数学建模社区-数学中国

标题: 数学建模中的传染病模型及其编程求解 [打印本页]

作者: 杨利霞 时间: 2020-5-14 21:55
标题: 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 t

i(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 t

i(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 inline

deltaT = 0.01

lamb = 2

i_list = []

i0 = 0.08; # 初始有8%的人患病

i_list.append(i0)

Tot_Time = 10

TotStep = 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

N[i(t+Δt)−i(t)]=[λs(t)]Ni(t)ΔtN[i(t+\Delta t)-i(t)]=[\lambda s(t)] N i(t) \Delta t

N[i(t+Δt)−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 t

i(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 inline

deltaT = 0.01

lamb = 2

i_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 =5

TotStep = 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 = [i * deltaT for i in range(TotStep +1)]

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。

————————————————

原文链接：https://blog.csdn.net/baidu_26746963/article/details/93918383

欢迎光临数学建模社区-数学中国 (http://www.madio.net/)