代技术标准在推广期的用户争夺，新技术的“爆发力”对应内禀增长率，旧技术的基础用户规模对应初始值。
• 两种疾病或两种谣言在人群中同时传播，医疗资源和公众注意力作为共享资源。
• 同类创业公司抢占同一细分赛道，融资额和市场天花板作为环境容量。

在这些场景里，模型输出的是“最终稳态”，也就是谁胜出、谁消失、还是双方稳定共存。这个答案意义重大，因为它决定了企业该不该入场、政策该不该干预、技术路线该不该坚持。建模题里最常考的结论也就在这里。

2. 核心数学原理与参数细节

2.1 竞争方程逐项拆解

竞争模型的标准形式是一组常微分方程，用代码块展示如下：

dx1/dt = r1 * x1 * (1 - x1/N1 - α12 * x2/N1) dx2/dt = r2 * x2 * (1 - x2/N2 - α21 * x1/N2)

先看第一个方程。(r_1) 是种群 1 的内禀增长率，也就是在没有资源限制、完全没有种间竞争时，种群数量翻倍的速度。(x_1) 是当前种群规模，(N_1) 是环境容量。单独存在时，方程退化为 (dx_1/dt = r_1 x_1 (1 - x_1/N_1))，这是最经典的 Logistic 增长方程，当 (x_1) 远小于 (N_1) 时接近指数增长，当 (x_1) 接近 (N_1) 时增长率趋于零。

多出来的项 (- \alpha_{12} x_2/N_1) 很关键。它表示种群 2 的存在会额外占用种群 1 的资源。比如一家面包店每天能卖 1000 个面包，隔壁开了另一家面包店后，每有一个顾客去隔壁，这家店就少一个潜在订单。( \alpha_{12} ) 就是“隔壁一个顾客相当于自家多少个顾客”的换算比例。如果 ( \alpha_{12} = 0.8)，那么每 10 个隔壁顾客相当于自家 8 个，压制不算太强；如果 ( \alpha_{12} = 2)，那么隔壁每 1 个顾客相当于自家 2 个，竞争非常激烈。

这里有个容易忽略的点：( \alpha_{12} ) 和 ( \alpha_{21} ) 不一定相等，它们分别衡量两个方向上的压制强度，可以一个很大一个很小。现实中经常出现不对称竞争，比如入侵物种对本地物种压制极强，而本地物种对入侵物种几乎没影响。建模时如果题目没有明确说明，不要擅自假设两个系数相等。

2.2 平衡点与稳定性判别的核心推导

求平衡点，就是看系统最终可能稳定在哪些状态。令 ( dx_1/dt = 0) 且 ( dx_2/dt = 0)，除了两个平凡的灭绝平衡点 ( (0,0) ) 之外，有三个值得关注的结果：

• 种群 1 单独存活，种群 2 灭绝，写为 ( (N_1, 0) )。
• 种群 2 单独存活，种群 1 灭绝，写为 ( (0, N_2) )。
• 两个种群共存，内部平衡点记为 ( (x_1^, x_2^) )。

内部平衡点的求解来自两条零增长直线：

x1 + α12 * x2 = N1 α21 * x1 + x2 = N2

这两条直线在相平面上的交点就是共存状态。解这个二元一次方程组得到：

x1* = (N1 - α12 * N2) / (1 - α12 * α21) x2* = (N2 - α21 * N1) / (1 - α12 * α21)

单独看这个公式还不够，必须分析稳定条件。稳定性的标准做法是计算雅可比矩阵，把每个平衡点代入后看特征值实部的正负。我在这篇文章里不展开矩阵运算的全过程，直接给结论，因为实际建模中判断规则比记矩阵方便得多。

若内部平衡点存在且位于第一象限，并且满足 ( \alpha_{12} \alpha_{21} < 1 )，则它稳定，两个种群共存。判断条件是：

• ( \alpha_{12} < N_1 / N_2 )
• ( \alpha_{21} < N_2 / N_1 )

直观解释是：两个方向的种间压制都小于各自的“等效容量比”，互相伤害程度低于各自内部的密度制约，所以谁也干不掉谁，最终稳定共存。

若两个竞争系数都大于对应阈值，即 ( \alpha_{12} > N_1/N_2 ) 且 ( \alpha_{21} > N_2/N_1 )，那么两个边界平衡点 ( (N_1, 0) ) 和 ( (0, N_2) ) 都稳定，内部平衡点变成鞍点，系统进入双稳态。这时竞争结果取决于初始条件，谁一开始数量优势更大，谁就可能笑到最后。

