数学建模中的传染病模型及其编程求解

浅夏110

问题的提出
- z2 }4 r) }9 ?/ v: ]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
6 u# X% {6 W9 j, l8 \( X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+\Delta t) - i(t) = \lambda i(t)\Delta t
i(t+Δt)−i(t)=λi(t)Δt

. k5 e# I% a. R! Z( c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+\Delta t) = i(t) + \lambda i(t)\Delta t
3 E4 M, Y/ Y( k; V9 E- E6 ]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
+ M/ A5 v2 ^4 c# {3 E  `: n6 h; P6 G3 `%matplotlib inline
deltaT = 0.01
# G+ E% K* |" E* i; F, c% Olamb = 2
" B2 ~" W5 I4 Di_list = []
% w1 t, q! ?$ s+ N3 Di0 = 0.08; # 初始有8%的人患病
$ u" H6 N9 ^! O' A# N* ni_list.append(i0)
5 l. W6 u9 W0 w, m+ mTot_Time = 10
( h6 G) y2 I- uTotStep = int(Tot_Time/deltaT)
##
for i in range(TotStep):
    i_new = i_list[-1] + lamb * i_list[-1] * deltaT
4 I  v: g! i" u. R: Q. G    i_list.append(i_new)
plt.plot(i_list)

) p& d* E0 e! \8 Z1 Z) J3 O* ^$ P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？
( N  E2 M1 a7 v1 t. ]' p# |- E
9 ?: M( N( R0 C; R3 ~
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
$ g/ O: d* N" I* u. y) h
N[i(t+Δt)−i(t)]=[λs(t)]Ni(t)Δt N[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
( K* V1 r+ R. m- }+ |
9 R7 K1 F/ S1 m2 c2 t- L& H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
0 y: E1 ]. n; N0 X$ Fi(t+Δt)=i(t)+λi(t)s(t)Δt i(t+\Delta t) = i(t) + \lambda i(t)s(t)\Delta t
1 N& C4 l! r* o! r0 j/ b- Ui(t+Δt)=i(t)+λi(t)s(t)Δt
  [8 B( {7 u/ ?
$ C- t4 H9 ~- B3 |$ ^# d+ o& j8 D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 = []
- e) K- u1 h& {. M  As_list = []
" e. |* k+ ~1 D1 ^+ g4 @i0 = 0.08; # 初始有8%的人患病
! Q$ H# W1 ?/ v6 ki_list.append(i0)
s_list.append(1 - i0)
Tot_Time =5
TotStep = int(Tot_Time/deltaT)
$ n& b: p- y/ _$ \# d/ m  B- p5 @##
for i in range(TotStep):
8 t# n) V8 T( Z0 A/ ?- ]! d    i_new = i_list[-1] + lamb * i_list[-1] * deltaT * s_list[-1]
( k- J: T7 X% I( j    i_list.append(i_new)
4 o7 e; S  U$ p) R" j    s_list.append(1- i_new)
Time = [i * deltaT for i in range(TotStep + 1)]
plt.plot(Time,i_list)
0 m6 e& P8 W- vplt.plot(Time,s_list)
plt.title("SI",fontsize = 20)
3 s9 x* f0 y' Q6 fplt.xlabel("Time")
plt.ylabel('i(t)')

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。

0 M( p* w. C; S5 ~" U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。
  }3 Z" \- M! n  L: q————————————————
/ V4 J4 u5 X# U' O) J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。
, B7 h% T, ]5 B  z) d8 ]1 b原文链接：https://blog.csdn.net/baidu_26746963/article/details/93918383
) V, P0 h- H2 A6 [4 T- j) x4 g