表1美国人口统计数据.docxVIP

1010106 10 10 106) 年 份 1790 1800 1810 1820 1830 1840 1850 人口(× 3.9 5.3 7.2 9.6 12.9 17.1 23.2 6) 年 份 1860 1870 1880 1890 1900 1910 1920 人口(× 31.4 38.6 50.2 62.9 76.0 92.0 106.5 6) 年 份 1930 1940 1950 1960 1970 1980 人口(× 123.2 131.7 150.7 179.3 204.0 226.5 建模方法 2： 上述模型对过去的统计数据吻合得较好，但也存在问题，即人口是呈指数规律无止境地 增长，此时人口的自然增长率随人口的增长而增长，这不可能。一般说来，当人口较少时增长得越来越快，即增长率在变大；人口增长到一定数量以后，增长就会慢下来，即增长率变 小这是因为，自然资源、环境条件等因素不允许人口无限制地增长，它们对人口的增长起着 阻滞作用，而且随着人口的增加，阻滞作用越来越大。而且人口最终会饱和，趋于某一个常 数 x ，我们假设人口的静增长率为 r(1-x(t)/x )，即人口的静增长率随着人口的增长而不断减 ? ? 小，当 t??时，静增长率趋于零。 按照这个假设，得到 ? dt? dx ? r(1 ? x ? dt ???x ? ??x(t ) ? x  (1) 0 0 这便是荷兰数学家 Verhulst 于 19 世纪中叶提出的阻滞增长模型（logistic 模型）。在 MATLAB 命令窗口键入 dsolve(‘Dx=r*x*(1-x/c)’,’x(1790)=3.9’) 输出： ans= c/(1+1/39*exp(-r*t)*exp(1790*r)*(10*c-39)) ?其中 c=x 。 ? 因此，人口的变化规律为： x x ? 1 ? (10 x 39 ? ? (2) ?1)e?(t ?1790)r ? 利用 MATLAB 软件中的“curvefit”命令和函数(2) 来拟合所给的人口统计数据，从而确定出(2)中的待定参数 r 和 x?。编制的 MATLAB 程序如下： 定义函数(2)的函数 M——文件 function f=fun3(a,t) f=a(1)./(1+(a(1)/3.9-1)*exp(-(t-1790)*a(2))); 用该函数来对所给的美国人口数据作最小二乘拟合，并作出图形观察拟合效果，编制的M— —文件如下： x=1790:10:1990; y=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76 ... 300300 300 300 250 250 200 200 150 150 100 100 50 50 0 1750 1800 1850 1900 1950 2000 2050 0 1750 1800 1850 1900 1950 2000 2050 plot(x,y,*,x,y); a0=[0.001,1]; a=curvefit(fun3,a0,x,y) xi=1790:5:2020; yi=fun3(a,xi); hold on plot(xi,yi); x1=2010; y1=fun3(a,x1) hold off 图 3 a0=[0.001,1]时的拟合效果图 图 4 a0=[300,1.2]时的拟合效果图 运行该程序输出a =[140.8449 0.0389],y1 =139.8928,并伴随有提示说“超过了最大 迭代次数”。即(2)中的r=0.0389, x?=140.8449，拟合效果见图3。从图形看出，拟合效果不好， 特别是越过拐点之后，在1950年之后，与实际情况的偏离越来越大，转折太早，导致过早进 入人口饱和期，极限人口x?=140.8449也太小，不合实际。其原因何在呢？是否是a的初值取 得不好，导致迭代次数很多，超过了预设值，都还没收敛到最优解？改变a的初值，取a0=[300, 1.2]时，误差更大，拟合曲线紧贴着横轴，近似于一条直线，如图4。 再将 r（即 a(2)）的初值取为小于 1 的数，比如取 a=[200, 0.1]时，得到 a =[311.9557 0.0280], y1 =267.1959，即(2)中的 r=0.0280, x?=311.9557，2010 年美国 的人口预计为 267.1959 百万人。这个结果还比较合理，当 t??时，静增长率趋于零，人口 0050005000001750180018501900 00 50 00 50 00 0 0 1750 1800 1850 1900 1950 2000 2050 3 2 2 1 1 5 图 5 a0=[200,0.1]时