若只有一方竞争系数大于阈值，比如 ( \alpha_{12} < N_1/N_2 ) 但 ( \alpha_{21} > N_2/N_1 )，那么稳定结局是种群 1 单独存活，种群 2 必然灭绝。这类“一边倒”的情况在赛题里最常考，结论简单干净，但推导过程要写清楚。

2.3 用四象限表格快速判断竞争结局

在实际比赛现场，没有时间每次都推一遍雅可比矩阵。我习惯把所有可能情况整理成一张判断表，看到参数直接查结论，非常高效。设 ( T_1 = N_1/N_2 )，( T_2 = N_2/N_1 )，四种情况对应关系如下：

这张表我强烈建议抄在建模笔记首页。遇上赛题，先把参数算出来，再往表里一套，所有可能结局一目了然。判断完稳态再跑数值模拟验证，整个分析链条无懈可击。

3. 实操：Python 数值求解与可视化

3.1 可复用的代码框架

理论说完了，必须动手跑一遍。使用 Python 的 scipy.integrate.solve_ivp 做数值求解最稳妥。我写代码的习惯是先把核心函数独立出来，参数全部外部传入，方便后续改参数跑不同方案。

import numpy as np from scipy.integrate import solve_ivp import matplotlib.pyplot as plt def competition(t, z, r, N, alpha): x1, x2 = z dx1 = r[0] * x1 * (1 - x1 / N[0] - alpha[0] * x2 / N[0]) dx2 = r[1] * x2 * (1 - x2 / N[1] - alpha[1] * x1 / N[1]) return [dx1, dx2] def simulate(r, N, alpha, x0, t_max=80, num_points=1000): t_span = (0, t_max) t_eval = np.linspace(0, t_max, num_points) sol = solve_ivp(competition, t_span, x0, args=(r, N, alpha), t_eval=t_eval, method='RK45', rtol=1e-8, atol=1e-10) return sol.t, sol.y[0], sol.y[1] # 基础参数 r = np.array([0.5, 0.4]) # 内禀增长率 N = np.array([100.0, 100.0]) # 环境容量 alpha = np.array([0.6, 1.4]) # 竞争系数，对应种群2胜出 x0 = np.array([30.0, 30.0]) # 初始规模 t, x1, x2 = simulate(r, N, alpha, x0)

这里有几个参数要注意。rtol和atol是相对误差和绝对误差的容差，默认值偶尔会在方程比较刚硬时产生负值或震荡，我习惯直接设到 (10^{-8})、(10^{-10}) 量级。method='RK45'适用于大多数非刚性问题，如果发现结果振荡异常，后面会讲怎么换成刚性求解器。

代码跑完后，画时间序列图：

plt.figure(figsize=(10, 4)) plt.plot(t, x1, label='Species 1') plt.plot(t, x2, label='Species 2') plt.xlabel('Time') plt.ylabel('Population') plt.legend() plt.grid(alpha=0.3) plt.show()

这张图输出什么，取决于竞争系数的设置，下面逐一测试。

3.2 四组参数实测对照

为了把 2.3 节的四种情况都验证一遍，我固定 ( N_1 = N_2 = 100 )，增长率 ( r_1 = 0.5 )、( r_2 = 0.4 )，初值两边都是 30。唯一改变的是竞争系数组合。

第一组，( \alpha_{12} = 0.6 )，( \alpha_{21} = 1.4 )。按判断表属于“种群 1 胜出”。跑出来种群 1 从 30 稳步涨到 100，种群 2 先是小幅涨到 35 左右，随后一路下降趋近于 0。模拟初期种群 2 的上涨很有迷惑性，看起来好像也能活，但稳态必然是灭绝。这就是为什么不能只看前 10 个时间单位就下结论，必须把时间拉长到完全收敛。

第二组，( \alpha_{12} = 1.4 )，( \alpha_{21} = 0.6 )。结果正好反过来，种群 2 胜出，种群 1 灭绝。这两组对比说明竞争系数决定了格局，初始优势在不对称竞争里帮不了弱的一方。

第三组，( \alpha_{12} = 0.6 )，( \alpha_{21} = 0.6 )。两个竞争系数都小于 1，互相抑制较弱。最终两个种群分别稳定在 62.5 和 62.5 左右，达到共存稳态。这里有个反直觉点：双方共存时的稳态规模都小于单独生活时的环境容量 100，为什么会这样？因为竞争虽然不足以让任何一方灭绝，但持续的资源挤压导致双方都无法达到单种群环境下的最大规模。这个结论在生态学和商业竞争里都有很强的现实意义。

