企业官网建设流程全解析

用Python模拟兔子和羊的‘地盘争夺战’：从零实现Lotka-Volterra竞争模型

想象你有一片草地，同时放养了兔子和羊。起初它们相安无事，但随着种群增长，争夺草资源的矛盾逐渐显现——有的结局是兔子灭绝，有的是羊消失，偶尔也会出现两者共存的奇妙平衡。这种动态博弈可以用Lotka-Volterra竞争模型精确描述，而今天我们将用Python让它"活"起来。

1. 环境准备与模型原理

1.1 工具链配置

推荐使用Anaconda创建独立环境，避免依赖冲突：

conda create -n ecology python=3.9 conda activate ecology pip install numpy matplotlib scipy jupyter

1.2 竞争模型核心方程

Lotka-Volterra模型通过微分方程描述两个物种的竞争关系：

$$ \begin{cases} \frac{dN_1}{dt} = r_1N_1\left(1 - \frac{N_1 + \alpha_{12}N_2}{K_1}\right) \ \frac{dN_2}{dt} = r_2N_2\left(1 - \frac{N_2 + \alpha_{21}N_1}{K_2}\right) \end{cases} $$

参数说明：

• $N_1, N_2$：兔子和羊的种群数量
• $r_1, r_2$：固有增长率
• $K_1, K_2$：环境承载力
• $\alpha_{12}$：羊对兔子的竞争系数
• $\alpha_{21}$：兔子对羊的竞争系数

关键提示：当α>1表示竞争激烈，<1则表示影响较弱

2. Python实现步骤

2.1 微分方程求解器

使用Scipy的odeint进行数值求解：

import numpy as np from scipy.integrate import odeint def competition_model(y, t, r1, r2, K1, K2, alpha12, alpha21): N1, N2 = y dN1dt = r1 * N1 * (1 - (N1 + alpha12 * N2) / K1) dN2dt = r2 * N2 * (1 - (N2 + alpha21 * N1) / K2) return [dN1dt, dN2dt]

2.2 参数配置与模拟

设置四组典型参数演示不同竞争结果：

# 模拟参数 t = np.linspace(0, 50, 1000) initial_pop = [100, 100] # 初始种群数量 # 情景1：兔子胜出 params_case1 = {'r1':0.8, 'r2':0.6, 'K1':500, 'K2':400, 'alpha12':1.2, 'alpha21':0.8} solution = odeint(competition_model, initial_pop, t, args=tuple(params_case1.values()))

3. 结果可视化与分析

3.1 动态过程绘图

使用Matplotlib制作专业级图表：

import matplotlib.pyplot as plt def plot_results(t, N1, N2, case_name): plt.figure(figsize=(12, 5)) plt.plot(t, N1, 'r-', label='Rabbit Population') plt.plot(t, N2, 'b-', label='Sheep Population') plt.title(f'Competition Outcome: {case_name}') plt.xlabel('Time (days)') plt.ylabel('Population Size') plt.legend() plt.grid(True) plt.show()

3.2 相空间分析

通过零增长线（dN/dt=0）预测长期趋势：

def plot_phase_portrait(K1, K2, alpha12, alpha21): # 计算零增长线交点 N1_range = np.linspace(0, K1*1.5, 100) N2_isocline = (K1 - N1_range) / alpha12 N2_range = np.linspace(0, K2*1.5, 100) N1_isocline = (K2 - N2_range) / alpha21 plt.plot(N1_range, N2_isocline, 'r-', label='Rabbit Isocline') plt.plot(N1_isocline, N2_range, 'b-', label='Sheep Isocline') plt.axis([0, max(K1, K2)*1.2, 0, max(K1/alpha12, K2)*1.2]) plt.xlabel('Rabbit Population') plt.ylabel('Sheep Population') plt.legend()

4. 模型扩展与应用

4.1 参数敏感性分析

使用SALib库进行全局敏感性分析：

from SALib.analyze import sobol problem = { 'num_vars': 6, 'names': ['r1', 'r2', 'K1', 'K2', 'alpha12', 'alpha21'], 'bounds': [[0.5, 1.5], [0.5, 1.5], [300, 700], [300, 700], [0.3, 1.7], [0.3, 1.7]] } # 生成参数样本并进行模拟后... Si = sobol.analyze(problem, simulation_results)

4.2 商业竞争模拟

将生态模型迁移到市场分析：

def market_competition(y, t, params): prod1, prod2 = y growth1 = params['r1'] * prod1 * (1 - (prod1 + params['alpha12']*prod2)/params['K1']) growth2 = params['r2'] * prod2 * (1 - (prod2 + params['alpha21']*prod1)/params['K2']) return [growth1, growth2]

关键参数对应关系：

• 种群数量 → 产品市场份额
• 环境承载力 → 市场总容量
• 竞争系数 → 产品替代性

在最近的一个咨询项目中，我用这个模型成功预测了两款同类APP的用户增长拐点。当把α12调整为0.8（表示功能重叠度）时，模型准确复现了实际观测到的"老二逆袭"现象。