建模领域

核心数学方程/函数定义

关键参数与变量

理论依据与基本原理

限制条件、约束与依赖条件

1. 生长与生物量积累​

1.1 逻辑斯蒂增长函数
B(t) = K / (1 + ((K - B₀)/B₀) * e^(-r*t))
1.2 光合生产驱动模型
dB/dt = ε * PAR * LAI * f(T, W, N) - R_m

B(t): t时刻生物量
K: 环境承载量(最大生物量)
B₀: 初始生物量
r: 内禀生长率
ε: 光能利用效率
PAR: 光合有效辐射
LAI: 叶面积指数
f(): 环境胁迫因子(温度T、水分W、养分N)
R_m: 维持呼吸消耗

种群生态学、生长分析理论：描述在有限资源下，生长从指数期到饱和期的S形曲线。
源-库理论：生物量积累是光合产物（源）形成与器官生长（库）需求平衡的结果，受多环境因子协同调控。

限制：K和r视为常数，实际随环境动态变化；未显式区分各器官分配。
约束：需准确获取物种特定的r、K及ε。
依赖：依赖于PAR、LAI及环境胁迫因子f()的准确输入，这些常需其他子模型提供。

2. 光合作用与碳固定​

2.1 Farquhar-von Caemmerer-Berry (FvCB) 生化模型
A = min(A_c, A_j) - R_d
A_c = V_{cmax} * (C_i - Γ*) / (C_i + K_c*(1+O/K_o))
A_j = J * (C_i - Γ*) / (4C_i + 8Γ*)
2.2 光响应曲线 (直角双曲线)
A = (α * PAR * A_{max}) / (α * PAR + A_{max}) - R_d

A: 净光合速率
A_c: Rubisco酶限制速率
A_j: RuBP再生限制速率
V_{cmax}: 最大羧化速率
J: 潜在电子传递速率
C_i: 胞间CO₂浓度
Γ*: CO₂补偿点(无暗呼吸)
K_c, K_o: 米氏常数
O: 氧浓度
R_d: 暗呼吸速率
A_{max}: 最大净光合速率
α: 表观量子效率

植物生物化学与酶动力学：基于光合作用的生物化学过程，刻画CO₂固定受Rubisco活性、光能捕获与电子传递的限制。
光能利用效率：描述光合速率随光强增加而饱和的非线性关系。

限制：FvCB模型参数众多(V_{cmax}, J等)，具有显著的物种特异性、时空变异性，且测定复杂。
约束：假设叶片均质，忽略叶片内部光梯度与水分传导的影响。
依赖：强烈依赖C_i（受气孔导度g_s调控）和叶片温度（影响酶动力学参数）的准确输入。

3. 蒸腾与水分传输​

3.1 Penman-Monteith 方程 (冠层尺度)
λE = [Δ*R_n + ρ_a*c_p*(e_s - e_a)/r_a] / [Δ + γ*(1 + r_s/r_a)]
3.2 气孔导度模型 (Ball-Berry)
g_s = g_0 + a_1 * (A * h_s) / C_s

λE: 潜热通量(蒸腾)
R_n: 净辐射
e_s, e_a: 饱和/实际水汽压
ρ_a, c_p: 空气密度与比热容
r_a, r_s: 空气动力学与冠层阻力
Δ: 饱和水汽压曲线斜率
γ: 干湿表常数
g_s: 气孔导度
g_0, a_1: 经验参数
A: 净光合速率
h_s: 叶片表面相对湿度
C_s: 叶片表面CO₂浓度

微气象学与能量平衡：基于能量守恒与质量传输理论，将蒸腾与可利用能量（净辐射）和空气干燥力（水汽压差）相联系。
优化理论与经验关系：假设气孔行为在碳获取与水分损失间达到最优平衡，导度与光合速率、湿度正相关。

限制：Penman-Monteith需冠层均匀、大田尺度假设；Ball-Berry为经验性，参数需本地化。
约束：需要精确的微气象数据(R_n, e_a, 风速)和冠层结构参数(r_a, LAI)。
依赖：与光合模型强耦合(A是g_s的输入，g_s又决定C_i影响A)，需迭代求解。

4. 养分吸收与分配​

4.1 Michaelis-Menten 动力学 (根系吸收)
I_N = I_{max} * (C - C_{min}) / (K_m + C - C_{min})
4.2 功能平衡模型 (生物量分配)
d(B_r)/dt : d(B_s)/dt : d(B_l)/dt ≈ f(PAR) : g(W) : h(N)

I_N: 养分吸收速率
I_{max}: 最大吸收速率
C: 根际土壤养分浓度
C_{min}: 最小吸收浓度
K_m: 半饱和常数
B_r, B_s, B_l: 根、茎、叶生物量
f, g, h: 受资源(光、水、氮)驱动的分配函数

酶动力学：养分吸收是载体介导的主动过程，类似酶促反应，受浓度和载体数量限制。
最优分配理论/功能平衡假说：植物以最优方式分配生物量，以平衡地上（光捕获）和地下（水肥捕获）资源获取。

限制：Michaelis-Menten适用于单一养分，忽略养分间相互作用及根系空间结构。
约束：分配函数f, g, h多为经验性，形式复杂，参数难以确定。
依赖：强烈依赖土壤模型提供准确的根际C和水分动态，是系统中最薄弱的耦合环节之一。

5. 形态结构发育​

5.1 L-系统 (Lindenmayer System)
ω: 初始字符串 (axiom)
P: 产生式规则集合 (e.g., A -> AB, B -> A)
5.2 基于过程的器官发生模型
`P(器官发生

T, 激素, 同化物, 遗传)> = f(...)`

ω: 初始状态(如胚芽)
P: 符号重写规则(定义分枝、生长)
T: 热时间(积温)
激素: 生长素、细胞分裂素等浓度梯度
同化物: 可用于器官建成的碳水化合物

形式语法与自动机理论：用字符串迭代重写模拟植物的自相似分枝拓扑结构。
植物生理学与发育生物学：器官（叶原基、花原基）的发生概率和发育速率由内部信号（激素、糖）与环境信号（温度）共同调控。

6. 环境响应函数​

6.1 温度响应函数 (Q₁₀ / Arrhenius修正)
f(T) = exp[E_a/R*(1/T_{ref} - 1/T)]
6.2 水分胁迫因子
β(ψ) = 1 / (1 + (ψ/ψ_{50})^p)
6.3 光周期响应
P(开花) = f(日长 - 临界日长)

T, T_{ref}: 实际与参考温度(K)
E_a: 表观活化能
R: 通用气体常数
ψ: 土壤或叶片水势
ψ_{50, p: 物种特异性经验参数
日长: 日照时长

生物化学与酶学：生理过程速率对温度的依赖符合化学反应速率理论。
植物水分关系：胁迫因子随水势下降呈S型曲线下降，反映水分有效性对过程的限制。
物候学：许多植物通过感知日长变化来调控发育阶段转换（如开花）。

限制：响应函数多为经验或半经验，通用性有限，参数(E_a, ψ_50)需标定。
约束：假设各环境因子独立，而实际常存在交互作用（如高温加剧干旱）。
依赖：是连接环境驱动数据（温度、土壤水势、日长）与生理过程模型的桥梁，其准确性直接决定模型的环境响应真实性。

7. 集成与耦合框架​

7.1 微分/差分方程组系统
dx_i/dt = F_i(x_1,..., x_n; u_1,..., u_m; θ), i=1,...,n
7.2 约束/目标函数 (用于校准)
min Σ[Y_{obs}(t) - Y_{sim}(t, θ)]²
s.t. g_j(θ) ≤ 0

x_i: 系统状态变量(如各器官生物量、土壤水分、养分库)
u_m: 环境驱动变量(辐射、温度、降水等)
θ: 模型待估参数集
Y_{obs}, Y_{sim}: 观测与模拟值

系统动力学与控制理论：将植物-土壤-大气系统视为一个动态系统，用状态方程描述其演变。
优化理论与反问题：通过最小化模拟与观测数据的差异，在物理/生物约束(g_j)下，求解最优参数集θ*，即模型校准。

限制：方程组高度非线性，可能存在多稳态、混沌，求解与参数识别困难。
约束：g_j(θ)代表参数间的生态物理约束（如分配系数和为1）。
依赖：严重依赖多源、多尺度观测数据（遥感、物联网传感器、人工测量）进行驱动、校准和验证。计算资源要求高。

应用场景

核心优势 (价值)

主要劣势/挑战

科学研究：揭示植物生理生态过程机理，验证理论假说，进行虚拟实验。

1. 机理洞察：整合多过程，揭示交互作用。
2. 情景模拟：安全地进行极端或不可逆实验（如长期气候变化）。
3. 时空扩展：弥补观测数据在时空上的空白。

1. 复杂性高：模型构建、校准和验证极具挑战。
2. 数据饥渴：对输入数据和验证数据要求极高，成本不菲。
3. 不确定性传递：各子模型的不确定性会在耦合中被放大。

精准农业与智慧农场：优化水肥灌溉、预测产量、诊断胁迫、制定精准管理策略。

1. 决策支持：提供定量化、预见性的管理建议。
2. 资源高效：实现水、肥、药等投入的按需精准施用，节约成本。
3. 风险预警：提前预警干旱、霜冻、病害等风险。

1. 普适性差：模型通常需针对特定品种、土壤和气候进行大量本地化校准。
2. 实时性挑战：需要实时、可靠的物联网数据流驱动，对传感器和通信要求高。
3. 成本门槛：前期在传感器、模型开发和算力上的投入较大。

作物育种与设计：在虚拟环境中筛选具有理想株型、抗逆性或高效资源利用的基因型。

1. 加速育种：作为“表型-基因型”桥梁，指导分子设计育种。
2. 降低田间试验成本：预先在数字空间筛选有潜力的虚拟品种。

1. 基因-表型关联复杂：当前模型多基于生理生态，与分子遗传的深层耦合仍处初级阶段。
2. 跨尺度整合难：从基因到细胞、器官、个体再到群体的跨尺度建模是巨大挑战。

设施园艺与垂直农业：在完全可控环境下，优化光、温、水、气、肥配方，实现最大化生产。

1. 闭环优化：与环控系统直接联动，实现生长环境动态最优调控。
2. 产量与品质预测：精准预测收获时间和产量，便于供应链管理。

1. 模型特异性强：需为特定设施环境和作物品种建立高度定制化的模型。
2. 能源优化复杂：在光照、温控的能耗与作物生长收益间寻求全局最优是一个复杂的控制问题。

生态修复与林业：预测树种在不同立地条件下的生长动态，评估碳汇能力，规划森林管理。

1. 长期预测：模拟树木数十年至上百年的生长与竞争，辅助可持续经营决策。
2. 评估生态服务：量化评估森林的碳固定、水源涵养等生态功能。

1. 尺度更大、异质性更强：从单木到林分、景观尺度，环境与竞争的异质性剧增，模型复杂度飙升。
2. 验证周期极长：许多预测需要数十年后才能验证，存在显著不确定性。

教育与科普：提供直观、交互的植物生长模拟，用于教学和公众科学传播。

1. 可视化与交互：将抽象过程转化为直观的3D可视化与动态模拟，易于理解。
2. 场景丰富：可快速创建不同环境条件下的对比场景。

1. 模型高度简化：为追求直观和实时交互，通常牺牲了模型的机理复杂性和预测精度。
2. 可能产生误导：过度简化的模型可能传递不准确或片面的科学知识。

模型组件/生理生态过程

核心参数 (P) 与变量 (V) 列表

核心数学方程/函数

相关学科

理论基础与关联性

1. 环境驱动模块​

P:​ 太阳常数、大气CO₂浓度 ([CO₂]ₐ)、背景臭氧浓度、纬度、海拔、风速廓线系数、土壤反照率。
V:​ 太阳总辐射 (Rₛ)、光合有效辐射 (PAR)、冠层入射辐射 (I₀)、空气温湿度 (Tₐ, RH)、降水量 (P)、潜在蒸散量 (PET)、土壤温度剖面 (T_soil(z))。

大气辐射传输 (Beer-Lambert 定律简化):​
I(z) = I₀ * exp(-k * LAI_cum(z))
Penman-Monteith 参考作物蒸散:​
ET₀ = [Δ*Rₙ + ρₐ*cₐ*(eₛ-eₐ)/rₐ] / [λ_v*(Δ+γ*(1+rₛ/rₐ))]

气象学、微气象学、气候学、土壤物理学​

理论基础:​ 大气物理学、流体力学、辐射传输理论、地表能量平衡。关联:​ 提供模型运行的边界条件和强迫数据。时空分辨率和准确性直接决定上层生理生态过程的模拟精度。

2. 土壤-植物-大气连续体(SPAC)模块​

P:​ 土壤孔隙分布参数(van Genuchten: α, n)、土壤饱和/残余含水率(θₛ, θᵣ)、饱和导水率(Kₛ)、根系分布函数参数(β)、气孔导度模型参数(g₀, a₁, D₀)。
V:​ 土壤体积含水率(θ)、基质势(ψ_soil)、根系吸水速率(S)、木质部水流通量(Jₓ)、叶片水势(ψ_leaf)、气孔导度(gₛ)。

土壤水分运动 (Richards方程):​
∂θ/∂t = ∇·[K(θ)∇(ψ(θ)+z)] - S(z)
根系吸水 (Feddes 模型):​
S(z) = S_pot * α(ψ_soil(z)) * β(z)
木质部水流通量 (水势梯度驱动):​
Jₓ = (ψ_soil - ψ_leaf) / (R_soil + R_root + R_stem + ...)
气孔导度 (Ball-Berry-Leuning):​
gₛ = g₀ + a₁ * Aₙ * hₛ / (Cₛ * (1 + D/D₀))

土壤物理学、植物水分生理学、植物解剖学、水文学​

理论基础:​ 多孔介质流体动力学、水势概念、Darcy定律、水流通路阻力网络、气孔优化理论。关联:​ 定量刻画水分从土壤经植物到大气传输的动态过程，是连接非生物环境与植物生理活动的核心模块。

3. 光合作用与碳同化模块​

P:​ 最大羧化速率(V_cmax25)、最大电子传递速率(J_max25)、呼吸系数(R_d25)、CO₂补偿点(Γ)、米氏常数(K_c, K_o, O)、温度响应参数(ΔHₐ, ΔS, ΔH_d)。
V:*​ 胞间CO₂浓度(Cᵢ)、净光合速率(Aₙ)、总光合速率(A_g)、RuBP再生限制下的光合(A_j)、Rubisco限制下的光合(A_c)。

Farquhar-von Caemmerer-Berry (FvCB) 生化模型:​
Aₙ = min(A_c, A_j) - R_d
A_c = V_cmax * (Cᵢ - Γ*) / (Cᵢ + K_c*(1+O/K_o))
A_j = J * (Cᵢ - Γ*) / (4*Cᵢ + 8*Γ*)
温度响应 (Arrhenius/峰值函数):​
k(T) = k₂₅ * exp[Eₐ(T-298)/(298RT)] * [1+exp((ΔS*298-ΔH_d)/(R*298))] / [1+exp((ΔS*T-ΔH_d)/(R*T))]

植物生物化学、生物物理学、酶动力学​

理论基础:​ 光合作用光反应与暗反应的生物化学途径，Michaelis-Menten酶动力学，叶绿体能量转换，电子传递链。关联:​ 是植物生产力模型的基石，其输出（Aₙ）驱动后续的生长和分配。参数与叶片氮含量、比叶面积等性状紧密关联。

4. 呼吸作用模块​

P:​ 维持呼吸系数(Q₁₀/R_m25)、生长呼吸系数(Y_g)、基础呼吸速率(R_b)。
V:​ 维持呼吸速率(R_m)、生长呼吸速率(R_g)、总自养呼吸(R_a = R_m + R_g)。

维持呼吸 (温度依赖):​
R_m = R_m25 * Q₁₀^((T-25)/10) * Biomass
生长呼吸 (与生长量成比例):​
R_g = (1/Y_g - 1) * ΔBiomass

植物生理学、生物能量学、热力学​

理论基础:​ 呼吸作用是维持细胞活性、提供生物合成能量和碳骨架的代谢过程。分为与现有生物量相关的维持呼吸和与新生组织相关的生长呼吸。关联:​ 消耗光合产物，是决定净初级生产力(NPP)的关键。与氮含量、代谢活性组织比例正相关。

5. 同化物分配与生长模块​

P:​ 分配系数(f_root, f_stem, f_leaf)、转换效率系数(Y)、库强参数(Q_max, K_m)。
V:​ 各器官生物量(B_root, B_stem, B_leaf, B_fruit)、同化物供应率(Supply)、各器官库强(Sink Strength)、生长速率(G)。

功能平衡/源-库模型:​
分配动态: f_i = g(环境资源可用性, 器官需求)
基于库强的生长:​
G_i = SinkStrength_i * Supply / Σ(SinkStrength)
SinkStrength_i = Q_max_i * (Sugars) / (K_m_i + Sugars)

植物生理学、生态学、全株植物学​

理论基础:​ 功能平衡假说、源-库理论。植物通过调控光合产物（源）向不同器官（库）的分配，以最优方式平衡地上（光捕获）和地下（水肥捕获）的资源获取。关联:​ 将光合作用产生的碳“流”转化为结构生物量的“存储”，是形态建成的驱动引擎。

6. 物候与发育模块​

P:​ 积温需求(ΣT_base)、光周期敏感参数(P_crit)、春化需求(Vern_req)、热时单位(GDD)。
V:​ 发育速率(DVR)、发育阶段(DVS，如0-2，0出苗，1开花，2成熟)、叶面积指数(LAI)。

发育速率 (热时间驱动):​
DVR = 1 / (T - T_base) , 当 T > T_base
DVS(t) = ∫_0^t DVR dt
光周期响应:​
If (Daylength < P_crit) Then DVR = DVR * f(P_crit - Daylength)
叶面积动态 (逻辑斯蒂增长):​
d(LAI)/dt = r * LAI * (1 - LAI/LAI_max)

物候学、发育生物学、生态气候学​

理论基础:​ 植物发育由遗传程序控制，但对环境信号（主要是温度和日长）高度敏感，以同步其生活史事件与适宜的季节窗口。关联:​ 控制着植物从萌芽、展叶、开花到衰老的关键阶段转换，是连接气候与植物生命周期的桥梁。

7. 养分（氮）吸收与循环模块​

P:​ 最大吸收速率(I_max)、米氏常数(K_m)、根系半径与长度密度、矿化速率(k_min)、硝化/反硝化速率。
V:​ 根际土壤养分浓度(C_soil)、养分吸收速率(I)、植物各器官氮浓度([N])、土壤无机氮库(N_inorg)、有机氮库(N_org)。

根系养分吸收 (Michaelis-Menten):​
I = I_max * (C_soil - C_min) / (K_m + C_soil - C_min)
土壤氮转化 (一级动力学):​
dN_inorg/dt = k_min * N_org - Uptake - Leaching - Denit
植物氮分配与光合耦合:​
V_cmax25 ∝ Leaf [N]

土壤生物地球化学、植物营养学、生态系统生态学​

理论基础:​ 酶动力学、质流与扩散理论、土壤微生物过程、生态化学计量学（如Redfield比率）。关联:​ 氮是限制陆地生态系统生产力的主要元素。该模块将土壤氮的有效性与植物的光合能力、生长直接耦合，是预测生产力对氮沉降/施肥响应的关键。

8. 形态结构模块​

P:​ 叶倾角分布参数、比叶面积(SLA)、茎叶比(SLR)、拓扑结构参数(分枝角度、节间长度)。
V:​ 叶面积密度(LAD)、冠层空隙率、株高(H)、冠幅(W)、根系深度与分布(Z_r)。

L-系统 (形式语法):​
产生式规则: A -> B[-A][+A](模拟分枝)
辐射传输 (Beer-Lambert 扩展):​
I(z, Ω) = I₀ * exp(-G(Ω)*∫_z^H LAD(z)dz / μ)
异速生长关系:​
Biomass ∝ H^α * D^β或 Leaf Area ∝ (Stem Diameter)^γ

