Diskrétní modely Diskrétní modely jednodruhových populacíjednodruhových populací
Mathematical Biology - Murray
1989
Jednoduché modely Kontinuální modely - diferenciální rovnice
Diskréní modely - diferenční rovnice
- populace roste v diskrétních krocích (např. dělení buňky)
- jen přibližné řešení
- různě dlouhé kroky mezi jednotlivými generacemi
- časový krok 1
- vztah mezi populací v čase t+1 (Nt+1) a t (Nt)
Diferenční rovnice)()(1 tttt NfNFNN
Hledáme obecně nelineární funkci , popisující systém. Vycházíme z vypozorovaných faktů.
)( tNf
známe funkci Nt rekurzivně vypočítáme Nt+1
Funkce Nt 0
počáteční stav N0
Popis funkce vyjádřené diferenční rovnicí
• Na začátku pro malé hodnoty Nt – nic nebrání k množení růst
relativně největší
• Pro velké Nt – přemnožení nedostatek potravy vymírání.
Samoregulace růstů - funkce má maximum
Graf závislosti následujícího stavu na aktuálním.
Nejjednodušší popis populačního modeluPopulace v následujícím kroku bude násobek aktuálního stavu. Platí vztah
tt NrN .1 0NrN tt 0)( rNF t
Populace roste geometrickou řadou.
• Nevýhoda: model není skutečný pro většinu populací ani pro dlouhé časy.
• Využití: pro počáteční stádia růstu bakterií.
Musíme také uvažovat, že ne všechny bakterie přežijí. Zobecníme vzorec na
r > 1 …zrůst r < 1 …vymírání
St NrN .1 b
tS NN 1tS NN
NS …všechny bakterie co přežijí a můžou se množit,
b = konst…vyjadřuje ty bakterie co nepřežijí
Dva modely popisují praktické situace v biologii
1. model - Verhulstův proces – ale pro velká Nt nabývá záporných
hodnot
, r > 0, K > 0
K
NrNN t
tt 11
2. model - lze použít pro velké Nt.
, r > 0, K > 0
Exponenciála vyjadřuje faktor úmrtnosti v závislosti na čase.
• pro malé hodnoty Nt je význam exponenciály malý (lineární charakter)
• pro velké hodnoty Nt je její význam velký
K
Nr
tt
t
eNN1
1
K
Nr t
e
Cobwebbing „vytváření pavučiny“:Grafický postup řešení informací o dynamickém chování populace
Rovnovážné stavy popisuje forma
nebo
Rov. stavy jako průsečíky křivky a přímky
)()( **** NFNNfN 0* N 1)( * NF
)(1 tt NfN tt NN 1
*NNm Nt spěje monotónně
k N* pro *
0 NN *0 NN
) (0 1N f N
t
Iterace = převod funkční hodnoty zpět na argument
*10 ... NNN
Vlastní hodnota rovnovážného stavu N*
)(
)( ** Nf
NNdN
Ndf
tt
t … důležitý parametr stability pro
lokální chování okolo rovnovážné polohy pro malé perturbace1)(0 * NfRovnovážné stavy N* je stabilní pro
nestabilní pro
Pro
1)( * Nf
mNN * 0)( * Nf
a) stabilní rovnovážný stav N* pro
b) neutrální stav N* pro
0)(1 * Nf
klesající oscilace
1)( * Nf
periodické oscilace
c) nestabilní stav N* pro
rostoucí oscilace
1)( * Nf
Shrnutí:
rovnováha je stabilní pro
nestabilní pro
kritická bifurkace
11
),1()1,(
1 11
tečná bifurkace vidlová bifurkace
Globální chování Je-li rovnovážný stav nestabilní , grafické řešení nezkonverguje do rovnovážné polohy – LOKÁLNĚ NESTABILNÍ
Je-li populace je ohraničená hodnotou Nmax a Nmin, ať startujeme
