数学建模中的传染病模型及其编程求解
数学建模中的传染病模型及其编程求解 文章目录问题的提出指数模型SI模型问题的提出医生们发现，在一个民族或地区，当某种传染病流传时，波及到的总人数大体上保持为一个常数。即既非所有人都会得病也非毫无规律，两次流行（同种疾病）的波及人数不会相差太大。如何解释这一现象呢？试用建模方法来加以证明。 指数模型定义已感染人数为i(t) i(t)i(t)，假设每个病人单位时间有效接触（足以使人致病）的人数为λ \lambdaλ，那么，在时间段Δt \Delta tΔt内，病人的增量可以用如下的公式进行计算i(t+Δt)−i(t)=λi(t)Δt i(t+\Deltat) - i(t) = \lambda i(t)\Delta ti(t+Δt)−i(t)=λi(t)Δt 将i(t) i(t)i(t)移到等式的右边，我们得到如下的递推公式i(t+Δt)=i(t)+λi(t)Δt i(t+\Deltat) = i(t) + \lambda i(t)\Delta ti(t+Δt)=i(t)+λi(t)Δt 以上递推公式意味着，我们可以通过当前时刻的病人人数和致病参数λ \lambdaλ，计算得到Δt \Delta tΔt时间后的病人人数，将以上思想在Python中进行实现，代码如下。 import matplotlib.pyplot as plt%matplotlib inlinedeltaT = 0.01lamb = 2i_list = []i0 = 0.08; # 初始有8%的人患病i_list.append(i0)Tot_Time = 10TotStep = int(Tot_Time/deltaT)## for i in range(TotStep): i_new = i_list[-1] + lamb * i_list[-1] * deltaT i_list.append(i_new)plt.plot(i_list) 将以上代码在Jupyter Notebook中运行，得到病人人数的变化趋势见下图，从中我们可以看到病人的增长是指数级的，在短短十天后，已经有3000万人患病！这显然不符合实际情况的，那么问题出在哪里了呢？file:///C:/Users/ADMINI~1/AppData/Local/Temp/msohtmlclip1/01/clip_image002.gif 实际上，若病人解除的是病人，并不能够使病人再次患病，实际上以上的算法导致了重复计数现象的发生。解决办法：必须区分已感染者和未感染者。 SI模型现在我们将人群分成两个群体：已感染者（病人，Infected）和未感染者（健康者，Suspect），该模型称为SI模型，模型假设： 在研究时间内，不考虑死亡率和出生率，即总人数N NN不变，病人和健康人的比例分别为i(t) i(t)i(t)和s(t) s(t)s(t)每个病人在单位时间内有效接触并致病的人数为λ \lambdaλ，且只有接触健康人才会致病，称λ \lambdaλ为日接触率仿照指数模型里面的建模方法，在时间段Δt \Delta tΔt内，病人的增量可以用如下的公式进行计算 NΔt)−i(t)]=[λs(t)]Ni(t)ΔtN=[\lambda s(t)] N i(t) \Delta tNΔt)−i(t)]=[λs(t)]Ni(t)Δt 消去N NN，再将i(t) i(t)i(t)移到等式的右边，我们得到如下的递推公式i(t+Δt)=i(t)+λi(t)s(t)Δt i(t+\Deltat) = i(t) + \lambda i(t)s(t)\Delta ti(t+Δt)=i(t)+λi(t)s(t)Δt 同样地，我们可以通过当前时刻的病人人数和致病参数λ \lambdaλ，计算得到Δt \Delta tΔt时间后的病人人数，将以上思想在Python中进行实现，代码如下： import matplotlib.pyplot as plt%matplotlib inlinedeltaT = 0.01lamb = 2i_list = []s_list = []i0 = 0.08; # 初始有8%的人患病i_list.append(i0)s_list.append(1 - i0)Tot_Time =5TotStep = int(Tot_Time/deltaT)## for i in range(TotStep): i_new = i_list[-1] + lamb * i_list[-1] * deltaT * s_list[-1] i_list.append(i_new) s_list.append(1- i_new)Time = plt.plot(Time,i_list)plt.plot(Time,s_list)plt.title("SI",fontsize = 20)plt.xlabel("Time")plt.ylabel('i(t)') file:///C:/Users/ADMINI~1/AppData/Local/Temp/msohtmlclip1/01/clip_image004.gif 从SI模型我们可以看到，病人比例不再会出现"指数爆炸"的情况，在t→∞ t \rightarrow \inftyt→∞时最大患病比例为1。在SI模型中，病人数量的增长曲线是一个典型的S型曲线，又称为Logistic曲线，该曲线在生物学上经常被用来描述物种的增长模。 然后，SI模型的结论告诉我们，无论λ \lambdaλ多么小，最终人群都会患病，这显然也是不符合实际情况的。————————————————版权声明：本文为CSDN博主「任公子ha」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/baidu_26746963/article/details/93918383
页:
[1]