植物结构学、林学、计算机图形学、生态学​

理论基础:​ 形式语言与自动机理论、几何光学、异速生长与尺度律。关联:​ 将抽象的生理过程（光合、蒸腾）与三维空间结构关联。结构决定光截获、碳获取和竞争能力，是连接个体与群体功能的桥梁。

9. 模型集成、校准与验证​

P:​ 模型待估参数集(θ = {P₁, P₂, ..., Pₙ})、误差方差参数(σ²)。
V:​ 模型状态向量(X)、模型输出(Y(θ, t))、观测数据(Y_obs(t))、残差(ε(t) = Y_obs - Y)。

目标函数 (参数优化):​
Minimize: J(θ) = Σ[Y_obs(t) - Y(θ, t)]² / σ²
微分方程组系统 (动态模拟):​
dX/dt = F(X, θ, t)
Y = G(X)

应用数学、统计学、计算机科学、控制论​

理论基础:​ 系统动力学、常微分/偏微分方程理论、最优化理论、贝叶斯推断、不确定性量化。关联:​ 提供将各子模块整合成一个可运行、可预测的整体系统的数学框架，并通过数据同化技术，使模型与观测数据保持一致，是数字孪生“虚实互动、持续演化”的核心。

学科门类

主要理论基础贡献

关联的模型组件举例

在建模中的作用与角色

植物生理学​

光合作用机理、水分传输与蒸腾、呼吸作用、营养吸收、激素调控、源-库关系、物候调控。

3(光合)、4(呼吸)、5(分配)、7(养分)、2(SPAC)

核心机理提供者。为模型提供最基础的、细胞到个体水平的生理过程和调控规则。是“过程模型”的灵魂。

生态学​

种群动态、群落演替、种间竞争、生态位理论、生物地理化学循环、生态系统能流与物质循环。

6(物候)、7(养分)、8(结构)、5(分配)

尺度扩展与相互作用框架。将个体生理过程扩展到群体和生态系统尺度，处理资源竞争、物种共存和环境反馈。

土壤学​

土壤三相组成、水分特征曲线、导水率、溶质运移、土壤微生物过程、有机质分解与养分矿化。

2(SPAC中的土壤部分)、7(养分循环)

地下过程量化者。提供描述水分和养分在土壤中储存、运动和转化过程的定量物理、化学和生物模型。

气象学与微气象学​

大气辐射传输、湍流交换、地表能量平衡、边界层理论、Penman-Monteith方程。

1(环境驱动)、2(SPAC中的大气部分)

环境强迫与边界条件定义者。提供驱动整个植物-土壤系统的主要环境变量（光、温、水、风）的物理描述和估算方法。

生物化学与分子生物学​

酶动力学（Michaelis-Menten）、光合电子传递与碳还原的生化途径、次生代谢途径。

3(光合作用FvCB模型)

微观过程机制揭示者。为光合作用等核心代谢过程提供基于酶和底物反应的、可机制推导的数学模型。

生物物理学​

能量守恒、物质扩散与传输（Fick定律）、水势、热力学、叶片能量平衡。

2(SPAC水传输)、3(光合作用温度响应)

跨界面通量量化者。用物理学原理解释和量化生命过程（如水分运动、气体交换、能量转换），是连接生物与非生物的桥梁。

应用数学与统计学​

微分方程、偏微分方程、随机过程、最优化理论、参数估计、不确定性量化、贝叶斯统计。

9(模型集成、校准)

系统集成与推断工具提供者。提供将分散的机理方程集成为可求解的动态系统，并从数据中反演参数、评估预测不确定性的数学工具。

计算机科学与信息科学​

数值计算方法、高性能计算、机器学习、可视化、形式语言（L-系统）、软件工程、数据同化。

9(模型求解、优化)、8(结构模拟)、整体框架

实现与计算的使能者。将数学模型转化为可执行的计算机代码，解决大规模计算问题，实现三维可视化，并利用数据驱动方法增强或替代机理模块。

农学与林学​

作物栽培学、森林经理学、表型组学、栽培措施（灌溉、施肥、修剪）的定量效应。

5(分配)、6(物候)、7(养分)、所有组件的参数本地化

应用场景与经验知识提供者。提供物种/品种特异性的管理知识和经验参数，是模型从“普适理论”走向“田间实用”的关键环节。

建模领域

核心数学方程/函数定义

关键参数与变量

理论依据与基本原理

限制条件、约束与依赖条件

1. 个体生理与代谢​

1.1 动态能量收支理论 (DEB)
dV/dt = κ * ṗ_A - [ṗ_M]
dE/dt = ṗ_A - ṗ_C
ṗ_A = {ṗ_Am} * f * V^{2/3}
ṗ_C = E * ( [E_G] * dV/dt + [ṗ_M] ) / (κ*E + E_G)
1.2 异速生长方程
Y = a * M^b
1.3 体温调节模型
C * dT_b/dt = M - λE ± R ± C ± K

V: 结构体积
E: 储备能量
ṗ_A: 吸收功率
ṗ_C: 利用功率
{ṗ_Am}: 最大比同化率
f: 摄食功能反应(0-1)
[ṗ_M]: 体积比维持成本
κ: 分配系数
[E_G]: 体积比生长成本
Y: 生理变量(如代谢率)
M: 身体质量
a, b: 异速生长系数
T_b: 体温
C: 热容
M: 代谢产热
λE: 蒸发散热
R, C, K: 辐射、对流、传导换热

热力学与能量守恒：DEB理论将个体视为一个同化、维持、生长、繁殖的动态能量分配系统，是跨物种的通用理论框架。
尺度律：生物体的生理、生态变量与体质量呈幂律关系，反映生命系统的自组织与运输网络优化。
生物物理与热平衡：基于热力学第一定律，将动物体视为一个与环境和内源产热动态平衡的系统。

限制：DEB模型结构复杂，参数众多（约10-20个核心参数），标定困难；标准模型假设个体为同质等温体。
约束：参数{ṗ_Am}, [ṗ_M]等具有物种特异性，需从多个生命史阶段数据联合估计。
依赖：强烈依赖于精确的个体水平数据（如摄食量、生长曲线、呼吸代谢率、产热数据）进行参数化和验证。

2. 行为与决策​

2.1 最优觅食理论 (OFT)
Maximize: R = (Σλ_i * e_i * h_i) / (1 + Σλ_i * h_i * t_i)
2.2 随机动态规划 (SDP)
F(s, t) = max_{a∈A} [ R(s, a) + Σ_{s'} P(s' | s, a) * F(s', t+1) ]
2.3 马尔可夫决策过程 (MDP)
π*(s) = argmax_a [ R(s,a) + γ * Σ_{s'} P(s' | s, a) * V(s') ]

R: 单位时间净能量收益
λ_i: 斑块i的食物出现率
e_i: 斑块i的食物能量
h_i: 在斑块i的处理时间
t_i: 到达斑块i的旅行时间
F(s,t): 在时间t、状态s时的最大未来收益期望
P(s' | s, a): 状态转移概率
R(s, a): 即时收益
π*(s): 最优策略(状态到行动的映射)
γ: 折现因子(0<γ≤1)

行为生态学与优化理论：OFT假设自然选择塑造了最大化净能量收益率的觅食行为。
动态规划与强化学习：SDP/MDP 提供了一个数学框架，用于在不确定环境下，通过权衡即时收益与未来价值，求解整个生命史或时间段内的最优行为策略序列。

限制：OFT通常假设信息完全和环境稳定，忽略了认知限制和风险；SDP/MDP的“状态空间”和“行动空间”维度爆炸问题严重。
约束：转移概率P(s' | s, a)和收益函数R(s, a)的定义极度依赖于对动物认知和环境的精确理解。
依赖：需要详细的行为学观测数据来确定状态变量、可能的行动集、收益以及状态转移的规律，数据获取成本高。

3. 运动与空间利用​

3.1 布朗运动/莱维飞行 (随机游走)
P(l) ~ l^{-μ}, 其中 1<μ≤3
3.2 自相关速度运动 (CRW/BRW)
v(t+Δt) = v(t) + β*(v_target - v(t))*Δt + 噪声
3.3 势函数模型 (PFM)
F_total = -∇U, 其中 U = Σ[w_i * Attr_i(x)] + Σ[w_j * Rep_j(x)]

l: 步长(移动距离)
μ: 幂律指数，μ≈2时为最优莱维搜索
v(t): 时刻t的速度向量
β: 趋近目标速度的强度系数
v_target: 目标方向的速度(如趋向食物、远离威胁)
U(x): 位置x处的总“势能”
Attr_i(x): 吸引力源i在x处的势(如食物)
Rep_j(x): 排斥力源j在x处的势(如捕食者、竞争者)
w_i, w_j: 权重系数

搜索理论与统计物理学：莱维飞行等重尾步长分布可能在某些资源分布下实现最优随机搜索。
定向运动与随机性：CRW/BRW模型结合了运动的方向自相关性和对特定目标的定向性。
力场与最优决策：将动物的运动决策模拟为在由各种吸引力和排斥力构成的“虚拟力场”中的结果，是向量叠加原理的行为学应用。

限制：纯粹的随机游走模型难以解释复杂的目标导向行为；势函数模型中的“力”是行为决策的隐喻，缺乏直接的生理机制解释。
约束：模型参数（如莱维指数μ， 趋近系数β, 权重w）高度依赖于具体物种、个体状态和时空环境。
依赖：严重依赖高分辨率的时空轨迹数据（如GPS/加速度计）进行模型拟合和检验，并需要环境图层数据（资源、风险分布图）来定义势函数。

4. 群体与社会动力学​

4.1 自驱动粒子 (SDP) / 对齐-分离-聚合模型
dv_i/dt = (Alignment + Separation + Cohesion) + Noise
Alignment: α * (1/N_i) * Σ_{j∈N_i} (v_j - v_i)
Separation: -β * ∇_i Σ_{j≠i} U_rep( | r_i - r_j | )
Cohesion: γ * (r_{com} - r_i)
4.2 基于网络传染病模型 (SIR on Network)
dS_i/dt = -β * Σ_j A_ij * S_i * I_j
dI_i/dt = β * Σ_j A_ij * S_i * I_j - γ * I_i
dR_i/dt = γ * I_i

v_i, r_i: 个体i的速度和位置向量
N_i: 个体i的邻居集合
α, β, γ: 对齐、分离、聚合的强度系数
U_rep: 排斥势函数
r_{com}: 邻居群体的质心
S_i, I_i, R_i: 个体i处于易感、感染、恢复状态的概率
A: 群体接触网络的邻接矩阵
β: 接触传播率
γ: 恢复率

复杂系统与涌现理论：简单的局部交互规则（对齐、分离、聚合）能在群体层面涌现出复杂的全局模式（如鸟群、鱼群）。
网络科学与流行病学：将群体结构抽象为网络，节点是个体，边代表接触，疾病传播动力学由网络拓扑和节点状态共同决定。

限制：经典SDP模型未包含个体认知差异和高级社会结构（如亲缘关系、等级）；网络SIR模型假设状态为易感/感染/恢复，对复杂疾病过程过于简化。
约束：交互规则强度系数(α, β, γ)和交互半径（定义N_i）需从精细的群体运动数据中反演；接触网络A难以直接、全面地观测。
依赖：需要超高分辨率的群体同步追踪数据以计算个体间的相对位置、速度，并推断交互规则和接触网络。计算开销巨大。

5. 疾病与免疫动力学​

5.1 宿主内病原动力学 (Within-Host Model)
dT/dt = λ - d_T*T - β*V*T
dI/dt = β*V*T - δ*I
dV/dt = p*I - c*V
5.2 免疫反应动力学
dE/dt = a*E*V/(g+V) - b*E + s

T: 靶细胞(如易感细胞)数量
I: 感染细胞数量
V: 游离病原体数量
λ: 靶细胞自然补充率
d_T, δ, c: 靶细胞、感染细胞、病原体的清除率
β: 感染率
p: 感染细胞产生病原体的速率
E: 效应免疫细胞数量
a: 免疫细胞增殖速率
b: 免疫细胞死亡速率
s: 免疫细胞基础补充率
g: 半饱和常数

病毒动力学与免疫学：描述病原体侵入宿主后，与靶细胞、免疫系统相互作用的时间动态过程，是理解疾病进展和药物疗效的基础。
非线性动力系统：这些方程常构成一个捕食者-被捕食者（免疫细胞-病原体）或竞争系统，可产生稳定、振荡或爆发的动态。

限制：模型高度简化，忽略了免疫细胞多样性、空间异质性（如组织特异性）和记忆免疫。
约束：模型参数（如清除率c， 产生率p）通常无法直接测量，需通过拟合病毒载量等时间序列数据间接估计，存在辨识困难。
依赖：完全依赖于频繁的、侵入性的宿主内纵向数据（如血液中的病毒载量、特定免疫细胞计数），在活体动物中难以高频次获取。

6. 繁殖、遗传与进化​

6.1 生命史特征模型 (如：Smith-Fretwell模型)
Maximize: R0 = Σ [l(x) * m(x)]
subject to: C = Σ [c * m(x)]
6.2 数量遗传与育种方程
R = h² * S
P = G + E
6.3 种群遗传学 (哈迪-温伯格定律)
p² + 2pq + q² = 1

R0: 净生殖率
l(x): 年龄x时的存活率
m(x): 年龄x时的生育力
C: 总繁殖投入资源约束
c: 单位后代的投入成本
R: 选择反应(遗传进展)
h²: 性状遗传力
S: 选择差(亲本与群体均值差)
P: 表型值
G: 基因型值
E: 环境偏差
p, q: 等位基因频率

进化生态学与资源分配理论：假设存在资源权衡，自然选择会优化资源在生长、维持、繁殖间的分配，以最大化适合度（如R0）。
数量遗传学：表型是基因型与环境共同作用的结果，可遗传的部分(G)决定选择的效果。
群体遗传学基础：在没有进化压力的大群体中，基因频率和基因型频率将保持恒定。

限制：生命史模型是高度优化的理想框架，忽略了随机性和约束的复杂性；数量遗传模型假设加性效应，忽略了上位性和基因-环境互作。
约束：优化过程需明确的适合度函数和约束函数，这往往难以精确量化；遗传力h²是特定群体和环境下的估计值，不具有普适性。
依赖：需要跨世代的长期数据（谱系、性状测量、环境记录）来估计遗传参数和验证进化预测。

7. 神经系统与感知-行动环​

7.1 速率编码神经元模型
τ * dr/dt = -r + f(Σ[w_i * r_i] + I_{ext})
7.2 深度强化学习 (DRL) 策略
`π_θ(a

s): 由神经网络参数θ参数化的策略函数<br>Objective: Maximize J(θ) = E_π[Σ γ^t * R(s_t, a_t)]`

r: 神经元发放率
τ: 时间常数
f(): 激活函数(如Sigmoid, ReLU)
w_i: 突触权重
r_i: 前序神经元发放率
I_{ext}: 外部输入
`π_θ(a

s): 在状态s下采取行动a的概率<br>γ: 未来奖励的折现因子<br>R`: 奖励函数

应用场景

核心优势 (价值)

主要劣势/挑战

精准畜牧与福利管理：优化饲料配方、预测生长曲线、早期疾病预警、评估动物福利（如通过行为识别应激）。

1. 个体化精准管理：为每头动物提供定制化的营养和健康干预，最大化生产效益和福利。
2. 早期预警与预防：通过偏离正常模型的生理或行为数据，实现疾病的亚临床预警。
3. 优化资源利用：精准饲喂减少浪费，优化圈舍环境降低能耗。

1. 个体差异巨大：品种、性别、年龄、生理状态导致模型参数高度个性化，校准工作繁重。
2. 传感器数据质量：依赖于可靠的个体体征（体温、活动量、采食量）实时监测，硬件成本高，数据噪声大。
3. 模型解释与信任：养殖户对复杂模型的输出可能缺乏理解和信任，推广需简化接口。

野生动物保护与生态管理：预测种群动态、评估栖息地适宜性、模拟人兽冲突、规划保护策略（如迁徙通道）。

1. 无侵入性预测：在数字空间中模拟不同管理策略（如建立保护区、控制狩猎）对种群的长远影响。
2. 理解复杂交互：整合环境、食物、天敌、竞争等因素，揭示种群波动的驱动机制。
3. 风险评估：预测气候变化、生境破碎化对濒危物种的威胁。

1. 数据极端匮乏：野生动物的关键参数（如死亡率、迁徙路径、疾病感染率）极难获取。
2. 模型高度不确定：由于数据稀缺和系统复杂性，预测结果往往带有很宽的置信区间，决策支持力受限。
3. 尺度整合难题：从个体行为如何涌现为种群动态，再到生态系统影响，跨尺度建模是核心难点。

生物医学研究与新药开发：构建“虚拟患者”（实验动物），模拟疾病进程，预测药物疗效与毒性，优化实验设计。

1. 减少动物实验：通过“计算机实验”预先筛选有希望的化合物和剂量，遵循3R原则（减少、优化、替代）。
2. 加速研发进程：整合生理、药理知识，量化预测药代/药效关系，指导临床试验设计。
3. 机制性洞察：揭示药物作用的系统级效应和潜在副作用机制。

1. 生物学复杂性：疾病和药物反应涉及分子、细胞、器官、整体多层次的复杂网络，完全模拟不现实。
2. 种间差异外推风险：基于动物模型（如小鼠）建立的数字孪生，其预测结果外推到人类的有效性存疑。
3. 高质量数据壁垒：需要极其精细的、多组学的、时空分辨的动物实验数据来构建和验证模型。

仿生机器人与智能体：基于动物高效的运动、感知和群体协作机制，为机器人设计提供灵感与控制算法。

1. 性能突破：借鉴亿万年进化优化出的高效结构（如骨骼肌肉）与鲁棒控制策略。
2. 环境适应性强：动物的行为灵活性为机器人在复杂、非结构化环境中的工作提供解决方案。
3. 群体智能：借鉴鱼群、鸟群的分布式协调机制，用于无人机编队、集群机器人控制。

1. 仿生不等于复制：受限于当前材料、驱动器和能源技术，难以完全复制生物的性能和能效。
2. 简化与失真：为工程实现，通常对生物原理进行大幅简化，可能丢失关键优势。
3. 伦理争议：高度仿真的动物机器人可能引发新的社会伦理问题。

模型组件

核心参数 (P) 与变量 (V)

核心数学方程/函数

相关学科

理论基础与关联性

1. 物理属性与解剖结构模型
(涵盖骨骼、肌肉、皮肤、脂肪、器官的体积、密度、几何形状)

P:​ 各组织密度 ρ_tissue、杨氏模量 E、泊松比 ν、比热容 c_p、热导率 k、肌肉最大应力 σ_max、骨骼关节自由度 DOF。
V:​ 各部位质量 m_i、体积 V_i、质心位置 r_i、转动惯量张量 I_i、肌肉初长度 l_0、皮肤顶点坐标 X_skin。

有限元分析/质量-弹簧-阻尼系统：
M * d²X/dt² + C * dX/dt + K * X = F_ext + F_muscle
其中：​ M质量矩阵，C阻尼矩阵，K刚度矩阵，X顶点位移，F外力/肌力。

解剖学、生物力学、计算几何、有限元分析​

理论基础：​ 连续介质力学、牛顿运动定律。关联：​ 定义了数字动物的物理化身。这是所有运动、形变、热交换和受力分析的基础几何与力学模型。

2. 动态能量与物质收支核心
(DEB理论扩展，统管能量、碳、氮、水、氧)

P:​ 同化率 {ṗ_Am}、维持率 [ṗ_M]、分配系数 κ、生殖效率 κ_R、化学计量系数 (C, H, O, N)。
V:​ 结构生物量 V、各物质储备 E_C, E_N, E_H2O、成熟度 E_H、储备流动性 [E]。

扩展DEB核心方程：
dE_C/dt = ṗ_A - ṗ_C(碳流)
dE_N/dt = ...(氮流)
d[E_H2O]/dt = 饮水 + 代谢水 - 蒸发 - 排泄(水流)
ṗ_A = {ṗ_Am} * f(X, T) * V^{2/3}(同化，依赖食物X和温度T)
ṗ_C = ...(利用，耦合所有物质)

