目录
目录
1. Rosenzweig-MacArthur 捕食模型
考虑如下非量纲化后的 Rosenzweig-MacArthur 捕食模型:
\begin{equation}\label{Simple Rosenzweig-MacArthur}
\left\{\begin{array}{l}
x^{\prime}=x\left(1-\frac{x}{K}\right)-\frac{m x y}{1+x}, \\
y^{\prime}=-\theta y+\frac{m x y}{1+x},
\end{array}\right.
\end{equation}
我们只考虑 $ x \geqslant 0 $ , $ y \geqslant 0 $ . 平衡解有 $(0,0)$, $(K,0)$, $(\lambda, V_{\lambda})$, 其中
$$
\lambda=\frac{\theta}{m-\theta}, \quad V_{\lambda}=\frac{(K-\lambda)(1+\lambda)}{K m},
$$
那么共存解 $ (\lambda, V_{\lambda}) $ 在第一象限的条件是 $ 0 \leqslant \lambda \leqslant K $ . 当 $ \lambda \geqslant K $ 时, $(K,0)$是全局稳定的, 即对任何 $ (x_{0},y_{0})\in \mathbb{R}_{+}^{2} $ , $ \lim\limits_{t\rightarrow \infty}(x(t),y(t))=(K,0) $ . 对于 $ 0< \lambda< K $ , 容易算出 $$ J(\lambda, V_{\lambda})=\left(\begin{array}{cc} \frac{\lambda(K-1-2 \lambda)}{K(1+\lambda)} & -\theta \\ \frac{K-\lambda}{K(1+\lambda)} & 0 \end{array}\right). $$
$$
\eta=\max _{x \geqslant0}\left(x\left(1-\frac{x}{K}\right)+\theta x\right),
$$
则 $ (x+y)^{\prime}\leqslant\eta-\theta(x+y) $ . 因此由Gronwall不等式可得
$$
x(t)+y(t)\leqslant(x(0)+y(0)) \mathrm{e}^{-\theta t}+\frac{\eta}{\theta}\left(1-\mathrm{e}^{-\theta t}\right),
$$
因此 $ y(t) $ 也是有界的.
$$
\frac{d\tilde{x}}{dt} = f(\tilde{x}), \quad \tilde{x} \geqslant 0
\tag{1}
$$
有全局吸引子 $ x^{*} > 0 $, 则 $ \frac{x^{*}}{A} $ 为如下非自治方程的全局吸引子
$$
\frac{dx}{dt}(t) = f(\alpha(t)x(t)).
\tag{2}
$$
证明
任取 $ \varepsilon > 0 $, 存在 $ T > 0 $ 使 $ A - \varepsilon \leqslant \alpha(t) \leqslant A + \varepsilon $, $ \forall t \geqslant T $, 这样有
$$
f((A+\varepsilon)x(t)) \leqslant \dot{x}(t) = f(\alpha(t)x(t)) \leqslant f((A-\varepsilon)x(t)).
$$
考虑 IVP
$$
\dot{x_{1}} = f((A-\varepsilon)x_{1}), \quad x_{1}(T) = x(T),
\tag{3}
$$
$$
\dot{x_{2}} = f((A+\varepsilon)x_{2}), \quad x_{2}(T) = x(T).
\tag{4}
$$
易知 $ x_{1}(t) \to \frac{x^{*}}{A-\varepsilon} $, $ x_{2}(t) \to \frac{x^{*}}{A+\varepsilon} $, $ t \to +\infty $. 由比较原理得
$$
x_{2}(t) \leqslant x(t) \leqslant x_{1}(t), \quad \forall t \geqslant T.
$$
那么
$$
\frac{x^{*}}{A+\varepsilon} \leqslant \liminf\limits_{t\rightarrow+\infty}x(t) \leqslant \limsup\limits_{t\rightarrow+\infty}x(t) \leqslant \frac{x^{*}}{A-\varepsilon}.
$$
由 $ \varepsilon $ 的任意性即得结论.