z kterýchkoli počátečních podmínek – GLOBÁLNĚ STABILNÍ
Pak řešení náhodně cestuje kolem nedefinovatelné hodnoty chaotické chování
1
Diskrétní logistický model: Chaos Uvazujme nelineární model , r > 0, K > 0
Určíme si , r > 0
Zajímá nás řešení ut 0, to odpovídá intervalu 0 < u0 < 1
Stabilní stav a odpovídající vlastní
hodnoty z
K
NrNN t
tt 11
K
Nu tt )1(1 ttt uruu
0* u rf )0(
r
ru
1* ruf 2)( *
)1( *** uruu
Rovnovážné stavy a bifurkaceZvyšujeme parametr r
0 < r < 1 … rovnováha jen pro u* = 0 0 < < 1 … stabilní
r = 1 … rovnováha jen pro u* = 0 = 1 … nestabilní (1. bifurkace)
1 < r < 3 … pro u* = 0 1 < < 3 … nestabilní
… pro –1 < < 1 … stabilní
r = 3 … pro = – 1 … nestabilní (2. bifurkace)
r
ru
1*
r
ru
1*
Iterativní procesJe zřejmé, že platí:
1. iterace:
2. iterace:
Úpravou a dosazením za ut+2 = ut = u2* dostaneme
Stabilní stavy:
když r > 1 … jeden stabilní stav
když r > 3 … dva stabilní stavy
)( 01 ufu )())(( 0
202 ufuffu
)( 0ufu tt
)1(1 ttt uruu
)1(1)1()(22 tttttt uruururufu
0)1()1()1( *2
*2
2*2
*2 rurrurrruu
0*2 u 0
1*2
r
ru
02
)3)(1()1(*2
r
rrru
A, B, C … rovnovážné body u2*
B > 1 … nestabilní stav pro 2. iteraci
–1 < A < 1, –1 < C < 1 … stabilní stavy
Při každé bifurkaci se předchozí stav stává nestabilním (přerušovaná čára) a stabilní řešení se rozdělí na dvě větve.Úsek stabilního řešení má periodu 2, 22, 23,…
Pro r4 < r < r8
4-cyklé periodické řešení
Kritické body
)( *2*2 AA ufu
***1 )( AAA uufu
**1
**1 , ACCA uuuu
Zvyšováním r:
Přibývá tak pravděpodobných řešení v intervalu (0,1). Vzdálenosti mezi bifurkačními větvemi se zmenšují. Jednotlivá stabilní řešení se pak prolínají.
3-periodické řešení
Existuje limitní hodnota rC, ve kterém jsou nestabilní všechny
periodické řešení periody 2n.
Např. 3. iterace se 3 rovnovážnými stavy, kde = 1 (tečná bifurkace)
Pro případ, kdy se stabilní řešení stavy překrývají, vznikne liše-periodické řešení.
Sarkovsiiho theorém: Jestliže existuje liše-periodické řešení pro parametr rC, pak existuje chaotické
řešení pro r > rC
Řešení ut modelu pro různá r
K
Nr
tt
t
eNN1
1
2-cyklé periodické řešení
8-cyklé periodické řešení
4-cyklé periodické řešení
chaotické chování
chaotické chování 3-cyklé periodické řešení
Časová iterace diskrétného modelu
Iterativní diagram diskrétního modelu pro 1,9 < r < 3,0
Pro r2 < r < r4 … řešení ut osciluje mezi dvěma body A a B
Pro r4 < r < r8 … ut představuje 4-periodické řešení
Pro rC < r < rP … řešení je chaotické (neperiodické)
Pro r > rP … pravidelné periodické řešení, po něm následuje opět
neperiodické, atd.
Stejný sled bifurkace se opakuje ve fraktálním duchu
)1(1 tttt xrxxx
Výzkum chaosu vedl k zajímavým zjištěním:
Jestliže r2, r4, … r2n, … jsou sledem periodického zdvojení
bifurkačních hodnot, pak
univerzální konstanta
Jestliže pro některé ut a libovolné a existuje liché číslo n
takové, že platí , pak existuje liché periodické řešení, které předznamená chaos.