生理生态学、生物能量学、生物化学计量学​

理论基础：​ 质量与能量守恒、化学计量平衡。关联：​ 模型的“新陈代谢引擎”。它将进食、呼吸、饮水等行为转化为统一的能量和物质流，驱动生长、维持、活动、繁殖，是整个系统的底层动力源。

3. 热调节与体液平衡模型
(散热、蒸发、喝水、体温调节)

P:​ 体核温度设定点 T_set、热中性区、出汗/喘气系数 g_sw、体表面积 A、最小尿液渗透压 OP_min。
V:​ 体核温 T_core、体表温 T_surf、皮肤血流量 Q_skin、出汗率 ṁ_sw、呼吸蒸发量 E_resp、体内水储量 W、血浆渗透压 OP。

分布式热平衡方程：
ρ*c_p * ∂T/∂t = ∇·(k∇T) + q_met - q_evap(PDE)
整体水平衡：
dW/dt = Drink + Water_in_food - ṁ_sw - E_resp - Urine
喝水驱动信号 (基于渗透压)：
Drive_drink = max(0, (OP - OP_set) / OP_set)

生物物理学、热生理学、体液生理学​

理论基础：​ 传热学（导热、对流、辐射、蒸发）、渗透调节、负反馈控制。关联：​ 维持内稳态的核心。热模型耦合环境温度和DEB产热；水模型耦合饮水行为、DEB代谢水和蒸发散热。是连接生理与行为（如寻找阴凉、喝水）的关键。

4. 呼吸与循环系统模型
(气体交换、血液运输)

P:​ 肺泡通气量 V̇_A、肺扩散容量 D_L、心输出量 Q、血红蛋白氧合曲线参数 P50, n。
V:​ 动脉血氧分压 PaO2、静脉血氧分压 PvO2、血氧饱和度 SaO2、组织氧耗率 V̇O2。

气体交换 (Fick原理)：
V̇O2 = Q * (CaO2 - CvO2)
PaO2 = PIO2 - (V̇O2 / (V̇_A * β))(简化肺泡气方程)
氧合动力学 (Hill方程)：
SaO2 = (PaO2^n) / (PaO2^n + P50^n)

呼吸生理学、心血管生理学、流体力学​

理论基础：​ Fick扩散定律、质量守恒、血红蛋白氧合动力学。关联：​ 是DEB引擎的“供能管路”。将呼吸行为与线粒体代谢连接，为活动肌肉供氧，并排出代谢废物CO2。其效率直接影响活动代谢率。

5. 消化与排泄系统模型
(光吸收仅限于此，如维生素D合成)

P:​ 胃肠道分段容积、排空率 k、营养吸收率 α、微生物发酵效率 η_micro、表皮透光率 τ_skin、7-脱氢胆固醇浓度 [7-DHC]。
V:​ 胃内容物 G、肠道食糜 C、粪便排出率 F、血浆维生素D前体浓度 [VitD_pre]。

胃肠道房室模型：
dG/dt = Ingestion - k * G
dC/dt = k*G - α*C - F
维生素D光合成 (表皮)：
d[VitD]/dt = I_UV * τ_skin * [7-DHC] * Φ(其中Φ为量子产率)

消化生理学、营养学、光生物学​

理论基础：​ 化学反应动力学、房室模型、光化学。关联：​ 是DEB同化流 ṗ_A​ 的来源。将摄入的复杂物质分解为可同化的基本单元（葡萄糖、氨基酸、脂肪酸）。光吸收在此特指紫外线B促进表皮中维生素D的合成，是重要的非视觉光生物学过程。

模型组件

核心参数 (P) 与变量 (V)

核心数学方程/函数

相关学科

理论基础与关联性

6. 感知系统模型
(眼、耳、鼻、体感)

P:​ 视觉：视场角 FOV、分辨率、光敏感度。听觉：频率响应范围、声强阈值。嗅觉：受体类型与亲和力 K_d。
V:​ 视觉输入矩阵 I(x,y,t)、听觉流 S(f,t)、嗅觉浓度向量 O_i(t)、本体感觉信号 P_proprio。

简化感受器模型：
R(t) = g( ∫ Kernel(τ) * S(t-τ) dτ )
其中 g是非线性激活函数，Kernel是时空滤波器。

神经科学、感觉生理学、信号处理​

理论基础：​ 信息论、信号检测理论、感受器细胞生理。关联：​ 将环境物理化学信号（光、声、化学分子）转化为神经系统可处理的内部表征，是行为决策的输入源头。

7. 中枢模式发生器与运动控制
(步态、姿态、基本动作)

P:​ CPG振荡器参数（频率 ω， 相位差 φ）、肌肉-骨骼模型增益 K_p, K_d、反射回路延迟 τ。
V:​ CPG状态 θ_i、期望关节角度 q_d、实际角度 q、肌电信号 EMG、地面反作用力 GRF。

相位振荡器 (CPG)：
dθ_i/dt = ω_i + Σ_j w_ij * sin(θ_j - θ_i - φ_ij)
低级运动控制 (PD伺服)：
τ_muscle = K_p*(q_d - q) + K_d*(dq_d/dt - dq/dt)

运动控制理论、神经动力学、机器人学​

理论基础：​ 中枢模式发生器理论、反馈控制理论、生物力学。关联：​ 产生节律性运动模式（行走、奔跑、呼吸）并维持姿态稳定。它将高级指令转化为低级肌肉激活信号，是物理引擎的“驾驶员”。

8. 动机与决策系统
(需求、目标、动作选择)

P:​ 内稳态设定点 S_set（如血糖、体温、水合）、需求权重 w_i、时间折扣因子 γ。
V:​ 内部状态 S(t)（如饥饿度、渴感、困倦）、预期奖励 Q(s,a)、策略 `π(a

s)、动机强度D_i =

S_i - S_set_i

`。

模型组件

核心参数 (P) 与变量 (V)

核心数学方程/函数

相关学科

理论基础与关联性

9. 表情与面部模型
(眼、耳、口、鼻、面部肌肉)

P:​ 面部动作编码系统参数（FACS， Action Units权重 w_AU）、眼部注视动力学参数、皮毛竖起控制参数。
V:​ 面部肌肉激活水平 AU_i、眼球朝向 (θ, φ)、瞳孔直径 d_pupil、皮毛角度 α_fur。

混合形状/骨骼驱动：
V_face = V_neutral + Σ (w_AU_i * ΔV_AU_i)
注视控制：
d(眼球朝向)/dt = K * (目标方向 - 当前方向)

计算机图形学、情感计算、比较心理学​

理论基础：​ 面部表情的神经文化理论、眼动与注意力的关联。关联：​ 是内部状态（恐惧、兴奋、攻击性）和意图（注视方向）的可视化输出。由动机系统和感知系统（看到什么）驱动，用于社会沟通。

10. 发声与“语言”模型
(叫声、音高、节奏)

P:​ 声带振动基频范围 f0_min, f0_max、共振峰频率 F1, F2, F3、呼叫能量参数。
V:​ 发声开闭商 OQ、基频 f0(t)、声强 I(t)、声学特征向量 F(t)。

源-滤波器模型：
S(t) = GlottalSource(f0, OQ, ...) * VocalTractFilter(F1, F2, ...)
发声动机：
P(call_type) = g( Motivation_emotion, Social_context )

生物声学、语音学、通信理论​

理论基础：​ 声音产生的肌弹性-空气动力学理论、动物交流的动机-结构规则。关联：​ 另一种社会通讯渠道。叫声类型和声学特征由内部动机（警告、求偶）和社会情境（优势、亲缘）共同决定。

11. 社群交互模型
(社会网络、支配等级、合作)

P:​ 社会网络邻接矩阵 A_ij、支配力系数 s_i、亲缘系数 r_ij、合作倾向 c。
V:​ 个体间距离 d_ij、相对方位、社会关系强度 w_ij、社会等级值 h_i。

社会力模型/支配等级动态：
dh_i/dt = Σ_j f(s_i, s_j, h_i, h_j, 交互结果)
交互决策 (博弈论)：
选择 合作/背叛 = argmax( payoff_matrix * [p_coop, 1-p_coop]^T )

社会网络分析、行为生态学、博弈论、集体行为​

理论基础：​ 社会支配理论、亲缘选择理论、演化博弈论。关联：​ 定义了个体在群体中的社会角色和关系。它调制个体间的交互规则（如攻击、屈服、理毛、分享），是群体结构和集体行为涌现的基础。

模型组件

核心参数 (P) 与变量 (V)

核心数学方程/函数

相关学科

理论基础与关联性

12. 发育、学习与衰老模型
(全生命周期变化、可塑性)

P:​ 发育时间表参数、学习率 η、记忆衰减率 λ、衰老速率 k_s、端粒初始长度 L_0。
V:​ 生理年龄 a_phys、技能熟练度 Sk、记忆痕迹 M(t)、组织功能储备 F_tissue。

DEB发育开关：
If E_H > E_H^p, then 启动生殖
技能学习 (强化学习)：
Q(s,a) ← Q(s,a) + η * (R + γ*max Q(s',a') - Q(s,a))
衰老 (磨损积累)：
dF_tissue/dt = -k_s * F_tissue * Damage

发育生物学、学习理论、衰老生物学​

理论基础：​ 生命史理论、可塑性、强化学习、衰老的损伤积累/端粒学说。关联：​ 模拟时间对个体的影响。包括DEB控制的发育阶段转换、经验驱动的行为优化、以及功能随年龄的衰退。

13. 遗传与表现遗传模型
(代际传递、性状变异)

P:​ 基因位点与等位基因、遗传力 h^2、加性遗传方差 V_A、表现遗传修饰率 μ_epi。
V:​ 基因型 G、表型值 P、育种值 A、表现遗传标记状态 E。

数量遗传模型：
P = A + D + I + E(表型 = 加性+显性+上位+环境)
A_offspring = 0.5*(A_sire + A_dam) + Mendels sampling<br>**表现遗传传递：**<br>E_offspring = f(E_parent, μ_epi, 环境)`

数量遗传学、群体遗传学、表现遗传学​

理论基础：​ 孟德尔遗传定律、Fisher的遗传方差分解、表现遗传修饰。关联：​ 为所有底层参数（DEB参数、行为倾向、外貌参数）提供遗传基础和代际传递规则。定义了进化的原材料，是数字孪生种群能够适应和演化的核心。

组件

数学描述

参数

变量

理论基础

面部骨骼结构​

骨骼关节层次模型：
J_i = T(parent) * R(θ_i) * T(offset_i)
其中J_i是关节i的变换矩阵

关节自由度DOF、骨骼长度l_i、关节限制[θ_min, θ_max]

关节角度θ_i(t)、骨骼端点位置P_i(t)

解剖学、刚体运动学、骨骼层次结构

肌肉系统​

肌肉线缆模型：
l_m(t) = ‖P_origin(t) - P_insertion(t)‖
F_m = f(activation, l_m, l_ṁ)
Hill肌肉模型：
F_m = F_max * [a·f_l(l_m)·f_v(v_m) + f_p(l_m)]

最大肌力F_max、最优长度l_opt、肌腱长度l_t、羽状角α

肌肉激活度a(t)∈[0,1]、肌肉长度l_m(t)、收缩速度v_m(t)

肌肉生理学、Hill肌肉模型、肌肉骨骼生物力学

面部动作单元​

FACS参数化：
AU_i(t) = w_i * I_i(t)
其中AU_i是第i个动作单元强度

基准权重w_i、时间常数τ_i、协同/拮抗关系矩阵C

动作单元强度AU_i(t)∈[0,1]、激活信号I_i(t)

面部动作编码系统、肌电图研究、解剖学基础

皮肤与软组织​

质量-弹簧-阻尼系统：
m_i d²x_i/dt² = Σ_j F_spring(i,j) + Σ_j F_damp(i,j) + F_muscle(i) + F_gravity
有限元模型：
M d²u/dt² + C du/dt + Ku = F_ext

顶点质量m_i、弹簧刚度k_ij、阻尼系数c_ij、皮肤厚度d、弹性模量E、泊松比ν

顶点位移u_i(t)、顶点速度v_i(t)、应力σ、应变ε

连续介质力学、粘弹性材料理论、有限元分析

特殊器官
(眼、耳、鼻、口)

眼睑动力学：
dθ_eyelid/dt = k_open*(S_open - θ_eyelid) - k_close*(S_close - θ_eyelid)
瞳孔响应：
d_d(t) = d_0 + A·exp(-(t-t_0)²/(2τ²))

眼睑开合速率常数k_open, k_close、瞳孔基础直径d_0、最大变化A、响应时间常数τ

眼睑角度θ_eyelid(t)、瞳孔直径d(t)、眼球朝向[α, β]

眼动控制生理、瞳孔光反射、前庭-眼反射

控制机制

数学描述

参数

变量

理论基础

中枢模式发生器
(CPG)

相位振荡器网络：
dθ_i/dt = ω_i + Σ_j w_ij sin(θ_j - θ_i - φ_ij)
AU_i(t) = g_i(θ_i(t))
其中g_i是相位到强度的映射

固有频率ω_i、耦合权重w_ij、相位差φ_ij、波形函数参数

振荡器相位θ_i(t)、振幅A_i(t)、输出强度AU_i(t)

中枢模式发生器理论、耦合振荡器网络、非线性动力学

情绪-表情映射​

情绪空间到AU空间的映射：
AU(t) = W·E(t) + b + noise
其中E(t) = [e_valence, e_arousal, e_dominance]^T
情绪动力学：
dE/dt = A·E + B·S(t)

映射矩阵W、偏置b、情绪状态转移矩阵A、刺激响应矩阵B

情绪状态向量E(t)、外部刺激S(t)、情绪强度‖E‖

情绪维度理论、情感计算、情绪神经科学

反射性表情​

刺激-响应模型：
R(t) = ∫_0^t h(τ) S(t-τ) dτ
其中h(τ)是脉冲响应函数
条件反射：
dW/dt = η·δ·x
δ = λ - Σ_i w_i x_i

反射增益g_reflex、时间延迟Δt_reflex、习惯化参数α_hab、学习率η

刺激强度S(t)、响应强度R(t)、关联权重w_i(t)

经典条件反射、操作条件反射、Hebb学习规则

随意控制​

最优控制框架：
min ∫(AU_desired - AU)^2 + λ·(dAU/dt)^2 dt
受约束于肌肉动力学

控制代价权重λ、精度要求ε、运动规划时间T

期望表情AU_desired、实际表情AU(t)、控制信号u(t)

最优控制理论、运动规划、反馈控制理论

社会性调节​

社会情境调制：
AU_final = f_social(AU_intrinsic, context)
镜像神经元模型：
dM/dt = α·(AU_other - M)
表情模仿：
AU_self = γ·M + (1-γ)·AU_self

社会抑制/促进因子β_social、模仿倾向γ、共情参数α_empathy

社会情境向量C(t)、他人表情AU_other(t)、自身意图AU_self(t)

社会神经科学、镜像神经元理论、社会认知理论

模型类型

数学描述

参数

变量

理论基础

混合形状模型
(Blend Shapes)

顶点插值：
V(t) = V_neutral + Σ_i w_i(t)·(V_i - V_neutral)
权重动力学：
dw_i/dt = (w_i_target - w_i)/τ_i

基础形状V_neutral、目标形状V_i、形状数量N、插值权重w_i

当前顶点V(t)、权重向量w(t)、形状空间坐标

计算机图形学、形状插值、表情数据库

骨骼驱动变形
(骨骼蒙皮)

线性混合蒙皮：
v'_j = Σ_i w_ij·T_i·v_j
其中T_i是骨骼i的变换矩阵，w_ij是权重

骨骼权重w_ij、骨骼影响半径r_i、绑定姿势v_j

蒙皮后顶点v'_j、骨骼变换T_i(t)、法线n_j(t)

计算机动画、骨骼动画、蒙皮算法

肌肉驱动变形​

肌肉体积保持：
V_muscle = constant
肌肉膨胀变形：
ΔV_skin = f(F_muscle, l_muscle)
有限元软组织仿真：
[K]{u} = {F}

肌肉体积V_m0、泊松比ν、肌肉纤维方向f、肌肉附着点刚度

皮肤位移场u(x,t)、肌肉力F_muscle(t)、应变能密度W

连续介质力学、有限元方法、生物力学

皱纹与褶皱​

基于应变的皱纹生成：
w(s) = A·exp(-k·(ε - ε_threshold))
其中ε是主应变方向s的应变

阈值应变ε_threshold、皱纹幅度A、衰减系数k、皱纹频率ω_wrinkle

皱纹深度w(s,t)、皱纹方向θ_wrinkle(t)、皱纹密度ρ_wrinkle

材料力学、皮肤生物力学、几何纹理合成

动态纹理
(皮毛、鳞片)

皮毛动力学：
d²θ_hair/dt² + γ dθ_hair/dt + kθ_hair = τ_ext
风向响应：
θ_hair = θ_0 + A·sin(ωt + φ)

毛发刚度k_hair、阻尼γ_hair、密度ρ_hair、长度分布参数

毛发角度θ_hair(t)、毛发位置p_hair(t)、毛发颜色c_hair(t)

物理模拟、渲染方程、光线传输理论

动态特性

数学描述

参数

变量

理论基础

表情时序​

起始-持续-消退三阶段：
AU(t) = A·[1 - exp(-(t-t_0)/τ_rise)]·exp(-(t-t_peak)/τ_decay)
对于t∈[t_0, t_end]

起始时间t_0、峰值时间t_peak、持续时间T、上升时间常数τ_rise、衰减时间常数τ_decay

表情强度AU(t)、峰值强度A_max、速度v_AU = dAU/dt

运动学、时间序列分析、表情心理学

表情协同​

主成分分析/独立成分分析：
AU(t) = Σ_i PC_i·s_i(t)
其中s_i(t)是独立时间成分

主成分向量PC_i、方差贡献率λ_i、混合矩阵A

独立成分s_i(t)、协方差矩阵Σ_AU、相关系数ρ_ij

多元统计分析、信号处理、因子分析

微表情检测​

短时特征提取：
ΔAU = AU(t+Δt) - AU(t)
阈值检测：
if max(ΔAU) > θ and duration < T_micro then 微表情

时间窗口Δt、强度阈值θ、最大持续时间T_micro、空间范围阈值R

微表情强度I_micro、起始帧f_start、结束帧f_end

微表情心理学、快速面部动作识别

表情节奏​

周期性/准周期性分析：
AU(t) = Σ_n A_n sin(2πnf_0t + φ_n) + noise

基频f_0、谐波幅度A_n、相位φ_n、信噪比SNR

瞬时频率f(t)、周期性指数P、节奏规律性R

时间序列分析、傅里叶分析、节奏生理学

表情传递函数​

线性时不变系统：
H(s) = Y(s)/X(s) = b_0 + b_1s + ... + b_ms^m / (1 + a_1s + ... + a_ns^n)
其中s是拉普拉斯变量

传递函数系数a_i, b_i、极点p_i、零点z_i、系统阶数n,m

输入表情x(t)、输出表情y(t)、冲激响应h(t)

控制系统理论、系统辨识、信号与系统

语义层次

数学描述

参数

变量

理论基础

表情识别​

模式分类：
`P(emotion

AU) = exp(w·f(AU)) / Σ exp(w_i·f(AU))`
其中f是特征提取函数

分类权重w、特征变换参数θ_f、分类阈值θ_class

表情类别概率`P(c

表情理解​

贝叶斯推理：
`P(intent

AU, context) ∝ P(AU

intent)·P(intent

context)<br>图模型：<br>P(AU, E, I, C) = Π φ_i(factors)`

表情生成
(主动)

编码-解码框架：
z = Encoder(AU, context)
AU' = Decoder(z, emotion)
对抗生成：
min_G max_D E[log D(AU_real)] + E[log(1-D(G(z)))]

编码器参数θ_E、解码器参数θ_D、判别器参数θ_Disc、潜在维度d_z

潜在表示z、生成表情AU'、判别概率D(AU)