第四组，( \alpha_{12} = 1.4 )，( \alpha_{21} = 1.4 )。双方互相压制都很强，内部平衡点为鞍点，两个边界点都稳定。我用初值 ( x_1 = 30, x_2 = 30 ) 跑，对称初值下系统陷入鞍点附近难以快速脱离，需要多试几组初值观察。改初值 ( x_1 = 70, x_2 = 30 ) 后，种群 1 胜出；改初值 ( x_1 = 30, x_2 = 70 ) 后，种群 2 胜出。这就是双稳态的直接证据。

把四组结果汇总成一张表，写论文时可以直接用：

3.3 相平面图：理解初值敏感性的最佳工具

时间序列图能看出最终结果，但看不出“为什么”。想理解不同初值为何走向不同结局，必须画相平面图。横轴是种群 1 规模，纵轴是种群 2 规模，图中画两条零增长线：一条是 ( x_1 + \alpha_{12} x_2 = N_1 )，一条是 ( \alpha_{21} x_1 + x_2 = N_2 )。这两条线把相平面分成四个区域，每个区域内两个种群的增长方向不同。

我通常用 quiver 画向量场，再叠加几条不同初值的轨迹，代码大致如下：

x1_grid, x2_grid = np.meshgrid(np.linspace(0, 120, 20), np.linspace(0, 120, 20)) u = r[0] * x1_grid * (1 - x1_grid / N[0] - alpha[0] * x2_grid / N[0]) v = r[1] * x2_grid * (1 - x2_grid / N[1] - alpha[1] * x1_grid / N[1]) plt.quiver(x1_grid, x2_grid, u, v, alpha=0.4) # 画零增长线 xs = np.linspace(0, 120, 200) plt.plot(xs, (N[0] - xs) / alpha[0], 'k--', label='dx1/dt=0') plt.plot(xs, N[1] - alpha[1] * xs, 'k-.', label='dx2/dt=0') # 画多条初值轨迹 for init in [(70, 30), (30, 70), (20, 20), (90, 90)]: t, x1, x2 = simulate(r, N, alpha, init) plt.plot(x1, x2, linewidth=1.5, label=f'init={init}') plt.xlabel('Species 1') plt.ylabel('Species 2') plt.legend() plt.show()

相平面图画出来之后，两条零增长线的交点一目了然。点落在哪条流线附近，就会往哪个平衡点走。对双稳态情形，两条零增长线在第一象限内交出一个鞍点，鞍点的稳定流形把相平面切成两个“流域”，初值落在哪一侧，终点就在哪一侧。这个直观认识能帮助你在赛题里快速解释“为什么这个条件对结果影响那么大”。

3.4 从实测数据反推竞争系数

多数数学建模赛题不会直接给你竞争系数，而是给一组时间序列观测数据，要求反推参数。这里我分享一个很实用的线性化方法，比赛现场手算都来得及。

把第一个方程两边同时除以 ( x_1 )，得到：

(dx1/dt) / x1 = r1 - (r1/N1) * x1 - (r1 * α12 / N1) * x2

左边是“单位种群规模的变化率”，右边是关于 ( x_1 ) 和 ( x_2 ) 的线性表达式。如果把离散观测数据近似计算 ( (x_1(t+\Delta t) - x_1(t)) / (x_1(t) \Delta t) )，再对 ( x_1 )、( x_2 ) 做二元线性回归，就能从回归系数中恢复出 ( r_1 )、( N_1 )、( \alpha_{12} )。第二个方程同理恢复 ( r_2 )、( N_2 )、( \alpha_{21} )。

这个方法的优势是快，不需要优化迭代；缺点是导数估计对数据噪声非常敏感。如果观测数据比较粗，导数的差分近似会产生巨大方差，反推出的参数可能完全不可信。稳妥的做法是：先用平滑样条对 ( x(t) ) 做拟合，再对平滑后的函数求导，最后做线性回归。竞赛中用这个流程能明显提升参数稳定度。