...66920,4)1(2)2(2
2)1(2
lim
nn
nn
n rr
rr
)( tuf
),(),( rufuruf tttn
Stabilita, periodické řešení a bifurkace (analyticky)
Parametr r mění řešení modelu
Zvyšováním r bifurkace vyšší period. řešení chaotické řešení
Rovnovážné body jsou řešením u*(r)
Zkoumáním lineární stability u*
Substitucí tohoto do a převedením do Taylorovy řady:
),(1 rufu tt rC = (– 1, 1)
),( ** rufu
tt vuu *1tv
)()()()( 2***1
*tttt vOufvufvufvu
)(1 tt ufu
)( ** ufu ,
ttt vufvv .)( *1 )( *uf … vlastní hodnota 1.iterace v u*
Řešení: pro když
Čili u* je jestliže
00vv t
t t
1
1
1)(
1)(1*
*
uf
uf
Pro u* STABILNÍ každá malá perturbace z u* slábne k nule
1)(0 * ufa) monotónně když
b) s klesajícími oscilacemi 0)(1 * uf
1)( * uf
1)( * uf
Pro u* NESTABILNÍ každá malá perturbace z u* roste
a) monotónně když
b) s rostoucími oscilacemi
Vezměme si příklad modelu , r > 0 )1(
1tur
tt euu
Rovnovážné stavy u* = 0 nebo u* = 1
Odpovídající vl. hodnoty pro r > 0 u* = 0 nestabilní
u* = 1 stabilní pro 0 < r < 1 s monotónní konvergencí stabilní pro 1 < r < 2 s klesajícími oscilacemi
u* = 1 nestabilní pro r > 2 s rostoucími oscilacemi
)1( *
1 ure
1)0( ref
rf 1)1(
r = 2 … první bifurkační hodnota v u* = 1 se rozvětví
Pro malé dostaneme Taylorovým rozvojem
přepíšeme do , kde
Z toho lze vyvodit: 4-periodické řešení od r4 2,45
6-periodické řešení od r6 2,54
chaotické chování pro r > rC 2,57
tu1 )]1(1[1 ttt uruu
]1[)1(1 ttt UUrU r
urU t
t
1
.
vysoká citlivost řešení na malou odchylku r
Pro t.iteraci u0 platí
Iterací , vytvoříme množinu
Bod je periodický s periodou m čili m-periodický, jestliže platí
a současně pro
Body u0, u1, …, um-1 tvoří formu m-cyklu
Bod u0 nazýváme vztažným bodem zobrazení fm
)( 0ufu tt
,...,, 210 uuu)()( 01
1 ufufu iii
,...2,1,0i
00 ),( uruf m 00 ),( uruf i 1,...,2,1,0 mi
Stabilita vztažného bodu u0
Pro rovnovážný stav u* to bylo jednoduše
Pro m-cyklus bodů u0, u1, …, um-1 uvažujme pro zjednodušení
Vlastní hodnotu m m-cyklu definujeme jako
, a tak
forma nezávislá na i
)( *uf
),(),( rufruF m ),(),( 1 rufruG m
i
m
m uuu
ruf
),( 1...10 mi
),()),((),( ruGruGfruF iii ),(),( 1 ruGruf ii
i
im
i uuu
rufruf
),(
),(1
1
1
0
),(m
iim ruf
i
m
m uuu
ruf
),(
Shrnutí:
Bifurkace nastává v hodnotě parametru r0 tehdy, když se
kvalitativně mění charakter řešení pro parametr r < r0 a r > r0. Z
předchozí analýzy očekáváme, že se změnou parametru r mění určité periodické řešení v řešení s jinou periodou. Jakmile je možné liché periodické řešení, pak dle Sarkovskeho teorému lze připustit řešení s libovolnou periodou, což implikuje chaos.
V hodnotě bifurkačního parametru přechází hodnota vlastního parametru stabilní rovnovážné polohy 1 nebo –1.
Pro hodnotu –1 se bifurkace nazývá vidlová Pro hodnotu 1 se bifurkace nazývá tečná
Za použití výkonných počítačů můžeme vypočítat všechny hodnoty každé rovnovážné polohy a následně určit bifurkační hodnoty r.
Diskrétní modely s prodlevou Doposud rozebírané modely jsou vhodné jen pro druhy se zanedbatelným dospívajícím obdobím (např. hmyz)
Nyní uvažujme časové období T potřebné k sexuální zralosti (např. u velryb). Tato prodleva vede ke studiu obecného diferenčního modelu formy
Jednoduchý model se zahrnutou prodlevou: , r > 0
Rovnovážné stavy u* = 0 nebo u* = 1
Stabilitu určíme pomocí malé perturbace z rovnovážné polohy (nelze použít metodu vl. hodnot - derivaci) Pro u* = 0
, r > 0 vt pro t u* = 0 nestabilní
),(1 Tttt uufu
)1( 11
t
tt
ureuu
)1( *
1 ure
tt vuu *tt vu 0 1tv
revrv
rev
rve
rev
vrevv ttt
tt
ttt .)1.(...