深度学习、生成对抗网络、变分自编码器

跨模态融合​

多模态融合：
AU_fused = α·AU_visual + β·AU_audio + γ·AU_physio
α+β+γ=1, α,β,γ≥0
注意力机制：
α_i = softmax(w^T·h_i)

模态权重α,β,γ、注意力权重w、融合函数参数

多模态特征h_i、注意力权重α_i、融合表示h_fused

多模态学习、注意力机制、信息融合

长期表情模式​

马尔可夫模型：
`P(AU_t

AU{t-1},...,AU{t-k})<br>隐马尔可夫模型：<br>P(AU_t

s_t)·P(s_t

s_{t-1})<br>其中s_t`是隐状态

学习方法

数学框架

数据需求

理论基础

系统辨识​

最小二乘法：
θ^* = argmin_θ Σ‖y(t) - f(x(t); θ)‖²
最大似然估计：
`θ^* = argmax_θ Π P(y_t

x_t; θ)`

时间序列数据：
{AU(t), E(t), S(t)}

强化学习​

策略梯度：
`∇θ J(θ) = E[Σ∇θ log π_θ(a

s) Q(s,a)]<br>Actor-Critic：<br>δ = r + γV(s') - V(s)`

状态-动作-奖励序列：
(s, a, r, s')

模仿学习​

行为克隆：
`min_θ Σ D_KL(π_expert(a

s)‖π_θ(a

s))<br>逆强化学习：<br>max_r min_π E_π[r(s,a)] - E_π_expert[r(s,a)]`

迁移学习​

域适应：
min_θ L_task + λ·D(源域, 目标域)
元学习：
θ^* = argmin_θ Σ_i L_i(θ - α∇L_i(θ))

多个相关任务数据

迁移学习、元学习、域适应理论

物种

关键特征

特殊建模需求

数学模型调整

犬科​

丰富耳部动作、露齿、尾巴姿态

耳部肌肉系统(>20块肌肉)、尾巴动力学

扩展AU系统包含耳部AU、尾部AU；增加耳-眼协调模型

猫科​

瞳孔垂直缝、胡须颤动、耳朵转动

瞳孔形状适应、胡须机械传感

瞳孔形状函数：d_y/d_x = f(光照, 焦距)；胡须振动模型

灵长类​

复杂面部肌肉(尤其嘴部)、唇部动作

精细唇部控制、表情模仿能力

增加唇部AU(>10个)、增加镜像神经元模型权重

鸟类​

喙部动作、虹膜颜色变化、冠羽竖起

喙部开合动力学、羽毛控制系统

喙部角度模型：θ_beak = f(意图, 发声)；羽毛控制模型

爬行类​

有限面部肌肉、舌部动作、瞬膜

热感应器官、瞬膜清洁动作

热感应模型：T_sensed = f(距离, 方向)；瞬膜动力学

鱼类​

鳃盖动作、口部开合、鳍部姿态

水流中表情传播、浮力影响

流体-结构耦合：∂u/∂t + (u·∇)u = -∇p/ρ + ν∇²u + f

验证维度

数学指标

数据需求

理论基础

解剖准确性​

肌肉附着点误差：
ε_anatomy = 1/N Σ‖P_model - P_cadaver‖

解剖学数据、CT/MRI扫描

比较解剖学、形态测量学

运动真实性​

运动学相似度：
SIM = (μ_model·μ_real)/(σ_model·σ_real)
动态时间规整距离：DTW(AU_model, AU_real)

高速视频、运动捕捉数据

运动分析、时间序列相似性

生理合理性​

肌电一致性：
CC = corr(EMG_real, a_model)
能量效率：E_cost = Σ a_i²·Δt

肌电图(EMG)、代谢测量

运动生理学、能量优化

感知有效性​

人类识别准确率：
ACC = (#正确识别)/(#总试次)
动物行为响应：响应强度 = f(表情刺激)

行为实验、心理物理测试

心理物理学、动物行为学

神经一致性​

fMRI激活模式相似度：
R^2 = 1 - Σ(y - ŷ)²/Σ(y - ȳ)²
单神经元编码相似性

fMRI、电生理记录

认知神经科学、神经编码理论

算法类别

数学描述

参数

变量

多媒体呈现技术

凝视定位模型​

f(t) = K * e(t)
其中K是控制器增益，e(t) = T(t) - P(t)是注视误差
更精确模型：
f(t) = K_p * e(t) + K_d * de(t)/dt + K_i * ∫e(τ)dτ

比例增益K_p、微分增益K_d、积分增益K_i、采样频率f_s

目标位置T(t)、当前注视点P(t)、控制信号f(t)、眼动速度v(t)

关键帧插值、样条曲线、目标锁定算法

扫视运动模型
(快速眼跳)

最小时间最优控制：
min J = ∫_0^T (u^T R u) dt
约束：
ẋ = A x + B u
`

u

≤ u_max<br>主序列关系：<br>S = a + b * log(A)<br>v_peak = c + d * A<br>T = e + f * A`

脉冲幅度A、峰值速度v_peak、持续时间T、加速度a_max、减速d_max

平滑追踪模型
(跟踪运动目标)

预测跟踪：
v_eye(t) = α * v_target(t) + β * a_target(t)
误差反馈模型：
v_eye(t+Δt) = v_eye(t) + K * (θ_target - θ_eye)
卡尔曼滤波器预测：
ẋ = A x + w
z = H x + v
x̂ = KF(x̂, z)

增益系数α, β、反馈增益K、过程噪声Q、观测噪声R

目标位置θ_target、目标速度v_target、预测位置θ_pred、滤波状态x̂

二阶平滑插值、物理模拟跟踪、预测渲染

前庭-眼反射
(VOR)

补偿性运动：
θ_eye(t) = -G * θ_head(t)
动态模型：
G(s) = (T_1 s + 1)/(T_2 s + 1) * e^{-τs}
自适应VOR：
G(t+1) = G(t) + η * (θ_retinal - θ_ideal)

VOR增益G、时间常数T_1, T_2、传输延迟τ、学习率η

头部角度θ_head、眼球角度θ_eye、视网膜误差θ_retinal

头部跟踪同步、反向运动学、延迟补偿

视动性眼震
(OKN)

慢相-快相交替：
dθ/dt = v_okn * sign(v_visual)(慢相)
快相触发条件：
∫_0^t e(τ)dτ > threshold
快相模型：扫视模型

慢相增益K_slow、快相阈值θ_th、积分窗口T_window

视觉运动速度v_visual、慢相速度v_slow、快相幅度A_quick

周期性动画、状态机控制、时间触发器

算法类别

数学描述

参数

变量

多媒体呈现技术

双眼协调
(版本运动)

哈林定律：
θ_left = θ_version + θ_vergence/2
θ_right = θ_version - θ_vergence/2
协调约束：
‖θ_left - θ_right‖ ≤ θ_max

融合区θ_fusion、最大发散θ_max、协调增益K_c

版本角度θ_version、集合角θ_vergence、左/右眼角度θ_L, θ_R

立体渲染、视差控制、会聚点计算

集合/发散运动
(深度调节)

比例-微分控制：
dθ_vergence/dt = K_p * e + K_d * de/dt
e = 1/Z_target - 1/Z_current
深度估算：
Z = (I * d)/Δθ
其中I是瞳距，d是视差

瞳距I、深度误差增益K_z、集合极限θ_converge_max

目标深度Z_target、当前深度Z_current、视差Δθ、调节信号u_verge

立体视差渲染、深度缓冲、聚焦效果

眼-头协调​

头部贡献函数：
θ_head = f(θ_target)
g(θ) = 1 - exp(-θ/θ_0)
眼-头延迟模型：
τ_eye-head = a + b * θ

头部增益K_head、眼动阈值θ_threshold、延迟参数a, b

头眼协调比r、眼动启动延迟τ_eye、头动延迟τ_head

反向运动学链、延迟插值、分层动画

算法类别

数学描述

参数

变量

多媒体呈现技术

静态光响应​

Stevens定律：
d = d_max - k * log(I/I_0 + 1)
或Weber-Fechner定律：
d = d_max - k * ln(I/I_0)
其中I_0是参考光强

最大直径d_max、最小直径d_min、增益k、参考光强I_0

环境光强I、瞳孔直径d、适应水平A

动态光照响应、HDR光照、实时阴影映射

动态光响应​

一阶动态系统：
τ * dd/dt + d = d_steady(I)
脉冲响应：
h(t) = (1/τ) * exp(-t/τ) * u(t)
其中u(t)是单位阶跃函数

收缩时间常数τ_c、扩张时间常数τ_d、不对称因子α

光强变化ΔI、瞬态响应d_transient、稳态直径d_ss

时间卷积、动态纹理、着色器时间积分

瞳孔振荡
(Hippus)

自持振荡模型：
d²d/dt² + γ * dd/dt + ω_0² * d = ξ(t)
功率谱密度：
S(f) = σ²/[(f² - f_0²)² + (γf)²]

自然频率f_0、阻尼系数γ、噪声强度σ、振荡幅度A_hippus

振荡相位φ、瞬时频率f(t)、噪声项ξ(t)

噪声函数、振荡纹理、程序化动画

暗适应/明适应​

双指数模型：
d(t) = d_∞ + A_f * exp(-t/τ_f) + A_s * exp(-t/τ_s)
其中A_f, A_s分别是快/慢成分幅度

快适应时间常数τ_f、慢适应时间常数τ_s、幅度比r = A_s/A_f

适应时间t、当前直径d(t)、目标直径d_∞

渐变过渡、混合权重、时间曲线插值

瞳孔不对称
(Anisocoria)

差异模型：
d_L(t) = d(t) + Δd(t)
d_R(t) = d(t) - Δd(t)
其中Δd(t) ~ N(0, σ²)

不对称标准差σ、最大不对称Δd_max、相关时间τ_corr

左眼直径d_L、右眼直径d_R、不对称度Δd

双眼独立控制、随机扰动、不对称渲染

算法类别

数学描述

参数

变量

多媒体呈现技术

情绪响应​

情绪-瞳孔映射：
Δd_emotion = w_valence * v + w_arousal * a + w_dominance * d
其中v, a, d∈ [-1,1]是情绪维度

效价权重w_v、唤醒权重w_a、优势权重w_d、基线偏移b

效价v、唤醒度a、优势度d、情绪响应Δd_emo

表情系统集成、情绪状态机、实时响应动画

认知负荷​

任务难度函数：
Δd_cognitive = k * log(D + 1)
其中D是任务难度(0-1)
记忆负荷：
Δd_memory = m * N_items

认知增益k_cog、记忆系数m、衰减时间τ_cog

任务难度D、记忆项目数N、认知负荷L

任务难度驱动、记忆系统集成、注意力反馈

兴趣/惊讶响应​

脉冲响应：
Δd_interest = A * exp(-(t-t_0)²/(2σ²))
信息增益模型：
Δd ∝ -Σ p_i * log(p_i)

脉冲幅度A、脉冲宽度σ、信息熵增益k_info

刺激新奇度N、信息熵H、兴趣度I

事件触发器、粒子系统、冲击波效果

疼痛/压力响应​

应激反应：
Δd_stress = S * (1 - exp(-t/τ_stress))
疼痛强度映射：
Δd_pain = p(t) * k_pain

应激增益S、疼痛增益k_pain、应激时间常数τ_stress

应激水平s、疼痛强度p、交感激活A_sym

生理系统集成、伤害检测、压力可视化

算法类别

数学描述

参数

变量

多媒体呈现技术

自主眨眼
(自发性)

泊松过程模型：
P(眨眼 in Δt) = λ * Δt
Gamma分布间隔：
f(t) = t^{k-1} * exp(-t/θ) / (θ^k * Γ(k))

平均频率λ、Gamma形状参数k、尺度参数θ、最小间隔t_min

眨眼时间t_blink、间隔Δt、状态S_blink

随机事件、概率触发、时间线动画

反射性眨眼
(威胁、触觉)

刺激响应：
`P(blink

stimulus) = 1/(1+exp(-a*(I-I_th)))<br>时间延迟：<br>τ = τ_0 + b * exp(-I/I_0)`

阈值I_th、斜率a、基础延迟τ_0、强度系数b

刺激强度I、响应概率P、延迟τ

条件性眨眼
(学习性)

联想学习：
w(t+1) = w(t) + η * (λ - w(t)) * CS
其中CS是条件刺激，λ是无条件刺激强度

学习率η、消退率γ、条件刺激CS、无条件刺激US

关联强度w、预测误差δ、学习次数n

机器学习、权重调整、记忆系统

眨眼形态学​

眼睑轨迹：
h(t) = h_0 * [1 - f(t)]
f(t) = 1/(1+exp(-β*(t-t_0)))(Sigmoid)
速度曲线：
v(t) = β * f(t) * (1 - f(t))

最大闭合h_max、Sigmoid斜率β、峰值时间t_peak、不对称性α

眼睑高度h(t)、速度v(t)、加速度a(t)

样条动画、缓动函数、物理模拟

不完全眨眼
(Partial)

部分眨眼模型：
h(t) = h_0 - A * f(t)
其中A ∈ [0, h_0]是眨眼幅度

部分幅度A_partial、部分概率p_partial、状态S_partial

眨眼幅度A、完成度C、部分类型T

幅度调制、状态混合、分层控制

算法类别

数学描述

参数

变量

多媒体呈现技术

眼睑-眼球耦合​

贝尔现象：
θ_eye_up = k * h_eyelid
角膜保护：
h_min = f(θ_eye)
确保角膜全覆盖

耦合系数k、最小高度函数f(θ)、安全裕度δ

眼球上转θ_up、眼睑高度h、角膜暴露E

反向运动学约束、物理约束、保护性反射

不对称眨眼​

左右差异：
h_L(t) = h(t) + Δh(t)
h_R(t) = h(t) - Δh(t)
其中Δh(t) ~ N(0, σ²)

不对称标准差σ_asym、最大差异Δh_max、相关时间τ_asym

左眼睑h_L、右眼睑h_R、不对称度Δ

双眼独立控制、随机差异、非对称动画

瞌睡/疲劳眨眼​

疲劳模型：
λ(t) = λ_0 + α * t
闭合持续时间：
T_closed = T_0 + β * fatigue
其中fatigue ∈ [0,1]

基础频率λ_0、疲劳系数α、基础持续时间T_0、疲劳增益β

疲劳水平F、频率λ(t)、持续时间T_close

时间累加、状态过渡、疲劳可视化

算法类别

数学描述

参数

变量

多媒体呈现技术

调节响应​

刺激-响应函数：
D(t) = D_∞ + (D_0 - D_∞) * exp(-t/τ)
其中D是屈光度，D_0是初始值，D_∞是稳态值

调节幅度A_max、时间常数τ、滞后H、近点NP、远点FP

调节需求D_demand、调节反应D_response、调节滞后L

焦距动态调整、景深效果、聚焦模糊

调节-集合联动
(AC/A比率)

联动关系：
ΔD = AC/A * Δθ_vergence
或Δθ_vergence = CA/C * ΔD
其中AC/A是调节性集合比率

AC/A比率r_AC/A、CA/C比率r_CA/C、联动增益K_coupling

调节变化ΔD、集合变化Δθ_verge、偏差ε

双眼协调、深度线索整合、会聚模糊

调节噪声
(微波动)

随机游走：
dD/dt = σ * dW/dt
其中W是维纳过程
功率谱：S(f) ∝ 1/f^β

噪声强度σ、谱指数β、截止频率f_c、振幅A_micro

微波动δD(t)、谱密度S(f)、瞬时频率f(t)

程序化噪声、分形噪声、亚像素抖动

算法类别

数学描述

参数

变量

多媒体呈现技术

房水循环​

质量平衡：
dV/dt = F_production - F_outflow
Goldmann方程：
IOP = (F - U)/C + P_v
其中F是房水生成率，U是房水外流，C是外流易度

生成率F、外流易度C、上巩膜静脉压P_v、前房容积V

眼内压IOP、房水流量Q、前房深度D_AC

流体模拟、压力动态、体积变化

昼夜节律​

正弦模型：
IOP(t) = IOP_mean + A * sin(2πt/T + φ)
其中T=24h
或双峰模型：上午和下午峰值

平均眼压IOP_mean、振幅A、周期T、相位φ、峰值时间t_peak

时间t、眼压IOP(t)、昼夜节律C

时间周期函数、昼夜循环、生理节律

算法类别

数学描述

参数

变量

多媒体呈现技术

光感受器响应​

Naka-Rushton方程：
R/R_max = I^n/(I^n + σ^n)
其中R是响应，I是光强，σ是半饱和常数

最大响应R_max、半饱和常数σ、Hill系数n、适应状态A

光强I、光感受器响应R、饱和水平S

色调映射、曝光模拟、动态范围压缩

中心-周边对抗​

Difference of Gaussians (DoG)：
RF(x,y) = A_c * G(x,y,σ_c) - A_s * G(x,y,σ_s)
G(x,y,σ) = exp(-(x²+y²)/(2σ²))/(2πσ²)

中心强度A_c、周边强度A_s、中心大小σ_c、周边大小σ_s

空间坐标(x,y)、感受野RF、输出O

卷积核、边缘检测、图像处理滤镜

视网膜神经节细胞​

线性-非线性模型：
R(t) = f(∫h(τ)S(t-τ)dτ)
其中h是时间滤波器，f是非线性函数

时间滤波器h(t)、非线性函数f(·)、阈值θ、增益g

刺激S(t)、滤波器输出L(t)、响应R(t)

时间卷积、激活函数、脉冲编码

视网膜微跳动
(Fixational eye movements)

随机游走模型：
dx/dt = σ_x * ξ_x(t)
dy/dt = σ_y * ξ_y(t)
ξ(t)是白噪声
功率谱：S(f) ∝ 1/f^2

扩散系数σ_x, σ_y、相关时间τ、振幅A_micro

微动位移(Δx, Δy)、速度(v_x, v_y)、轨迹r(t)

亚像素抖动、程序化噪声、抗锯齿

算法类别

数学描述

参数

变量

多媒体呈现技术

显著性检测
(视觉注意力)

Itti-Koch模型：
S(x,y) = Σ_i w_i * N(F_i(x,y))
其中F_i是特征图(颜色、强度、方向)
N(·)是归一化算子

特征权重w_i、归一化参数σ_n、抑制因子k、尺度数n_scales

特征图F_i、显著性图S、注意焦点AF

显著性映射、热点图、注意力引导

平滑追踪预测​

目标运动预测：
ẋ̂ = A x̂ + K (z - H x̂)
其中x̂是状态估计，z是观测
α-β-γ滤波器：
x̂_k = x̂_{k-1} + α*(z_k - x̂_{k-1})
v̂_k = v̂_{k-1} + β*(z_k - x̂_{k-1})/Δt
â_k = â_{k-1} + γ*(z_k - x̂_{k-1})/(0.5*Δt²)

卡尔曼增益K、过程噪声Q、观测噪声R、滤波器系数α,β,γ

状态估计x̂、观测z、预测误差e

卡尔曼滤波、运动预测、轨迹平滑

运动检测
(MT区模型)

Reichardt检测器：
R(x,t) = I(x,t) * I(x+Δx, t+Δt)
方向选择性：
D(θ) = Σ_i w_i(θ) * R_i

空间位移Δx、时间延迟Δt、方向权重w_i(θ)、抑制S

运动能量E、方向θ、速度v

运动模糊、光流估计、方向滤波

算法类别

数学描述

参数

变量

实现技术

眼球几何渲染​

球面参数方程：
x = R sinθ cosφ
y = R sinθ sinφ
z = R cosθ
其中θ∈[0,π], φ∈[0,2π]
变形：R(θ,φ) = R_0 + ΔR(θ,φ)

眼球半径R_0、角膜曲率R_cornea、虹膜半径R_iris、瞳孔半径R_pupil

参数(θ, φ)、半径变化ΔR、法线n

球面网格、细分曲面、位移贴图

角膜折射​

斯涅尔定律：
n_air sinθ_i = n_cornea sinθ_t
折射向量：
t = μ i - (μ c - √(1-μ²(1-(c·i)²))) n
其中μ = n1/n2, c = n·i