4. 常见问题与排查技巧实录

4.1 数值求解中的坑

用 solve_ivp 跑竞争模型时，最常见的异常是种群数量变成负数。方程里的 ( 1 - x_1/N_1 - \alpha_{12} x_2/N_1 ) 一旦跨过零，增长率为负，但 ( x_1 ) 理论上会趋近于零而不是穿过零。数值方法在接近零时如果步长太大，就可能越界得到负值，下一时刻解直接发散。解决办法有三个:一是把容差调小，二是换刚性求解器，三是在方程中强行把非负约束加进去。

第二个坑是时间尺度不合理。自习时我见过很多同学把时间范围设成 0 到 10，然后断言系统已经到稳态。实际上竞争模型的收敛时间取决于增长率大小，( r ) 是 0.01 量级时收敛时间极长，需要 1000 以上；( r ) 是 0.5 量级时几十个时间单位就稳定了。跑代码前先根据增长率量级粗略估算收敛时间，别拿同一个时间窗口套所有参数。

第三个坑是把 ( N_1 )、( N_2 ) 设得太悬殊。比如 ( N_1 = 100 )，( N_2 = 100000 )，那么两个方程的数量级差了好几个量级，普通 RK45 在刚度较大的情况下效率极低。此时建议改用method='LSODA'或method='Radau'，它们会自动切换策略，处理刚性系统更加稳定。实际操作中我用 LSODA 跑过很多组高量级差异的参数，结果都比 RK45 稳。

4.2 结果解读时的经典错误

有很多队伍模拟完只看谁“先涨得快”就下结论，这非常危险。种群初期增长速度受初值和环境容量影响很大，最终命运由竞争系数和内点稳定性决定。看结果必须先判断系统处于哪种稳态区间，再看初值落在哪个分支，否则很容易把一个暂态变化说成最终结局。

另一个错误是把“接近零”直接写成“灭绝”。数值模拟里种群数量降到 (10^{-6}) 不代表严格为零，应该写“数值上趋近于 0，理论稳态为灭绝”。如果论文里出现“种群数量下降到 0.0001 即认为灭绝”这种话，评委提问环节很容易被追问“这个阈值哪里来的”。规范写法是：分析边界平衡点的稳定性，说明该平衡点是局部渐近稳定的，数值结果显示在模拟时间范围内收敛到该平衡点。

还有一种常见的误读是，看到共存平衡点存在就认为一定会走向共存，忽略了内部平衡点可能是鞍点这一点。判断内点是稳定节点、稳定焦点还是鞍点，可以直接通过 ( \alpha_{12}\alpha_{21} ) 是否小于 1 来快速区分，也可以求雅可比矩阵特征值。在论文中列出这个判别过程，哪怕公式繁琐一点，也是加分项。

4.3 竞赛现场的经验总结

这条模型在建模比赛中非常好用，是因为它参数少、结果直观、可视化漂亮，而且有一套完整的稳定性理论支撑。相比机器学习模型跑来跑去给不出解释，竞争模型每一步推导都有明确的数学依据，评委问起来完全不怕。

比赛复盘时我总结了三条建议。第一，建模论文里不要只写“我们用 Lotka-Volterra 模型”，要把模型假设、参数含义、无量纲化过程写完整，特别是竞争系数的相对大小意味着什么，要用竞赛题目里的实际场景解释，比如市场份额、城市人口流动等。第二，数值实验要多做参数敏感性分析，把竞争系数在合理范围内上下浮动，看结论是否稳健。第三，一定要画相平面图，这是区分“会用模型”和“理解模型”的分水岭，也是评委最认可的可视化形式之一。

关于相平面图有一个包装技巧：把初值对应的轨迹用不同的颜色画出来，再用箭头标注时间方向，论文里再配一句“不同初值轨迹最终汇入同一平衡点，说明系统对初始扰动具有鲁棒性”，这句话的含金量远远高于单纯贴两张时间序列图。

这个模型后续还可以往三个方向扩展。一个是加入随机扰动，把确定性方程改成随机微分方程形式，研究环境波动对结局的影响。另一个是推广到三种群竞争，这时稳定性分析会复杂很多，但相平面变成了三维，结果更加丰富。还有一个是加入人为干预控制项，模拟投放资源扶持弱势种群、或者限制强势种群的情形，这在生态保护和商业策略赛题中都有很大的发挥空间。

我个人的体会是，学这个模型最大的收获不是会套公式、会调包，而是建立了一种“先判断稳态类型，再分析动态过程”的系统思维。每次拿到一个复杂问题，我都会下意识地问一句：这是一个竞争问题、捕食问题，还是一个合作问题？不同的相互作用结构对应完全不同的数学工具，想清楚这一点，建模就成功了一大半。