)1(. 1
111
1
re
Zkoumáním lineární stability u* = 1 Opět substitucí tohoto do a převedením do Tayl. řady:
Hledáme řešení diferenční rovnice ve formě vt = zt z2 – z + r = 0,
dá 2 hodnoty z1 a z2, kde pro
pro
Řešení je pak lin. kombinací , kde A a B jsou libovolné konstanty.
tt vu 1 1tv
)1)(1()1(1 11
1
ttt
tt rvvrv
evv 011 ttt rvvv
rz 4112
12,1
4
1r
iez
2,1 4
1r2
1r 14tan 1 r
tt vuu *
),(1 Tttt uufu
011 ttt rvvv ttt BzAzv 21
Jestliže 0 < r < 1/4 z1 a z2 jsou reálná 0 < z1 < 1, 0 < z2 < 1
vt 0 pro t u* = 1 je lineárně stabilní rovnovážná poloha.
Pro malou perturbaci monotónní.
Jestliže r > 1/4 z1 a z2 jsou komplexní,
Rovněž
12 zz
rzzz 22
121
Řešení je pak , aby bylo řešení reálné
Reálné řešení:
pro 1/4 < r < 1 je vt 0 pro t u* = 1 je stabilní
(A ani cos na stabilitu nemají vliv) pro r > 1 je vt pro t u* = 1 je nestabilní
kolem kritického bodu rC = 1 pro r 1 je
Poněvadž / 3 pro r 1
6-cyklé periodické řešení
121 zz
ttt zBAzv 11 AB
)cos(2 tAv tt Aarg14tan 1 r
33tan 1
11 z
)3/cos(2 tAvt
Řešení diferenční rovnice s prodlevou pro 3 hodnoty r > 1.
a) 6-periodické řešení, bifurkuje mimo stacionární stavy v r = rC
b) Známky 6-cyklu stále existují (nepravidelnost)
c) Pravidelnost 6-periodického řešení zcela vymizela (náznak chaosu)
Prodleva zapříčiňuje destabilizační efekt
V předešlém případě pro r = 2 řešení bifurkuje do 2-periodického řešení V pozdějším úloze s prodlevou pro r = 1 bifurkace do 6-periodického řešení
Čím větší prodleva, tím větší destabilizační efekt velké populační výkyvy možná cesta k zániku
Aplikace poznatků na lov velrybVýznam: řízení velrybí populace vůči přemnožení nebo vyhynutí Vyžaduje znát dynamiku velrybí populace a její ekologii
Populační model s prodlevou pro velrybí populaci
0 < < 1 …faktor úmrtnosti velryb R… faktor porodnosti T…doba dospívání ke schopnosti reprodukce mláďat (5 – 10 let)
Předpokládáme: poměr samců a samic je 1, stejnou úmrtnost obou pohlaví
Závislost členu R(Nt-T):
K …počet neulovených jedinců z N možných pro K = N (žádný ulovený) je hranatá závorka je nulová
)()1(1 Tttt NRNN = co přežili + noví jedinci
zT
K
NQPNNR 1)1(
2
1)(
pro K < N je hranatá závorka je záporná z …míra obtížnosti, se kterou jde hustota lovu registrovat Q …maximální porodnost pro nízký počet jedinců P …plodnost na jednu samici (1-)T.N … část přeživších do dospělosti po potřebných T letech 1/2 … polovina velryb jsou samice
Parametry , T a P jsou závislé!
Rovnovážný stav:
Definované h závisí na plodnosti P do úmrtnosti a prodlevě T
Model přeškálujeme
kde ,
KNNNN Tttt 1* hPT )1(
2
1
K
Nu tt )1(1)1(1
zTtTttt uqhuuu
P
Qq Ph T)1(
2
1
Rovnovážné stavyu* = 0 …nestabilní stav u* = 1 …zjistíme perturbací kolem rovnovážné polohy a linearizací
Řešení vt uvažujeme ve tvaru st získáme charakteristickou rovnici
Pro přejde rovnovážný stav do nestabilního
Pro přejde rovnovážný stav do stabilního
tt vu 1 Tttt vqzhvv )1()1(1
0)1()1(1 qzhss TT
1s
1s
Stabilita či nestabilita je závislá už na 4 parametrech (, T, h a qz)
Parametry jsou závislé samý na sobě. Určení zdali je rovnovážná poloho stabilní, je velice složité.