空气折射率n_air=1.0、角膜折射率n_cornea=1.376、前房折射率n_aqueous=1.336

入射角θ_i、折射角θ_t、入射向量i、折射向量t

光线追踪、折射着色器、环境贴图折射

虹膜纹理生成​

程序化纹理：
Color(r,θ) = C_base + Σ A_i sin(k_i r + φ_i)
径向变化：
T(r) = T_0 + (T_1 - T_0) * (1 - exp(-r/σ))
Worley噪声用于斑点：
F(p) = min_i ‖p - c_i‖

基色C_base、谐波数n、波数k_i、相位φ_i、径向衰减σ

极坐标(r,θ)、纹理值T、噪声值F

程序化着色器、Worley噪声、径向渐变

瞳孔动态渲染​

实时缩放：
scale = d_current / d_max
边缘模糊：
α = smoothstep(r_inner, r_outer, r)
其中smoothstep是平滑阶梯函数

当前直径d_current、最大直径d_max、内半径r_inner、外半径r_outer、模糊宽度w

缩放因子scale、混合因子α、位置(x,y)

动态缩放、alpha混合、着色器变量

泪膜渲染​

薄膜干涉：
I(λ) = I_1 + I_2 + 2√(I_1 I_2) cos(δ)
δ = (4π/λ) n d cosθ
其中d是膜厚，n是折射率

膜厚d、折射率n、干涉级次m、衰减系数α

波长λ、入射角θ、相位差δ、强度I

薄膜着色、光谱渲染、彩虹效果

算法类别

数学描述

参数

变量

实现技术

层级动画控制​

正向运动学：
p_end = T_0 * Π T_i(θ_i) * p_local
其中T_i是第i个关节的变换矩阵
眼球旋转：R = R_x(θ_x) * R_y(θ_y) * R_z(θ_z)

关节变换T_i、关节角度θ_i、旋转顺序order

末端位置p_end、关节角度θ、变换矩阵T

骨骼动画、变换层级、四元数旋转

反向运动学
(注视目标)

CCD算法：
for each joint i from end to root:
v_end = p_target - p_end
v_i = p_end - p_i
rotate joint i by angle = acos(v_end·v_i/(‖v_end‖‖v_i‖))
around axis = v_end × v_i

迭代次数N、收敛阈值ε、阻尼因子λ

目标位置p_target、当前末端p_end、旋转轴axis

CCD求解器、FABRIK、雅可比矩阵逆

物理模拟眨眼​

弹簧-阻尼系统：
m d²h/dt² + c dh/dt + k(h - h_0) = F_muscle
肌肉力：
F_muscle = F_max * activation(t)
激活函数：activation(t) = 1/(1+exp(-β(t-t_0)))

质量m、阻尼c、刚度k、最大肌力F_max、斜率β

眼睑高度h、速度dh/dt、肌力F_muscle

弹簧质点系统、Verlet积分、物理引擎

程序化眼动​

行为树控制：
if(condition) then action
状态机：
S(t+1) = f(S(t), input)
混合权重：
output = Σ w_i * behavior_i

状态转移矩阵P、行为权重w_i、优先级priority_i

当前状态S、输入I、输出行为B

行为树、有限状态机、混合树

眼球微动合成​

分形噪声：
x(t) = Σ A_i sin(2π f_i t + φ_i)
其中f_i = f_0 * 2^i, A_i = 1/f_i^β
或Perlin噪声：
x(t) = noise(scale * t)

基频f_0、谐波数n、谱指数β、噪声尺度scale

时间t、噪声值x、微动位移Δ

Perlin噪声、分形布朗运动、程序化动画

算法类别

数学描述

参数

变量

实现技术

视线估计
(从外观)

神经网络模型：
(θ, φ) = f_CNN(I_eye)
损失函数：
L = ‖(θ, φ) - (θ_gt, φ_gt)‖²
或`L = -log(P(θ,φ

I_eye))`

网络权重W、偏置b、学习率η、批大小B

输入图像I_eye、输出角度(θ, φ)、损失L

视线渲染
(到屏幕)

射线投射：
ray_origin = eye_position
ray_direction = (sinθ cosφ, sinθ sinφ, cosθ)
屏幕交点：
p_screen = ray_origin + t * ray_direction
t = -z_eye / ray_direction.z

眼球位置eye_pos、屏幕平面方程、投射距离t

视线方向dir、屏幕坐标(u,v)、深度z

射线投射、屏幕空间转换、视口变换

注视点热图​

核密度估计：
H(x,y) = Σ_i K(‖(x,y) - (x_i,y_i)‖/h)
高斯核：K(d) = exp(-d²/(2h²))/(2πh²)

带宽h、核函数K、归一化因子Z

注视点(x_i,y_i)、热图值H(x,y)、累积分布C

高斯模糊、累积缓冲、热图渲染

扫视检测​

速度阈值：
if ‖v(t)‖ > v_th then saccade
加速度阈值：
if ‖a(t)‖ > a_th then saccade
I-VT算法：
速度计算：v(t) = ‖p(t) - p(t-1)‖/Δt
分类：if v(t) > v_th then saccade else fixation

速度阈值v_th、加速度阈值a_th、最小持续时间t_min

眼动速度v(t)、加速度a(t)、事件标签E

速度阈值法、隐马尔可夫模型、机器学习分类

兴趣区分析
(AOI)

区域命中检测：
if p ∈ ROI_i then AOI = i
停留时间：
T_i = Σ Δt * I(p(t) ∈ ROI_i)
转移概率：
P(i→j) = count(i→j)/count(i→*)

AOI边界B_i、命中容差ε、最小停留时间T_min

AOI索引i、停留时间T_i、转移计数N_ij

几何包含测试、时间序列分析、马尔可夫链

应用领域

关键算法

评估指标

多媒体技术

影视动画​

程序化眼动、情绪响应、注视目标跟踪

自然度评分、观众沉浸感、运动流畅度

关键帧动画、运动捕捉、物理模拟

虚拟现实​

实时渲染、注视点渲染、瞳孔响应

延迟(<20ms)、帧率(>90fps)、渲染质量

注视点渲染、注视交互、眼动追踪

视频游戏​

AI控制的NPC眼动、玩家视线追踪、情绪系统

玩家体验、行为可信度、性能开销

行为树、状态机、简化模型

医学模拟​

精确的生理模型、病理模拟、治疗响应

解剖准确性、生理合理性、教学效果

高精度渲染、物理模拟、交互式可视化

人机交互​

视线估计、注意力检测、意图识别

准确率、响应时间、用户满意度

计算机视觉、机器学习、实时处理

神经科学研究​

精确的眼动模型、神经元响应模拟

与实验数据一致性、预测准确性、计算效率

生物物理模拟、数据分析、可视化

建模维度

数学方程

参数定义

变量说明

生物物理意义

中心曲线
(指甲中轴线)

三次贝塞尔曲线：
C(s) = Σ_{i=0}^3 B_i^3(s) P_i
B_i^3(s) = C(3,i) s^i (1-s)^{3-i}
其中0 ≤ s ≤ 1为弧长参数

控制点P_0(基部)，P_1，P_2，P_3(尖端)
曲线张力τ
曲率权重w

曲线位置C(s)
切线T(s) = dC/ds
法线N(s) = dT/ds/‖dT/ds‖
副法线B(s) = T×N

描述指甲的整体弯曲形状，从甲床附着点到自由端

横截面参数化​

椭圆截面：
S(t,θ) = C(t) + a(t)cosθ·N(t) + b(t)sinθ·B(t)
其中0 ≤ t ≤ 1，0 ≤ θ < 2π
面积：A(t) = π·a(t)·b(t)

长半轴a(t)
短半轴b(t)
扭转角φ(t)
偏心率e(t) = √(1-[b(t)/a(t)]^2)

截面形状参数(a,b,φ)
周长L(t) ≈ π[1.5(a+b)-√(ab)]
面积惯性矩I_x(t), I_y(t)

描述指甲横截面的形状变化，从扁平的基部到尖锐的尖端

甲面曲面​

广义柱面：
S(u,v) = C(u) + R(u,v)·N(u)
半径函数：R(u,v) = r_0(u) + Σ r_n(u)cos(nv)
其中u为轴向参数，v为周向参数

基半径r_0(u)
傅里叶系数r_n(u)
表面纹理函数T(u,v)

曲面坐标(u,v)
法向量n(u,v) = ∂S/∂u × ∂S/∂v
高斯曲率K(u,v)
平均曲率H(u,v)

描述指甲三维曲面，包括腹面、背面、侧面的复杂形状

生长锥模型​

生长前沿推进：
dC/dt = v_g(t)·T(t)
生长速度：v_g(t) = v_0·exp(-k·t)
截面演化：
da/dt = α·v_g(t)
db/dt = β·v_g(t)

初始生长速度v_0
衰减系数k
横向生长率α, β
细胞增殖率γ

生长时间t
当前位置s
生长前沿Γ(t)
累积长度L(t)

模拟指甲从生发基质向远端的生长过程，包括速度梯度

生长应力场​

生长变形梯度：
F = F_e·F_g
F_g = diag(1+ε_x^g, 1+ε_y^g, 1+ε_z^g)
应力-生长耦合：
σ = C : (F_e - I)
dF_g/dt = f(σ, 营养, 激素)

弹性变形梯度F_e
生长变形梯度F_g
弹性张量C
应力影响函数f(σ)

生长应变ε^g
弹性应变ε^e
柯西应力σ
残余应力σ_res

描述生长过程中的内应力累积，影响指甲的最终形状

结构层

数学描述

材料参数

厚度函数

功能与性质

背板层
(背甲)

厚度分布：
h_d(u,v) = h_d0·exp(-k_d·u)·[1+δ_d·cos(2πv)]
杨氏模量：
E_d(u) = E_d0·[1-λ_d·u]

基部厚度h_d0
衰减系数k_d
波形幅值δ_d
基部模量E_d0
模量梯度λ_d

厚度h_d(u,v)
面积密度ρ_d
弯曲刚度D_d = E_d·h_d³/12(1-ν²)

最外层，提供硬度和抗磨损性，主要由角蛋白组成

中间层
(海绵层)

厚度分布：
h_m(u,v) = h_m0·[1 - u^2]
孔隙率：
φ_m(u) = φ_0 + (φ_1-φ_0)·u
有效模量：E_m = E_s·(1-φ_m)^n

基部厚度h_m0
孔隙率参数φ_0, φ_1
固体基质模量E_s
孔隙形状因子n

厚度h_m(u,v)
孔隙率φ_m(u)
渗透率κ_m
能量吸收W_m

中间多孔层，提供弹性和冲击吸收，减震作用

腹板层
(腹甲)

厚度分布：
h_v(u,v) = h_v0·[1 - u]·[1+δ_v·sin(2πv)]
摩擦系数：
μ_v(u) = μ_0·exp(-γ·u)

基部厚度h_v0
波形幅值δ_v
基部摩擦系数μ_0
衰减系数γ

厚度h_v(u,v)
摩擦系数μ_v(u)
磨损率ω_v
抓地力G_v

底面层，提供摩擦和抓握，与地面/猎物接触

生长层
(生发基质)

细胞增殖：
∂N/∂t = D∇²N + rN(1-N/K) - dN
角蛋白合成：
∂K/∂t = αN - βK

细胞扩散系数D
增殖率r
承载能力K
死亡率d
合成率α
降解率β

细胞密度N(x,t)
角蛋白浓度K(x,t)
生长速率v_g
营养浓度C_n

基底部，细胞增殖和角蛋白合成区域，指甲生长源

甲床界面​

界面应力：
τ_interface = k·Δu
附着能：
Γ = Γ_0·exp(-Δu/δ)
剥离判据：G ≥ Γ_c

界面刚度k
参考附着能Γ_0
特征长度δ
临界能量释放率Γ_c
摩擦系数μ_i

相对位移Δu
界面应力τ
能量释放率G
剥离长度a
粘附状态S

指甲与甲床的粘附界面，传递力并允许生长

力学行为

控制方程

边界条件

材料参数

求解方法

弯曲变形
(欧拉-伯努利梁)

控制方程：
(EI w'')'' = q(x)
弯矩-曲率关系：
M = -EI w''
横向力：V = (EI w'')'
其中w(x)是挠度

固定端：w=0, w'=0
自由端：M=0, V=0
简支端：w=0, M=0
弹性支撑：V = -k·w

弯曲刚度EI(x)
分布载荷q(x)
集中力P
集中弯矩M_0
支撑刚度k

解析解（均匀梁）
数值解（变截面）
有限元法（复杂形状）

剪切变形
(铁木辛柯梁)

控制方程：
(GAκ(θ-w'))' = q
(EIθ')' + GAκ(w'-θ) = 0
其中θ是截面转角
κ是剪切修正系数

固定端：w=0, θ=0
自由端：M=0, V=0
简支端：w=0, M=0
弹性扭转：θ' = M_t/(GJ)

剪切刚度GA
剪切修正系数κ
扭转刚度GJ
截面转角θ(x)
剪切应变γ = w'-θ

有限差分法
有限元法（考虑剪切）
数值积分

大变形
(几何非线性)

精确曲率：
κ = w''/(1+w'^2)^{3/2}
非线性平衡：
(EIκ')' + Pw'' = q
其中P是轴向力
或最小势能原理：
Π = ∫[½EIκ² - qw]dx

固定端：w=0, w'=0
自由端：M=0, V+Pw'=0
移动边界：w(L)=δ
追随力：P = P_0 + k·w(L)

轴向力P
几何刚度P
初始缺陷w_0
临界载荷P_cr
后屈曲参数λ

牛顿-拉弗森法
弧长法
动力松弛法
有限元非线性分析

复合材料层合​

经典层合理论：
{N} = [A]{ε⁰} + [B]{κ}
{M} = [B]{ε⁰} + [D]{κ}
其中{N}是面内力，{M}是力矩
[A,B,D]是刚度矩阵

固支：u=v=w=θ_x=θ_y=0
简支：w=0, M_n=0
自由：N_n=N_{ns}=M_n=M_{ns}=0
对称：θ_n=0, u_t=0

面内刚度A_ij
耦合刚度B_ij
弯曲刚度D_ij
层厚t_k
铺层角θ_k
层数N

层合板理论
有限元分层建模
解析解（简单载荷）

断裂力学​

应力强度因子：
K_I = σ√(πa)·Y(a/W)
能量释放率：
G = K_I²/E'
其中E' = E/(1-ν²)平面应变
E' = E平面应力

裂纹尖端：σ_yy→∞
当r→0
裂纹面：σ_yy=0
裂纹尖端位移：
u = (K_I/2μ)√(r/2π)·f(θ)

裂纹长度a
形状因子Y(a/W)
断裂韧性K_Ic
临界能量释放率G_c
J积分J = ∫(Wdy - T·∂u/∂x ds)

有限元扩展
边界元法
虚拟裂纹闭合法
相场断裂法

接触类型

数学方程

参数定义

变量说明

应用场景

法向接触
(赫兹理论)

接触半径：
a = [3PR/(4E*)]^{1/3}
最大压力：
p_0 = (6PE*²/(π³R²))^{1/3}
接近量：
δ = a²/R = (9P²/(16RE*²))^{1/3}
其中1/E* = (1-ν₁²)/E₁ + (1-ν₂²)/E₂
1/R = 1/R₁ + 1/R₂

等效模量E*
等效半径R
泊松比ν₁, ν₂
弹性模量E₁, E₂
曲率半径R₁, R₂

接触力P
接触半径a
最大压力p_0
接近量δ
接触面积A_c = πa²

爪尖与平滑表面的点接触，用于计算接触应力和变形

切向接触
(库仑摩擦)

库仑定律：
F_t ≤ μ·F_n
滑移判据：
if ‖F_t‖ = μF_n then 滑移
否则：粘着
微滑移区：
p(r) = μp_0√(1-(r/a)²)
r ≤ c，c为粘着区半径

摩擦系数μ
静摩擦μ_s
动摩擦μ_k
法向力F_n
切向力F_t
粘着区半径c

切向力F_t
滑移状态S
粘着区半径c
微滑移位移δ_t
滑移能E_slip

指甲与表面间的摩擦，控制抓握稳定性，防止滑脱

粘着接触
(JKR/DMT)

JKR理论：
a³ = 3R/(4E*)·(P + 3πγR + √[6πγRP + (3πγR)²])
δ = a²/R - √(8πγa/(3E*))
DMT理论：
P = 4E*a³/(3R) - 2πγR
粘附力：F_adh = 3πγR/2(JKR)
F_adh = 2πγR(DMT)

表面能γ
Tabor参数μ_T
特征长度z_0
粘附功W_adh = 2γ
分离距离h

接触半径a
接近量δ
粘附力F_adh
拉脱力P_off
接触点x_c

昆虫/爬行动物微小刚毛的粘附，壁虎刚毛的范德华力粘附

多爪协同​

力平衡：
Σ F_{n,i} = W
Σ F_{t,i} = 0
Σ (r_i × F_i) = 0
优化：
min Σ ‖F_i‖²
或max min(μ_iF_{n,i} - ‖F_{t,i}‖)

爪位置r_i
摩擦系数μ_i
最大爪力F_max,i
权重w_i
协同系数k_ij

法向力F_{n,i}
切向力F_{t,i}
安全系数S_i = μ_iF_{n,i}/‖F_{t,i}‖
协同力F_c

多爪协调抓握，优化力分布，最大化稳定性，最小化能量

抓握稳定性​

力闭合条件：
G·f = w_ext
G = [I, I, ...; r₁×, r₂×, ...]
其中f_i是爪力
接触锥条件：
`f_i ∈ FC_i = {f

f_n ≥ 0, ‖f_t‖ ≤ μf_n}<br>力闭合判据：<br>∃ λ > 0: G·λ = 0`

抓握矩阵G
外部力w_ext
接触锥FC_i
摩擦锥FC = Π FC_i
力椭球`E = {G·f

f ∈ FC}`

振动模式

控制方程

特征值问题

模态参数

阻尼模型

自由振动
(无阻尼)

运动方程：
M ü + K u = 0
假设解：u = φ·exp(iωt)
得到：(K - ω²M)φ = 0
这是广义特征值问题

特征值：λ_i = ω_i²
特征向量：φ_i
质量归一化：
φ_iᵀ M φ_i = 1
φ_iᵀ K φ_i = ω_i²

固有频率ω_i
模态振型φ_i
模态质量m_i = φ_iᵀ M φ_i
模态刚度k_i = φ_iᵀ K φ_i
模态坐标q_i(t)

无阻尼：ζ_i = 0
临界阻尼：ζ_i = 1
欠阻尼：0 < ζ_i < 1
过阻尼：ζ_i > 1

阻尼振动
(比例阻尼)

运动方程：
M ü + C u̇ + K u = 0
比例阻尼：C = αM + βK
模态阻尼比：
ζ_i = α/(2ω_i) + βω_i/2
解：u(t) = Σ φ_i exp(-ζ_iω_i t) sin(ω_di t + θ_i)

阻尼特征值：
det(λ²M + λC + K) = 0
复特征值：λ_i = -ζ_iω_i ± iω_di
其中ω_di = ω_i√(1-ζ_i²)
复特征向量：ψ_i

阻尼固有频率ω_di
阻尼比ζ_i
衰减率σ_i = ζ_iω_i
品质因子Q_i = 1/(2ζ_i)
对数衰减率δ_i = 2πζ_i/√(1-ζ_i²)

瑞利阻尼：C = αM + βK
模态阻尼：C = Φᵀ diag(2ζ_iω_i) Φ
结构阻尼：K* = K(1+iη)
其中η是损耗因子

强迫振动
(谐波激励)

运动方程：
M ü + C u̇ + K u = f(t)
谐波激励：f(t) = F·exp(iωt)
稳态响应：u(t) = U·exp(iωt)
其中U = [-ω²M + iωC + K]^{-1} F
频响函数：H(ω) = [-ω²M + iωC + K]^{-1}

位移频响：H_u(ω)
速度频响：H_v(ω) = iωH_u(ω)
加速度频响：H_a(ω) = -ω²H_u(ω)
共振频率：ω_r = ω_i√(1-2ζ_i²)
峰值响应：`

U

_max ≈

瞬态响应
(冲击/阶跃)

杜哈梅积分：
u(t) = ∫_0^t h(t-τ) f(τ) dτ
脉冲响应函数：
h(t) = Σ_i (φ_i φ_iᵀ/(m_i ω_di)) exp(-ζ_iω_i t) sin(ω_di t)
阶跃响应：
s(t) = ∫_0^t h(τ) dτ

卷积积分：
u(t) = h(t) * f(t)
单位脉冲响应h(t)
单位阶跃响应s(t)
上升时间t_r
峰值时间t_p
调整时间t_s
超调量M_p

时间t
脉冲响应h(t)
阶跃响应s(t)
峰值响应u_max
稳态值u_ss
衰减时间t_d
振荡次数N

任意激励的响应，通过卷积计算。模态叠加法：
u(t) = Σ φ_i q_i(t)
q̈_i + 2ζ_iω_i q̇_i + ω_i² q_i = φ_iᵀ f(t)/m_i

非线性振动
(大振幅)

非线性运动方程：
M ü + C u̇ + K(u) = f(t)
其中K(u)是非线性刚度
例如：K(u) = K_1 u + K_3 u³
杜芬方程：
ü + 2ζω_0 u̇ + ω_0² u + εu³ = F cos(ωt)

谐波平衡法：
设u(t) = A cos(ωt) + B sin(ωt)
代入得代数方程：
[-ω²M + K_1 + ¾K_3A²]A = F
其中A = √(A²+B²)
跳跃现象：多值解

振幅A
非线性系数ε
基频ω_0
激励频率ω
激励幅值F
非线性刚度K_3
阻尼非线性c_2, c_3

硬弹簧：ε > 0，共振峰向右倾
软弹簧：ε < 0，共振峰向左倾
多稳态：多个稳定振幅
混沌：对初值敏感，有界非周期

机构类型

运动学方程

几何参数

运动参数

力学关系

四连杆机构
(猫爪)

闭环方程：
l₁·e^(iθ₁) + l₂·e^(iθ₂) = l₃·e^(iθ₃) + l₄·e^(iθ₄)
其中l₁为机架，l₂为输入杆，l₃为连杆，l₄为输出杆
爪尖位置：
P = l₁ + l₂·e^(iθ₂) + l₅·e^(i(θ₃+α))

杆长l₁, l₂, l₃, l₄
安装角α
初始角θ₂⁰, θ₃⁰, θ₄⁰
爪长l₅
爪方向角β

输入角θ₂
输出角θ₃, θ₄
爪尖坐标(x_p, y_p)
爪方向θ_p = θ₃ + β
速度v_p
加速度a_p

虚功原理：
τ·dθ₂ = F·dP
传动比：
dθ_p/dθ₂ = (l₂ sin(θ₂-θ₄))/(l₃ sin(θ₃-θ₄))
dP/dθ₂ = l₂ [sin(θ₂-θ₃) + i cos(θ₂-θ₃)]

滑块曲柄
(简化模型)

几何关系：
x = l₂ cosθ₂ + √(l₃² - (l₂ sinθ₂ - e)²)
其中l₂为曲柄，l₃为连杆，e为偏距
爪伸缩量：
Δx = x_max - x_min
x_max = l₂ + l₃
`x_min =

l₂ - l₃

(当e=0`)

曲柄长l₂
连杆长l₃
偏距e
滑块行程Δx
死点位置θ₂ = 0, π

腱驱动模型​

肌腱位移-关节角：
Δl = r·Δθ
其中r是肌腱绕关节的半径
多肌腱协调：
Δl_i = Σ_j r_ij·Δθ_j
肌腱力-关节力矩：
τ_j = Σ_i r_ij·F_i
肌腱刚度：F_i = k_i·Δl_i

杠杆臂r_ij
肌腱刚度k_i
滑轮半径R_i
肌腱预紧Δl_i⁰
关节限位θ_min, θ_max

关节角θ_j
肌腱位移Δl_i
肌腱力F_i
关节力矩τ_j
肌腱张力T_i
滑轮转角φ_i

静力学：
K·Δl = R·τ
其中K = diag(k_i)
R = [r_ij]
冗余驱动：m>n
优化：min Σ F_i²
约束：R·F = τ
F_i ≥ 0

肌肉-肌腱单元​

肌肉激活：
a(t) = u(t)/τ_act + (1-1/τ_act)a(t-Δt)
肌肉力：F_m = a·F_max·f_l(l_m)·f_v(v_m)
肌腱力：F_t = F_m cos φ
羽状角φ：sin φ = (l_m sin φ_0)/l_m
肌肉长度：l_m = √(l_mt² + (l_0 sin φ_0)²) - l_t

最大等长力F_max
最优长度l_opt
最大速度v_max
激活时间常数τ_act
失活时间常数τ_deact
羽状角φ_0
肌腱长度l_t

激活度a(t)
神经输入u(t)
肌肉长度l_m(t)
肌肉速度v_m(t)
肌腱长度l_t(t)
肌力F_m(t)
腱力F_t(t)

力-长度关系：
f_l(l) = exp[-(l/l_opt - 1)²/γ]
力-速度关系：
f_v(v) = (v_max - v)/(v_max + v/α)当v ≤ 0
= (β - (β-1)v_max/(v+γv_max))当v > 0
其中α, β, γ为形状参数

能量优化​

代价函数：
J = ∫[P(t) + w·(ΔF)²] dt
肌肉功率：
P(t) = Σ F_i(t)·v_i(t)
力变化惩罚：
ΔF = ‖dF/dt‖²
约束：运动学约束+动力学约束

能量权重w_energy
力变化权重w_force
疲劳系数w_fatigue
肌力权重w_i
优化时域T
采样点N

肌肉力F_i(t)
肌肉速度v_i(t)
功率P(t)
总代价J
拉格朗日乘子λ(t)
哈密顿量H

最优控制问题：
min J
约束：M(q)q̈ + C(q,q̇) + G(q) = τ
τ = R(q)·F
F_min ≤ F ≤ F_max
q_min ≤ q ≤ q_max
求解：庞特里亚金最小值原理，或直接配点法

步态模式

运动方程

相位关系

步态参数

稳定性判据

步行步态
(四足动物)

步态图：
Φ_i(t) = mod(ωt + φ_i, 2π)
接触状态：
C_i(t) = 1 if Φ_i(t) ∈ [0, β_i]
= 0 otherwise
其中β_i是支撑相占比

相位差：
Δφ_ij = φ_j - φ_i
典型步态：
踱步：Δφ = 0.5
溜蹄：Δφ = 0.5
对侧步：Δφ = 0
奔跑：Δφ = 0.5
跳跃：Δφ = 0

步频ω
占空比β_i
相位φ_i
步长L
步高H
速度v = ωL/(2π)
接触力F_i(t)
质心轨迹r_cm(t)

零力矩点(ZMP)：
x_zmp = (Σ m_i(g+z̈_i)x_i - Σ m_i ẍ_i z_i)/(Σ m_i(g+z̈_i))
稳定条件：x_zmp在支撑多边形内
支撑多边形：凸包(接触点)

攀爬步态
(垂直表面)

接触序列：
S = {C_1, C_2, ..., C_n}
接触力约束：
F_i,n ≥ 0
‖F_i,t‖ ≤ μF_i,n
力平衡：
Σ F_i = mg
Σ r_i × F_i = 0
优化：min Σ F_i,n
或max min(μF_i,n - ‖F_i,t‖)

接触时序：
t_contact(i)
接触持续时间T_c
摆动时间T_s
周期T = T_c + T_s
相位φ_i = 2πt_contact(i)/T
延迟τ_ij = (φ_j-φ_i)T/(2π)

接触力F_i
摩擦系数μ_i
接触点r_i
质心位置r_cm
安全系数S_i = μ_iF_i,n/‖F_i,t‖
最小安全系数S_min
力闭合性ξ

攀爬稳定性：
1. 力闭合：ξ > 0
2. 质心投影在支撑多边形内
3. 安全系数S_min > S_threshold
4. 能耗最小：min Σ ‖F_i‖
5. 滑动最小：min Σ ‖F_i,t‖

抓取步态
(抓握物体)

抓握矩阵：
G = [n_1, n_2, ...; p_1×n_1, p_2×n_2, ...]
力闭合条件：
∃ f > 0: G f = w_ext
其中f_i = [f_i,n; f_i,t]
接触锥：f_i,n ≥ 0, ‖f_i,t‖ ≤ μf_i,n

抓握相位：
接近→接触→加载→保持→释放
抓握力调节：
f_i(t) = f_0 + k_p·e(t) + k_i·∫e(t)dt + k_d·ė(t)
其中e(t) = f_desired - f_actual

抓握力f_i
外部力w_ext
接触法线n_i
接触位置p_i
摩擦系数μ_i
控制增益k_p, k_i, k_d
抓握刚度K_g
抓握阻尼C_g

抓握稳定性判据：
1. 力闭合：det(GGᵀ) > 0
2. 内部力存在：∃ λ≠0: Gλ=0, λ_i≥0
3. 扰动抑制：max ‖Δf/Δw‖ < ∞
4. 鲁棒性：min_i (μ_iF_i,n - ‖F_i,t‖) > 0

步态优化​

代价函数：
J = ∫_0^T [c_1·P(t) + c_2·‖τ(t)‖² + c_3·‖jerk‖²] dt
其中`P(t) = Σ

τ_i·ω_i

是机械功率<br>jerk = d³q/dt³`是加加速度
约束：运动学+动力学+接触

优化变量：
关节轨迹q(t)
接触力F_i(t)
接触时序t_c(i)
步长L
步高H
优化方法：直接配点，
将连续时间问题离散为非线性规划

步态生成
(CPG)

相位振荡器：
dθ_i/dt = ω_i + Σ_j w_ij sin(θ_j - θ_i - φ_ij)
r_i = a_i + b_i·sin(θ_i)
关节角度：
q_i(t) = q_i⁰ + A_i·sin(θ_i)
接触力：
F_i(t) = F_i⁰ + B_i·sin(θ_i + φ_i)

固有频率ω_i
耦合权重w_ij
相位差φ_ij
振幅A_i
偏置q_i⁰
相位θ_i
振幅a_i, b_i
输出映射函数f(θ_i)

振荡器相位θ_i
振荡器状态(θ_i, r_i)
关节角度q_i
关节速度q̇_i
接触状态C_i(t)
质心轨迹r_cm(t)
步态周期T = 2π/ω

极限环稳定性：
雅可比矩阵特征值实部<0
相位锁定：
θ_j - θ_i → φ_ij
步态模式由耦合权重w_ij和相位差φ_ij决定
可调参数适应不同地形

磨损机制

数学方程

磨损参数

几何演化

应用场景

阿查德磨损
(Archard Wear)

磨损体积：
V = k·(F_n·s)/H
磨损深度：
h = (k·p·s)/H
其中p = F_n/A是接触压力
磨损率：w = dh/ds = k·p/H
s = ∫ v dt是滑移距离

磨损系数k
材料硬度H
法向力F_n
接触面积A
滑动速度v
摩擦系数μ
磨损因子K = k/H

形状变化：
∂h/∂t = -w·v
其中h(x,y,t)是表面高度
更新几何：
S(x,y,t+Δt) = S(x,y,t) - w·v·Δt
曲率变化：
κ = ∇²h

爪尖与地面的滑动磨损，爪的逐渐钝化，需要周期性磨砺

疲劳磨损
(循环加载)

Paris定律：
da/dN = C·(ΔK)^m
其中ΔK = Y·Δσ·√(πa)
是应力强度因子幅
寿命：
N_f = ∫_{a_0}^{a_c} da/[C·(ΔK)^m]
a_c是临界裂纹长度

Paris常数C, m
应力幅Δσ
几何因子Y
初始裂纹a_0
临界长度a_c
循环次数N
应力比R = σ_min/σ_max

裂纹扩展：
a(N) = a_0 + ∫_0^N C·[Y·Δσ·√(πa)]^m dN
剩余寿命：
N_remaining = (a_c^{1-m/2} - a^{1-m/2})/[C·(Y·Δσ·√π)^m·(1-m/2)]
当m≠2

爪的循环加载导致的疲劳破坏，特别是反复抓握时的应力集中处

腐蚀磨损
(化学-机械)

协同磨损：
w_total = w_mech + w_chem + w_syn
w_syn = α·w_mech·w_chem
腐蚀速率：
w_chem = k·exp(-E_a/(RT))·t^n
机械去除：
w_mech = β·F_n·v/H

协同系数α
化学速率常数k
活化能E_a
温度T
时间指数n
机械系数β
反应级数m

腐蚀深度：
h_chem = ∫_0^t k·exp(-E_a/(RT(t)))·[C]^m dt
总磨损：
h_total = h_mech + h_chem + α·h_mech·h_chem
形状变化：
∂h/∂t = -w_total

在腐蚀性环境（潮湿、酸性）中的磨损加剧，化学腐蚀软化表面+机械磨损去除材料

自锐化机制​

磨损选择性：
w(h) = w_0·exp(-k·h)
其中h是到刃口的距离
或w = w_0/(1+(h/δ)^n)
形状演化：
∂S/∂t = -w(h)·n
n是表面法向

基础磨损率w_0
衰减系数k
特征距离δ
形状指数n
方向性d
各向异性因子α

刃口曲率演化：
dκ/dt = -w_0·κ·exp(-k/κ)
尖度保持：
θ_tip = constant
或缓慢增加
刃口更新：
S_new = S_old - Δt·w(h)·n

爪的自然磨砺机制，由于磨损率在刃口处最高，在背部较低，自然保持锋利

材料去除模型​

离散元法：
m_i d²x_i/dt² = Σ_j F_ij + F_ext
其中F_ij是颗粒间力
颗粒磨损：
P_wear = k_w·(F_ij - F_threshold)^m
当F_ij > F_threshold时
颗粒脱落

颗粒质量m_i
颗粒半径r_i
接触刚度k_n, k_t
摩擦系数μ_p
磨损阈值F_threshold
磨损指数m
磨损系数k_w

颗粒位置x_i
颗粒速度v_i
接触力F_ij
磨损概率P_wear
脱落颗粒数N_wear
表面粗糙度R_a
质量损失Δm

微观磨损模型，模拟颗粒级材料去除，适用于磨损碎屑形成，表面粗糙化

生长过程

数学方程

生长参数

时空演化

调控机制

前沿生长模型​

生长速度场：
v_g(x,t) = v_0·exp(-k·d(x)/L)·f(nutrient)
其中d(x)是到生发基质的距离
表面演化：
∂S/∂t = v_g·n
其中n是表面法向

基础速度v_0
衰减系数k
特征长度L
营养函数f(c)
扩散系数D
消耗率γ
饱和浓度c_s

生长前沿位置Γ(t)
营养浓度c(x,t)
扩散方程：
∂c/∂t = D∇²c - γc
边界条件：
c = c_0在基部
-D∂c/∂n = βc在表面

反应-扩散系统：
∂c/∂t = D∇²c + f(c)
f(c) = αc(1-c/c_s) - γc
图灵模式：
c_t = D_c∇²c + f(c,h)
h_t = D_h∇²h + g(c,h)
其中h是抑制剂

形态发生场​

反应-扩散系统：
∂u/∂t = D_u∇²u + f(u,v)
∂v/∂t = D_v∇²v + g(u,v)
图灵条件：
D_v > D_u
∂f/∂u + ∂g/∂v < 0
∂f/∂u·∂g/∂v - ∂f/∂v·∂g/∂u > 0
模式选择：λ = 2π/k

扩散系数D_u, D_v
反应函数f(u,v), g(u,v)
特征波长λ
波数k
图灵参数a,b,c,d
线性化矩阵J
特征值σ(k)

激活剂浓度u(x,t)
抑制剂浓度v(x,t)
空间模式u(x), v(x)
振幅A(t) = exp(σt)
临界波数k_c
模式选择：最快增长的k满足dσ/dk=0

激活-抑制机制：
激活剂u自激活并激活抑制剂v
抑制剂v抑制激活剂u
短程激活+长程抑制→斑点/条纹模式
应用：指甲纹理、色素沉着、脊线形成

力学调控生长​

应力-生长关系：
dF_g/dt = f(σ, ε)
其中F_g是生长变形梯度
常用形式：
F_g = exp(∫_0^t G(σ, ε) dt)
生长率张量：
G = αI + βσ + γε
其中α, β, γ是生长参数

基础生长率α
应力系数β
应变系数γ
松弛时间τ
阈值σ_threshold
饱和值G_max
各向异性A

柯西应力σ
应变ε
生长率G
生长变形F_g
弹性变形F_e = F·F_g^{-1}
残余应力σ_res = σ(F_e)
形态演化：∂S/∂t = G·S

沃尔夫定律：
dρ/dt = k(ε - ε_0)骨密度
弗罗斯特定律：
`G = k

生长控制方程​

质量守恒：
∂ρ/∂t + ∇·(ρv) = Γ
其中Γ是质量源
动量守恒：
∇·σ + ρb = ρ dv/dt
本构关系：
σ = C : ε_e
ε_e = ½(F_eᵀF_e - I)
F_e = F·F_g^{-1}

质量密度ρ
速度场v
质量源Γ
体力b
弹性张量C
生长变形F_g
总变形F
弹性变形F_e

连续性方程：dρ/dt + ρ∇·v = Γ
运动方程：ρa = ∇·σ + ρb
几何关系：ε = ½(FᵀF - I)
生长演化：dF_g/dt = L_g·F_g
L_g = G生长速度梯度
弹性本构：σ = ∂W/∂ε_e
W是应变能密度

有限生长理论：
乘法分解：F = F_e·F_g
弹性响应+生长演化
质量增加：Γ = ρ tr(G)
各向同性生长：G = gI
横向生长：G = diag(g_1, g_2, 0)
体积生长：J_g = det(F_g)
弹性变形：J_e = det(F_e)
总体积变化：J = J_e·J_g

再生过程​

再生速度：
v_reg(t) = v_max·[1 - exp(-t/τ)]·[1 - l(t)/L_0]
其中l(t)是当前长度
L_0是目标长度
再生控制：
dl/dt = v_reg - v_wear
v_wear是磨损速度

最大再生速度v_max
时间常数τ
目标长度L_0
初始长度l_0
磨损速度v_wear
调节因子k
阈值l_th

当前长度l(t)
再生速度v_reg(t)
净生长：dl/dt = v_reg - v_wear
稳态：v_reg = v_wear
再生长度：
l(t) = L_0 - (L_0 - l_0)exp(-∫_0^t v_reg(l)/l dl)
时间积分

反馈控制：
v_reg = k·(L_0 - l)比例控制
v_reg = k_p·(L_0 - l) + k_i·∫(L_0 - l)dtPI控制
生物信号：生长因子浓度c_GF
v_reg = v_max·c_GF/(K_m + c_GF)
dc_GF/dt = α - βc_GF - γc_GF·l

数值方法

离散方程

单元类型

形函数

求解算法

线性静态​

K u = f
其中K = Σ K_e是整体刚度矩阵
f = Σ f_e是整体载荷向量
单元刚度：K_e = ∫_Ω Bᵀ D B dΩ
单元载荷：f_e = ∫_Ω Nᵀ b dΩ + ∫_Γ Nᵀ t dΓ

杆单元(Truss)
梁单元(Beam)
平面应力/应变
板单元(Plate)
壳单元(Shell)
实体单元(Solid)

一维线性：N_1 = 1-ξ, N_2 = ξ
一维二次：N_1 = (1-ξ)(1-2ξ)
N_2 = 4ξ(1-ξ)
N_3 = ξ(2ξ-1)
二维双线性：N_i = ¼(1+ξ_iξ)(1+η_iη)
三维三线性：N_i = ⅛(1+ξ_iξ)(1+η_iη)(1+ζ_iζ)