Hospodářský model rybářství Užitečný při vyhodnocení různých strategiích s ohledem na optimalizaci ekonomického přínosu a k jeho udržení. Je vhodný na jakékoli obnovitelné zdroje, které se loví
Hustota populace se řídí vztahem
ht… úlovek populace v čase t
Jaké je maximum trvalé biologické produkce? Jaké je maximum ekonomických výnosů?
Z rovnováhy: Nt = Nt+1 = N*, ht = h*
YM …maximum trvalých rovnovážných výnosů, když N* = NM
ttt hNfN )(1
*** )( NNfh
0*
*
N
h 1)( * Nf MMM NNfY )(0MY
… bez uvažování lovu)(1 tt NfN
… s uvažováním lovu
Cíl hospodářské strategie: Udržování populace tak, aby se získalo maximum výnosu YM (pro udržení rovnovážného stavu)
Ale je těžké znát přesný stav rybí populace. Známý je současný výnos a jak velké úsilí to dalo.
EM …celkové úsilí odpovídající Ym
c…parametr míry úsilí při lovu
Aplikace na model: , 0 < a < b
Substitucí:
Vyloučením NM:
M
MM N
NfcE
)(ln1
t
ttt Na
bNNfN
)(1
2)()(1
MM Na
abNf
)( 2/12/12/1 abaNM
MM
MM N
Na
bNY
MM Na
bcE ln1
1
)()( MMM
cEea
cEbeY
a) Vztah YM a EM = klíčové hledisko hospodářské strategie.
Když se přírůstkem úsilí sníží výnosy maximum trvalých výnosů překročeno, úsilí má být omezeno, aby se populace mohla obnovit.
b) Uvažujeme maximální ekonomické přínosy včetně ceny za lov a náklady na úsilí. Model s výrazy pro ekonomický návrat p … cena za jednotku výnosu k … cena za jednotku úsilí dostaneme křivku pro maximum výnosu R jako funkci úsilí E
MM kEpYR
Ekologický význam a varování Důležité: porozumět významným řídícím vlastnostem a schopnost předpovídat možné vývoje vyplývajících ze změn parametrů
Každý model závisí na spoustě parametrů. Některé z nich jsou relevantní. Z grafického řešení jsme se dozvěděli, jak se mění, řešení, když se měníme parametry. Pokud bychom vytvořili dokonalý model, mohli bychom předpovědět přesný vývoj populace. To se však nepodaří. Hustota populace je vždy omezená.
Z obrázku lze vyčíst, že vývoj populace je ohraničen mezi dvěmi hranicemi, N populace je ohraničená hodnotou Nmax a Nmin, ať startujeme
z kterýchkoli počátečních podmínek.
Když se velikost populace N dostane do nízkých hodnot hrozí vyhynutí. Nesmí být < 1. Populace může vymřít, kvůli velkému stavu populace (přemnožení). Ten zjistíme z maxima křivky
, který najdeme pomocí Nm
… populace vymře
To aplikujeme na model:
)(1 tt NfN 0tdN
df)(max mNfN
)())(()( 2maxmin mm NfNffNfN
Parametry K a r rozhodují o globální nestabilitě.
Řekněme, když r = 3,5 a K < 1600, populace časem zanikne.
K
Nr
eNNfNt
ttt
1)(1
0)( tNfr
KNm
1max )( r
m er
KNfN
1
min
12))((
r
m
ere
r
KNffN
1)(2min mNfN
0 mNNdN
df
1
12 1
rer
er
K
- další skupinou modelů
vymření
Rovnovážné stavy … Nt = 0, NC a N*
Nt = 0 … stabilní, NC …nestabilním, N* … podle
Oblast Nt < NC … nazývána predation pit (propast)
)( *Nf
Modely s Aleeo efektem
CNNf )( 02 0tN Ct
m NNf )( Nm
Bohatství chování modelů z výsledné nelinearity těchto modelů.