直接法：LDLᵀ分解，Cholesky分解
迭代法：共轭梯度(CG)，GMRES
预处理：Jacobi，SSOR，ILU
多网格法，区域分解

非线性静态​

R(u) = f - F_int(u) = 0
其中F_int(u) = ∫_Ω B(u)ᵀ σ(u) dΩ
牛顿-拉弗森：
u_{k+1} = u_k - K_T(u_k)^{-1} R(u_k)
K_T = ∂R/∂u是切线刚度矩阵

几何非线性：大变形，大转动
材料非线性：弹塑性，超弹性，粘弹性
接触非线性：单边接触，摩擦
组合非线性

同线性情况，但需更新形函数导数
B = B(u)与位移相关
应力更新：返回映射算法
接触条件：拉格朗日乘子，罚函数，增广拉格朗日

牛顿法，修正牛顿法，拟牛顿法(BFGS)
弧长法(RIKS)，位移控制，力控制
收敛准则：‖Δu‖<ε_u, ‖R‖<ε_R
线搜索，阻尼因子η

动态分析​

M ü + C u̇ + K u = f(t)
或M ü + F_int(u, u̇) = f_ext(t)
时间积分：
显式：中心差分法
u_{n+1} = u_n + Δt v_n + ½Δt² a_n
v_{n+1} = v_n + ½Δt (a_n + a_{n+1})
a_{n+1} = M^{-1} (f_{n+1} - F_int(u_{n+1}))
隐式：Newmark-β法
u_{n+1} = u_n + Δt v_n + ½Δt² [(1-2β)a_n + 2β a_{n+1}]
v_{n+1} = v_n + Δt [(1-γ)a_n + γ a_{n+1}]
M a_{n+1} + C v_{n+1} + K u_{n+1} = f_{n+1}

质量矩阵M：一致质量，集中质量
阻尼矩阵C：瑞利阻尼，模态阻尼
刚度矩阵K：线性，非线性
载荷向量f(t)：时变载荷

同静态分析，但需质量矩阵
一致质量：M_e = ∫_Ω ρ Nᵀ N dΩ
集中质量：M_e = diag(∫_Ω ρ N_i dΩ)
阻尼：C = αM + βK
瑞利阻尼系数α, β由模态阻尼比ζ_i确定：
ζ_i = α/(2ω_i) + βω_i/2

显式中心差分：条件稳定，Δt ≤ Δt_cr = 2/ω_max
隐式Newmark：无条件稳定当γ≥½, β≥¼(½+γ)²
平均加速度：β=¼, γ=½
Fox-Goodwin：β=⅓, γ=½
HHT-α法，广义-α法
时间步长自适应

接触分析​

接触条件：
1. 不可穿透：g_N ≥ 0
2. 法向压力：p_N ≥ 0
3. 互补条件：g_N·p_N = 0
4. 摩擦条件：‖p_T‖ ≤ μp_N
if ‖p_T‖ < μp_N then ġ_T = 0(粘着)
if ‖p_T‖ = μp_N then ∃λ≥0: ġ_T = -λp_T(滑动)

接触对：主面-从面
接触探测：最近点投影
接触约束：法向+切向
摩擦模型：库仑，粘着-滑动
接触算法：罚函数，拉格朗日乘子，增广拉格朗日，内点法

间隙函数：g_N = (x_s - x_m)·n_m
法向压力：p_N = n_m·σ·n_m
切向滑移：g_T = (I - n_m⊗n_m)(x_s - x_m)
滑移速度：ġ_T = v_s - v_m - (n_m·(v_s - v_m))n_m
接触法向n_m
主面坐标ξ
从点x_s，主点x_m(ξ)

直接约束法，罚函数法，拉格朗日乘子法
增广拉格朗日：p_N = p_N^k + ε_N g_N
更新：p_N^{k+1} = max(0, p_N^k + ε_N g_N)
摩擦：返回映射算法
接触刚度：ε_N, ε_T罚参数
迭代求解：牛顿法，Uzawa算法

优化算法​

优化问题：
min f(x)
s.t. g_i(x) ≤ 0, i=1,...,m
h_j(x) = 0, j=1,...,p
拉格朗日函数：
L(x,λ,μ) = f(x) + Σ λ_i g_i(x) + Σ μ_j h_j(x)
KKT条件：
∇f + Σ λ_i ∇g_i + Σ μ_j ∇h_j = 0
λ_i ≥ 0, g_i(x) ≤ 0, λ_i g_i(x)=0
h_j(x) = 0

设计变量x：形状参数，材料参数，拓扑
目标函数f(x)：柔度，重量，应力，频率
约束g_i(x), h_j(x)：应力，位移，频率，体积
灵敏度∂f/∂x：解析，半解析，有限差分
设计空间：连续，离散，混合

设计变量：x ∈ R^n
目标函数：f: R^n → R
不等式约束：g: R^n → R^m
等式约束：h: R^n → R^p
拉格朗日乘子：λ ∈ R^m, λ ≥ 0
μ ∈ R^p
可行域：`Ω = {x

g_i(x)≤0, h_j(x)=0}<br>主动约束：A(x) = {i

仿真类型

运动方程

约束方程

求解算法

数值积分

刚体动力学​

牛顿-欧拉方程：
M(q) v̇ + C(q,v) = Q
其中M是质量矩阵，C是科氏力/离心力，Q是广义力
或F = m a
τ = I α + ω × I ω

完整约束：Φ(q,t) = 0
非完整约束：Ψ(q,v,t) = 0
接触约束：g_N ≥ 0, p_N ≥ 0, g_N·p_N = 0
‖p_T‖ ≤ μp_N

约束动力学：
M v̇ + Φ_qᵀ λ = Q
Φ(q,t) = 0
其中Φ_q = ∂Φ/∂q，`λ

材料模型

本构方程

参数

变量

备注

正交各向异性弹性​

σ = C : ε
其中C是刚度矩阵，在材料主轴坐标系中：
C = [C11, C12, C13, 0, 0, 0; C12, C22, C23, 0, 0, 0; C13, C23, C33, 0, 0, 0; 0, 0, 0, C44, 0, 0; 0, 0, 0, 0, C55, 0; 0, 0, 0, 0, 0, C66]
柔度矩阵S = C^{-1}，有：
ε1 = 1/E1 * σ1 - ν21/E2 * σ2 - ν31/E3 * σ3
ε2 = -ν12/E1 * σ1 + 1/E2 * σ2 - ν32/E3 * σ3
ε3 = -ν13/E1 * σ1 - ν23/E2 * σ2 + 1/E3 * σ3
γ23 = 1/G23 * τ23, γ13 = 1/G13 * τ13, γ12 = 1/G12 * τ12

杨氏模量E1, E2, E3
剪切模量G12, G13, G23
泊松比ν12, ν13, ν23
且νij/Ei = νji/Ej

应力σ = [σ1, σ2, σ3, τ23, τ13, τ12]^T
应变ε = [ε1, ε2, ε3, γ23, γ13, γ12]^T
刚度矩阵C
柔度矩阵S

指甲的角蛋白纤维具有方向性，通常沿轴向（生长方向）更强，因此可以视为横观各向同性（5个独立常数）或正交各向异性（9个独立常数）

横观各向同性​

在1-2平面内各向同性，3方向为对称轴：
E1 = E2, ν12 = ν21, G12 = E1/(2(1+ν12))
G13 = G23, ν13 = ν23
独立常数：5个（E1, E3, ν12, ν13, G13）

平面内模量E1, E2
横向模量E3
平面内泊松比ν12
横向泊松比ν13, ν23
横向剪切模量G13

同正交各向异性，但C11=C22, C13=C23, C44=C55, C66=(C11-C12)/2
独立常数：C11, C12, C13, C33, C44

指甲的常见简化模型，因为指甲在横截面上近似各向同性，而沿厚度方向性质不同

粘弹性模型​

广义Maxwell模型：
σ(t) = ∫_0^t E(t-τ) dε(τ)
其中E(t) = E_∞ + Σ E_i exp(-t/τ_i)
复数模量：
E*(ω) = E'(ω) + iE''(ω)
E' = E_∞ + Σ (E_i ω²τ_i²)/(1+ω²τ_i²)
E'' = Σ (E_i ωτ_i)/(1+ω²τ_i²)

瞬时模量E_0 = E_∞ + Σ E_i
长期模量E_∞
弹簧模量E_i
阻尼器粘度η_i = E_i τ_i
松弛时间τ_i
频率ω

松弛模量E(t)
储能模量E'(ω)
损耗模量E''(ω)
损耗因子tanδ = E''/E'
蠕变柔量J(t) = 1/E_0 + Σ (1/E_i)(1-exp(-t/τ_i))

指甲具有粘弹性，表现为应力松弛和蠕变，特别是在湿润环境中

弹塑性模型​

屈服条件：
f(σ, ε_p) = σ_eq - σ_y(ε_p) ≤ 0
其中σ_eq为等效应力（Mises应力）：
σ_eq = √(3/2 s:s)，s = σ - 1/3 tr(σ)I
屈服应力：σ_y = σ_y0 + H ε_p
塑性流动：dε_p = dλ ∂f/∂σ
一致性条件：f=0, df=0

初始屈服应力σ_y0
硬化模量H
塑性乘子dλ
等效塑性应变ε_p
塑性应变ε_p
背应力α（随动硬化）

屈服函数f
等效应力σ_eq
塑性应变增量dε_p
一致性参数dλ
返回映射算法：弹性预测，塑性修正

指甲在过大变形下会发生塑性变形，甚至断裂。硬化模型可以是各向同性硬化或随动硬化

断裂准则​

最大主应力准则：
σ1 ≥ σ_ut或 σ3 ≤ -σ_uc
Tresca准则：
`max(

σ1-σ2

,

σ2-σ3

尺度级别

模型描述

控制方程

尺度耦合

数值方法

宏观尺度
(毫米-厘米)

连续介质力学，将指甲视为连续体，采用上述本构关系

平衡方程：∇·σ + b = 0
几何方程：ε = ½(∇u + ∇uᵀ)
本构关系：σ = C:ε或更复杂模型

边界条件来自外部载荷和约束，材料参数来自细观尺度

有限元法（FEM），边界元法（BEM），有限差分法（FDM）

细观尺度
(微米)

代表体积元（RVE），包含角蛋白纤维和基质，考虑纤维取向和分布

均匀化方法：
σ̄ = 1/V ∫_V σ dV
ε̄ = 1/V ∫_V ε dV
σ̄ = C^hom:ε̄
其中C^hom是均匀化刚度张量

从微观尺度获取纤维和基质的性能，通过均匀化得到宏观等效性能

渐近展开均匀化，计算均匀化（FEM计算RVE），Mori-Tanaka方法，自洽方法

微观尺度
(纳米)

角蛋白纤维、基质、以及它们之间的界面。分子动力学（MD）或粗粒化模型

分子动力学：
m_i d²r_i/dt² = -∂U/∂r_i
势函数：
U = U_bond + U_angle + U_dihedral + U_nonbond
非键结：Lennard-Jones，库仑

从原子间势函数得到连续介质参数，如弹性常数、强度、界面能

分子动力学（MD），蒙特卡洛（MC），耗散粒子动力学（DPD），紧束缚法（TB）

跨尺度方法​

将不同尺度的模型耦合，传递信息

顺序耦合：微观→细观→宏观
并发耦合：在不同区域使用不同尺度模型，如QC，CADD

尺度间信息传递：
微观→细观：弹性常数，强度，界面能
细观→宏观：均匀化弹性张量，强度准则，损伤参数

多尺度有限元法（FE²），准连续体方法（QC），CADD（耦合原子/离散位错），分子动力学/有限元耦合（MD/FE）

控制类型

模型方程

参数

变量

生物意义

反射控制
(脊髓水平)

肌梭反馈：
α = G * (l - l_set) + D * v
其中l是肌肉长度，v是肌肉速度，l_set是设定长度，G是增益，D是微分增益

肌梭增益G
微分增益D
设定长度l_set
阈值l_th
时间常数τ

肌梭输出α
肌肉长度l
肌肉速度v
运动神经元放电率r
肌力F

牵张反射：当肌肉被拉长时，肌梭感受长度变化，通过单突触反射引起肌肉收缩，对抗牵张

中枢模式发生器
(CPG)

相位振荡器：
dθ_i/dt = ω_i + Σ_j w_ij sin(θ_j - θ_i - φ_ij)
r_i = a_i + b_i sin(θ_i)
或振幅-相位表示：
dx_i/dt = α(μ - r_i²)x_i - ω_i y_i
dy_i/dt = α(μ - r_i²)y_i + ω_i x_i
其中r_i² = x_i² + y_i², θ_i = atan2(y_i, x_i)

固有频率ω_i
耦合权重w_ij
相位差φ_ij
振幅参数a_i, b_i
极限环半径√μ
收敛率α

振荡器相位θ_i
振荡器振幅r_i
状态变量x_i, y_i
输出r_i（节律信号）
关节角度q_i = q_i0 + A_i r_i sin(θ_i + ψ_i)

CPG位于脊髓，产生节律性运动模式（如行走、抓握），受高层调节和感觉反馈调制

感觉反馈​

长度反馈：F_fb = k_l * (l - l0) + d_l * v
力反馈：F_fb = k_f * (F - F0)
皮肤感受器：S = k_s * p，p为压力
联合反馈：F_fb = Σ w_i * S_i

长度反馈增益k_l
力反馈增益k_f
皮肤感受增益k_s
参考值l0, F0
权重w_i
时间延迟τ

感觉信号S
反馈力F_fb
参考长度l0
参考力F0
压力p
时间延迟τ

本体感觉（肌梭、腱梭）和皮肤感觉反馈到脊髓和大脑，用于调节运动，适应外部扰动

运动学习
(小脑)

误差驱动学习：
Δw = η * e * x
其中e是误差，x是输入，η是学习率
或使用LMS算法：
w(t+1) = w(t) + η * e(t) * x(t)
状态空间模型：
ẋ = Ax + Bu
y = Cx
控制器：u = -Kx
自适应控制：K根据误差调整

学习率η
误差e
输入x
权重w
状态矩阵A, B, C
反馈增益K
遗忘因子λ

预测误差e = y_des - y
突触权重w
状态向量x
控制输入u
输出y
参考轨迹y_des
学习信号δ

小脑通过比较预期感觉反馈和实际反馈，调整突触权重，实现运动学习、协调和时序控制

最优控制
(大脑皮层)

代价函数：
J = ½ ∫ (xᵀQx + uᵀRu) dt
系统动力学：
ẋ = Ax + Bu
最优控制律：
u = -Kx
其中K = R^{-1}BᵀP，P是Riccati方程的解：
AᵀP + PA - PBR^{-1}BᵀP + Q = 0

状态权重Q
控制权重R
状态矩阵A
输入矩阵B
反馈增益K
Riccati解P
时间区间[0, T]

状态向量x
控制向量u
代价函数J
哈密顿量H = ½(xᵀQx + uᵀRu) + λᵀ(Ax+Bu)
协态向量λ
最优轨迹x*(t), u*(t)

大脑可能使用最优控制原理，最小化能量、误差或时间等代价函数，产生高效、精确的运动

动物类型

爪形特征

功能

数学模型

关键参数

猫科动物​

弯钩状，可伸缩，锋利

抓握、攀爬、制服猎物

曲线方程：
r(θ) = a/(1 + e cos(θ-θ0))（圆锥曲线）
或多项式：
y = a0 + a1 x + a2 x² + a3 x³
应力集中因子：
K_t = 1 + 2√(a/ρ)
a为裂纹长度，ρ为尖端半径

曲率半径ρ
锥角α
摩擦系数μ
截面惯性矩I
弯曲刚度EI

猛禽​

长而弯曲，尖端如钩，强健

抓捕、携带、撕扯

悬链线方程：
y = a cosh(x/a)
或复合曲线：
y = a1 exp(-k1 x) + a2 exp(-k2 x)
抓握力：
F_grip = 2μF sin(θ/2)
θ为爪的包角

包角θ
摩擦系数μ
抓握力F_grip
撕裂力F_tear
弯曲应力σ_b = M c / I

攀禽
(如啄木鸟)

尖锐，对生趾，强韧

攀爬树干，抓握树皮

几何：两趾向前，两趾向后
抓握模型：
F_normal = mg / (2μ sin(α))
α为爪与树干的夹角
稳定性：
tan(α) > 1/μ

对生角α
摩擦系数μ
法向力F_normal
切向力F_tangential
安全系数S = μF_n / F_t

挖掘动物
(如鼹鼠)

宽大，扁平，强壮

挖掘土壤，推开障碍物

土壤力学：
F_dig = c A + N tan φ
c为土壤粘聚力，φ为内摩擦角，A为接触面积，N为法向力
挖掘功率：
P = F_dig * v

土壤粘聚力c
内摩擦角φ
接触面积A
挖掘力F_dig
挖掘速度v
功率P

水生动物
(如水獭)

短而钝，有蹼

游泳，抓握光滑猎物

流体力学：
F_drag = ½ ρ C_d A v²
F_lift = ½ ρ C_l A v²
推进效率：
η = F_thrust * v / P
P为输入功率

阻力系数C_d
升力系数C_l
面积A
速度v
流体密度ρ
推力F_thrust
效率η

优化目标

数学模型

约束条件

设计变量

优化算法

最小重量​

min m = ρ ∫ dV
屈服约束：σ ≤ σ_y / S
屈曲约束：F ≤ F_cr
刚度约束：δ ≤ δ_max
频率约束：f ≥ f_min

应力约束：σ_eq ≤ σ_y
位移约束：u ≤ u_max
尺寸约束：t_min ≤ t ≤ t_max
几何约束：L_min ≤ L ≤ L_max
工艺约束：θ ≥ θ_min

截面尺寸：t, w, h
形状参数：a, b, c
拓扑：ρ_e（密度）
材料：E, ρ
铺层角度：θ_i

拓扑优化：SIMP，水平集
尺寸优化：数学规划，梯度法
形状优化：参数化，灵敏度分析
多目标优化：Pareto前沿，加权和

最大刚度​

max K = F/δ
或min C = ½ Fᵀu
s.t. K u = F
V ≤ V_max
σ ≤ σ_y

体积约束：V = Σ v_e ρ_e ≤ V_max
应力约束：σ_e ≤ σ_y
制造约束：最小尺寸，对称性，脱模方向

单元密度ρ_e
厚度t_e
截面参数A_e, I_e
材料方向θ_e
节点位置x_i

均匀化方法
SIMP：E_e = E_min + ρ_e^p (E_0 - E_min)
灵敏度：∂C/∂ρ_e = -p ρ_e^{p-1} u_eᵀ k_e u_e
过滤：避免棋盘格，使用密度过滤或灵敏度过滤

最大强度​

min max(σ_eq/σ_y)
或min Σ (σ_eq/σ_y)^m
m为惩罚指数
s.t. K u = F
V ≤ V_max

应力约束：σ_eq ≤ σ_y
体积约束：V ≤ V_max
局部约束：σ_e ≤ σ_y
全局约束：∫ σ_eq dV / V ≤ σ_avg

同刚度优化，但目标为应力最小化

应力约束优化：应力通常为局部量，易导致奇异优化问题，常用放松或全局应力约束

最大能量吸收​

max U = ∫ F dx
其中F为力，x为位移
或max ∫ σ:dε dV
s.t. V ≤ V_max
F_max ≤ F_limit

体积约束：V ≤ V_max
峰值力约束：F_max ≤ F_limit
位移约束：x ≤ x_max
能量约束：U ≥ U_min

形状参数：截面形状，厚度分布
材料参数：密度，屈服应力，硬化模量
拓扑：多孔结构，填充模式

非线性有限元分析（包括塑性、损伤）
优化算法：响应面法，遗传算法，模拟退火
多目标：能量吸收、峰值力、重量

功能梯度​

材料属性随位置变化：
E(x) = E_min + (E_max - E_min) * f(x)
f(x)为梯度函数，如：
f(x) = (x/L)^n幂律
f(x) = 1 - exp(-k x)指数
优化梯度分布以最大化性能

体积约束：∫ f(x) dV ≤ V_max
应力约束：σ(x) ≤ σ_y(x)
制造约束：梯度可实现性

梯度函数参数：n, k
控制点值：E_i
形状函数系数：a_i
材料分布：ρ(x)

参数优化：调整梯度函数参数
拓扑优化：将密度与材料属性关联
多材料优化：每个单元可选择不同材料

步骤

任务

数学描述

软件实现

输出结果

前处理​

几何建模

参数化几何：S(u,v) = Σ N_i(u,v) P_i
网格生成：四面体，六面体，四边形，三角形
网格质量：长宽比，雅可比，内角

CAD软件：SolidWorks, CATIA, NX
前处理器：HyperMesh, ANSYS DM, SpaceClaim
网格生成：Gmsh, TetGen, ANSYS Meshing

节点坐标x_i
单元连接conn_e
边界条件BC
载荷F

求解​

线性静态

K u = F
K = Σ K_e
K_e = ∫ Bᵀ D B dΩ
约束处理：划行划列，拉格朗日乘子，罚函数

求解器：直接法（PARDISO, MUMPS），迭代法（CG, GMRES）
并行计算：OpenMP, MPI, GPU加速

位移场u
应力场σ
应变场ε
反力R

非线性静态

R(u) = F - F_int(u) = 0
牛顿迭代：u_{k+1} = u_k - K_T^{-1} R(u_k)
K_T = ∂R/∂u

非线性求解器：Newton-Raphson, Arc-Length
收敛控制：力容差，位移容差，能量容差
线搜索，阻尼

位移场u
应力场σ
应变场ε
塑性应变ε_p
损伤变量D

动态分析

M ü + C u̇ + K u = F(t)
时间积分：Newmark-β, HHT-α, 中心差分

显式动力学：LS-DYNA, ABAQUS/Explicit
隐式动力学：ANSYS, ABAQUS/Standard
时间步长控制：自动时间步，稳定性限制

位移时程u(t)
速度时程v(t)
加速度时程a(t)
能量：动能，内能，耗散能

接触分析

接触条件：g_N ≥ 0, p_N ≥ 0, g_N p_N = 0
摩擦条件：‖p_T‖ ≤ μ p_N
接触算法：罚函数，拉格朗日乘子，增广拉格朗日

接触探测：全局搜索，局部搜索
接触约束实施：直接约束，罚函数，拉格朗日乘子
摩擦模型：库仑，粘着-滑动

接触压力p_N
滑移g_T
接触状态：粘着/滑动
接触力F_contact

后处理​

结果评估

应力提取：σ = D B u_e
应变提取：ε = B u_e
主应力：σ1, σ2, σ3
等效应力：σ_eq = √(3/2 s:s)
安全系数：SF = σ_y / σ_eq

后处理器：ParaView, EnSight, ANSYS CFD-Post, LS-PrePost
可视化：云图，等值面，矢量图，动画
数据分析：曲线，统计，导出

云图：应力，应变，位移，温度
曲线：力-位移，应力-应变，频谱
报告：最大应力，最大位移，安全系数，固有频率

步骤

任务

数学描述

软件实现

输出结果

建模​

刚体定义

质量：m = ∫ ρ dV
质心：r_c = (∫ r ρ dV)/m
惯性张量：I = ∫ [(r·r)I - r⊗r] ρ dV
约束：转动副，移动副，球副，平面副，固定副

多体软件：ADAMS, Simpack, RecurDyn, Simscape
建模：创建刚体，定义约束，施加力

刚体质量属性m, r_c, I
约束方程Φ(q)=0
力元F, τ

力元定义

弹簧-阻尼：F = k (x - x0) + c v
作动器：F = f(t, q, v)
接触力：Hertz接触，Impact函数，连续接触

力元：弹簧，阻尼，作动器，接触
接触模型：Hertz, Impact, Continuous
摩擦：库仑，Stribeck

力-位移关系F(x, v)
接触力F_contact
摩擦力F_friction

求解​

运动学分析

位置：Φ(q,t)=0
速度：Φ_q q̇ + Φ_t = 0
加速度：Φ_q q̈ + (Φ_q q̇)_q q̇ + 2Φ_qt q̇ + Φ_tt = 0
求解：牛顿-拉弗森

运动学求解：位置，速度，加速度分析
逆运动学：给定末端轨迹求关节角度

位置q
速度q̇
加速度q̈
雅可比矩阵J

动力学分析

运动方程：M q̈ + Φ_qᵀ λ = Q
约束：Φ(q,t)=0
求解：
1. 缩减坐标法：q = q(u)
2. 增广法：求解[M, Φ_qᵀ; Φ_q, 0] [q̈; λ] = [Q; γ]
γ = -(Φ_q q̇)_q q̇ - 2Φ_qt q̇ - Φ_tt

动力学求解：静力学，运动学，动力学
积分器：GSTIFF, DASSL, Runge-Kutta
校正：牛顿迭代

广义坐标q(t)
广义速度q̇(t)
广义加速度q̈(t)
约束反力λ(t)

控制联合仿真

控制系统：ẋ_c = A x_c + B u
y = C x_c + D u
多体系统：M q̈ + ... = Q(y)
耦合：u = f(q, q̇, t)

联合仿真：MATLAB/Simulink + ADAMS
或内置控制模块
反馈控制：PID，状态反馈，最优控制

控制输入u(t)
系统输出y(t)
状态x_c(t)
性能指标：ISE，ITAE，超调量，调节时间

后处理​

结果分析

轨迹：r(t), q(t)
速度：v(t), ω(t)
加速度：a(t), α(t)
力：F(t), τ(t)
能量：T(t), V(t), E(t)
功率：P(t) = F·v

后处理：绘制曲线，动画，频谱分析，模态分析
输出：力，位移，速度，加速度，能量，功率

曲线：位移-时间，力-时间，相位图
动画：运动动画，变形动画
报告：最大力，最大位移，平均功率，效率

测量目标

实验方法

数学模型

数据处理

参数识别

几何形状​

3D扫描，CT，MRI，光学轮廓仪

点云：P = {p_i}
曲面拟合：S(u,v) = Σ N_i(u,v) P_i
曲线拟合：C(s) = Σ B_i(s) P_i
特征提取：曲率，挠率，长度，角度

点云处理：去噪，滤波，配准，重建
曲面拟合：最小二乘，RANSAC，样条拟合
参数提取：拟合参数，曲率，扭率，弧长

形状参数：a, b, c, ...
曲线参数：控制点P_i
曲面参数：控制点P_ij，节点矢量

材料属性​

拉伸试验，压缩试验，弯曲试验，纳米压痕

应力-应变曲线：σ = f(ε)
本构模型：σ = Eε（线性）
σ = Kε^n（幂律）
σ = σ_y + H ε_p（弹塑性）
粘弹性：E(t) = E_∞ + Σ E_i exp(-t/τ_i)

数据平滑：移动平均，低通滤波
曲线拟合：最小二乘，最大似然
参数估计：E, σ_y, n, H, τ_i
误差分析：残差，置信区间

弹性模量E
泊松比ν
屈服强度σ_y
硬化模量H
幂律指数n
松弛时间τ_i
损耗因子tanδ

力学性能​

三点弯曲，四点弯曲，悬臂梁，振动测试

弯曲刚度：EI = (F L³)/(48 δ)（三点弯曲）
固有频率：f_n = (λ_n²/(2π L²))√(EI/(ρA))
阻尼比：ζ = Δ/(2π) = (1/(2π)) ln(A_n/A_{n+1})

力-位移曲线：F(δ)
频响函数：H(ω)
模态参数：ω_n, ζ_n, φ_n
模态拟合：最小二乘复指数，频域多项式

弯曲刚度EI
剪切刚度GA
固有频率f_n
模态振型φ_n
阻尼比ζ_n
质量m
惯性矩I

运动学​

运动捕捉，高速摄像，光电编码器，惯性测量

位置：r(t)，速度：v(t) = dr/dt，加速度：a(t) = dv/dt
角度：θ(t)，角速度：ω(t) = dθ/dt，角加速度：α(t) = dω/dt
轨迹：q(t) = f(θ_1, θ_2, ...)

数据滤波：低通滤波（Butterworth, Chebyshev）
数值微分：中心差分，样条微分
坐标变换：局部坐标系到全局坐标系
运动学反解：θ = f^{-1}(r)

轨迹参数：位置，速度，加速度
关节角度θ(t)
关节角速度ω(t)
末端轨迹r(t)
运动范围θ_min, θ_max

动力学​

测力台，力传感器，压力分布传感器，肌电图

力：F(t)，力矩：τ(t) = r × F
压力分布：p(x,y,t)
肌肉活动：EMG(t)
逆动力学：τ = M(q)q̈ + C(q,q̇) + G(q)

力数据处理：滤波，坐标变换，合成
逆动力学计算：牛顿-欧拉，拉格朗日
肌电处理：整流，平滑，积分
压力中心：CoP = (Σ p_i x_i)/Σ p_i

关节力矩τ(t)
接触力F(t)
压力分布p(x,y)
肌肉激活a(t)
关节功率P(t) = τ·ω
能量消耗E = ∫ P dt

方法

数学模型

目标函数

优化算法

不确定度

最小二乘法​

模型：y = f(x, θ)
误差：e_i = y_i - f(x_i, θ)
目标：min Σ e_i²
线性：θ = (XᵀX)^{-1}Xᵀy
非线性：迭代求解

最小二乘：J(θ) = Σ [y_i - f(x_i, θ)]²
加权最小二乘：J(θ) = Σ w_i [y_i - f(x_i, θ)]²
正则化：J(θ) = Σ e_i² + λ‖θ‖²

高斯-牛顿法：
Δθ = (JᵀJ)^{-1} Jᵀ e
莱文贝格-马夸特：
Δθ = (JᵀJ + λI)^{-1} Jᵀ e
梯度下降：
Δθ = -η ∇J
共轭梯度，拟牛顿

协方差矩阵：Cov(θ) = σ² (JᵀJ)^{-1}
标准差：σ_θ = √diag(Cov(θ))
置信区间：θ ± t_(α/2) σ_θ
预测区间：y ± t_(α/2) σ √(1 + J (JᵀJ)^{-1} Jᵀ)

最大似然估计​

概率模型：`y_i ~ p(y_i

x_i, θ)<br>似然函数：L(θ) = Π p(y_i

x_i, θ)<br>对数似然：ln L(θ) = Σ ln p(y_i

x_i, θ)<br>目标：max L(θ)`

贝叶斯推断​

后验分布：`p(θ

y) = p(y

θ) p(θ) / p(y)<br>先验：p(θ)<br>似然：p(y

θ)<br>证据：p(y) = ∫ p(y

有限元模型更新​

残差：e(θ) = y_exp - y_FEM(θ)
目标：min J(θ) = e(θ)ᵀ W e(θ)
约束：g(θ) ≤ 0
其中y_FEM(θ)是有限元模型输出

加权最小二乘：J(θ) = eᵀ W e
正则化：J(θ) = eᵀ W e + λ‖θ - θ_0‖²
多目标：J(θ) = Σ w_i J_i(θ)
概率：`J(θ) = -ln p(y

θ) - ln p(θ)`

梯度下降：Δθ = -η ∇J
高斯-牛顿：Δθ = (Jᵀ W J)^{-1} Jᵀ W e
莱文贝格-马夸特：Δθ = (Jᵀ W J + λI)^{-1} Jᵀ W e
遗传算法，粒子群，模拟退火

参数

符号

描述

典型值范围

单位

备注

骨骼长度

L

骨骼总长度

物种差异大

mm

如股骨、肱骨等

外径

D_o

外径

物种差异大

mm

骨干中部测量

内径

D_i

骨髓腔直径

物种差异大

mm

骨干中部测量

壁厚

t

皮质骨厚度

1-20

mm

长骨骨干处较厚

长度直径比

L/D

长细比

5-50

-

影响稳定性

曲率半径

R

自然弯曲半径

几十到几百

mm

如肋骨、骨盆等

体积

V

骨骼总体积

物种差异大

cm³

包括骨髓腔

质量

m

骨骼总质量

物种差异大

g

干重或湿重

表面积体积比

S/V

比表面积

0.1-10

mm⁻¹

代谢活跃性指标

横截面积

A

横截面积

物种差异大

mm²

包括骨密度差异

截面惯性矩

I

截面惯性矩

物种差异大

mm⁴

抗弯能力

截面模量

Z

截面模量

物种差异大

mm³

抗弯截面系数

极惯性矩

J

极惯性矩

物种差异大

mm⁴

抗扭能力

参数

符号

描述

典型值范围

单位

备注

孔隙率

φ

孔隙体积分数

0.05-0.9

-

皮质骨低(5-10%)，松质骨高(50-90%)

平均孔径

d_pore

孔隙平均直径

0.1-2.0

mm

松质骨骨小梁间隙

骨小梁厚度

Tb.Th

骨小梁平均厚度

0.05-0.5

mm

松质骨微观结构

骨小梁间距

Tb.Sp

骨小梁之间的平均距离

0.5-2.0

mm

松质骨微观结构

骨小梁数量

Tb.N

单位长度骨小梁数

1-3

1/mm

松质骨微观结构

骨小梁模式因子

Tb.Pf

骨小梁连接性指标

1-10

1/mm

值越低连接性越好

结构模型指数

SMI

板状/杆状结构指标

0-3

-

0:纯板状，3:纯杆状

各向异性度

DA

结构各向异性程度

1.0-3.0

-

1:各向同性，>1:各向异性

哈弗斯管直径

d_H

哈弗斯管平均直径

20-100

μm

皮质骨血管通道

哈弗斯管密度

N_H

单位面积哈弗斯管数量

10-30

1/mm²

皮质骨

骨单位（骨板）厚度

t_lam

单个骨板厚度

3-7

μm

皮质骨层状结构

骨陷窝密度

N_lac

单位体积骨陷窝数

2-5×10⁴

1/mm³

骨细胞所在腔隙

骨小管直径

d_canal

骨小管直径

0.1-0.5

μm

骨细胞突起通道

骨小管密度

N_canal

单位面积骨小管数

10-50

1/μm²

骨细胞间连接

微裂纹密度

C_d

微裂纹数量密度

0-10

1/mm²

与疲劳损伤相关

骨矿物质密度分布

BMDD

骨矿物质密度分布

变异系数5-15%

-

反映矿化均匀性

参数

符号

描述

典型值范围

单位

备注

纵向杨氏模量

E_l

沿骨轴方向的弹性模量

10-30

GPa

方向依赖，纵向最高

横向杨氏模量

E_t

垂直于骨轴方向的弹性模量

5-15

GPa

约为纵向的1/2-2/3

剪切模量

G_lt

纵向-平面剪切模量

3-6

GPa

控制扭转变形

泊松比

ν_lt

纵向-横向泊松比

0.2-0.4

-

横向收缩与纵向伸长比

压缩强度

σ_c

压缩强度

100-230

MPa

与应变率相关

拉伸强度

σ_t

拉伸强度

50-150

MPa

拉伸弱于压缩

弯曲强度

σ_b

弯曲强度

150-300

MPa

三点或四点弯曲测试

剪切强度

τ

剪切强度

50-100

MPa

骨单位间剪切较弱

扭转强度

τ_t

扭转强度

50-120

MPa

与剪切强度相关

断裂韧性

K_IC

断裂韧性（I型）

2-8

MPa·m¹ᐟ²

抵抗裂纹扩展能力

应变能释放率

G_IC

临界应变能释放率

0.1-1.0

kJ/m²

裂纹扩展所需能量

维氏硬度

HV

维氏硬度

0.3-0.6

GPa

与矿物含量相关

疲劳极限

σ_fat

10⁷次循环的疲劳强度

20-60

MPa

约为静态强度的1/4-1/3

疲劳裂纹扩展门槛值

ΔK_th

疲劳裂纹扩展门槛

1-3

MPa·m¹ᐟ²

低于此值裂纹不扩展

蠕变柔量

J(t)

蠕变柔量函数

时间相关

1/GPa

与粘弹性相关

松弛模量

E(t)

应力松弛模量

时间相关

GPa

与粘弹性相关

储能模量

E'

动态储能模量

10-25

GPa

频率依赖（1-100 Hz）

损耗模量

E"

动态损耗模量

0.5-2.0

GPa

频率依赖（1-100 Hz）

损耗因子

tanδ

损耗正切

0.01-0.1

-

tanδ = E"/E'

应变率敏感性

m

应变率强化指数

0.02-0.06

-

σ ∝ ε̇ᵐ

冲击吸收能

U_impact

冲击吸收能量

物种差异大

J

夏比或伊佐德冲击试验

参数

符号

描述

典型值范围

单位

备注

表观弹性模量

E_app

松质骨整体弹性模量

0.01-5

GPa

与孔隙率高度相关，E_app ∝ ρ²

表观压缩强度

σ_c,app

松质骨整体压缩强度

0.5-50

MPa

与表观密度幂律相关

表观拉伸强度

σ_t,app

松质骨整体拉伸强度

0.5-30

MPa

通常低于压缩强度

表观剪切强度

τ_app

松质骨整体剪切强度

0.5-20

MPa

与表观密度相关

屈服应变

ε_y

屈服应变

0.5-2.0

%

通常比皮质骨大

破坏应变

ε_f

破坏应变

1.0-5.0

%

松质骨更脆

能量吸收

W

单位体积能量吸收

0.01-1.0

MJ/m³

压缩至屈服或破坏

疲劳寿命

N_f

疲劳寿命（特定应力水平）

10³-10⁷

循环次数

与应力水平相关

塑性变形能力

ε_pl

塑性应变

0.1-0.5

%

松质骨有一定塑性

参数

符号

描述

典型值范围

单位

备注

矿物含量

Ash

灰分含量（无机物）

60-70

wt%

高温灼烧后剩余无机物

有机物含量

OM

有机物含量

20-30

wt%

主要是I型胶原蛋白

水分含量

MC

水分含量

5-10

wt%

与年龄和环境相关

钙含量

Ca

钙含量

20-25

wt%

主要阳离子，以羟基磷灰石形式

磷含量

P

磷含量

8-12

wt%

与钙结合形成磷灰石

钙磷比

Ca/P

钙磷摩尔比

1.5-1.7

-

羟基磷灰石理论值为1.67

碳酸盐含量

CO₃

碳酸盐含量

3-8

wt%

替代磷酸根或羟基

镁含量

Mg

镁含量

0.5-1.0

wt%

与骨代谢相关

钠含量

Na

钠含量

0.5-1.0

wt%

电解质平衡

钾含量

K

钾含量

0.1-0.3

wt%

细胞代谢相关

氟含量

F

氟含量

0.01-0.1

wt%

地域差异大

锶含量

Sr

锶含量

0.01-0.1

wt%

可替代钙

胶原含量

Collagen

胶原蛋白含量

15-25

wt%

主要是I型胶原(>90%)

非胶原蛋白

NCP

非胶原蛋白含量

1-5

wt%

包括骨钙素、骨桥蛋白等

脂质含量

Lipid

脂质含量

0.1-1.0

wt%

细胞膜和骨髓成分

晶体尺寸（c轴）

L_c

羟基磷灰石晶体长度

20-50

nm

沿c轴方向

晶体尺寸（a,b面）

t_c

晶体厚度

3-7

nm

宽度方向

结晶度

Crystallinity

矿物结晶程度

50-70

%

X射线衍射测定

胶原交联度

X-linking

胶原分子间交联度

物种、年龄差异

mol/mol

影响力学性能

碳酸盐替代率

CO₃ substitution

磷酸根被碳酸根替代比例

5-10

%

影响溶解性

参数

符号

描述

典型值范围

单位

备注

材料密度

ρ_mat

骨骼材料密度（无孔）

1.8-2.1

g/cm³

羟基磷灰石+胶原复合密度

表观密度

ρ_app

整体表观密度

0.1-2.0

g/cm³

包括孔隙和骨髓

组织密度

ρ_tissue

骨组织密度（无骨髓）

1.8-2.0

g/cm³

皮质骨组织

骨矿物质密度

BMD

骨矿盐密度

0.5-1.5

g/cm²