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
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+\Delta t) - i(t) = \lambda i(t)\Delta t
i(t+Δt)−i(t)=λi(t)Δt
0 V2 Q$ [) a, `- J
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
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。
4 G  C$ M! Z# d+ x6 x
import matplotlib.pyplot as plt
0 k3 h' [/ P5 f9 e1 _%matplotlib inline
# K0 \  B4 b9 T( ^9 Y, BdeltaT = 0.01
lamb = 2
i_list = []
i0 = 0.08; # 初始有8%的人患病
, l; Z) Y# X  H7 V+ A; Ai_list.append(i0)
Tot_Time = 10
8 R7 C( _. T( ?" D8 b5 m0 @TotStep = int(Tot_Time/deltaT)
##
9 K+ e# C* c$ j2 E6 ffor i in range(TotStep):
: w) d' `) {' q" Y3 Z  A    i_new = i_list[-1] + lamb * i_list[-1] * deltaT
    i_list.append(i_new)
plt.plot(i_list)
+ X0 D! a$ V& k; J0 _
& L2 k% m2 e& O8 B! C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？
! I# C$ O$ v# y2 V, a$ X7 ?

; R2 ]/ w0 F' a* B. b3 y4 ?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。

* v3 \- i4 P3 E; U! p% {0 y* CSI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：
2 r* b4 E# J; y4 `0 {( ]
/ A6 I3 `+ x: ^- L  k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
, G) [, {' T  ^" d  [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)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

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+\Delta t) = 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
  I  U8 i9 n* Y/ nlamb = 2
i_list = []
s_list = []
) S( ^3 e' C  E" }# w8 l0 h" vi0 = 0.08; # 初始有8%的人患病
i_list.append(i0)
1 I1 [# {" K: [* l) }8 F) I$ ws_list.append(1 - i0)
0 Y0 D. ]) O. R$ w( rTot_Time =5
% |' E# M9 M3 I6 zTotStep = int(Tot_Time/deltaT)
+ _2 u% E) Q8 n##
0 ?/ N7 r! S0 jfor i in range(TotStep):
; d0 R& N* e9 A3 i    i_new = i_list[-1] + lamb * i_list[-1] * deltaT * s_list[-1]
$ [/ y9 h) i$ p  f7 A" J: t0 K    i_list.append(i_new)
) k0 J$ J% [* A/ y    s_list.append(1- i_new)
Time = [i * deltaT for i in range(TotStep + 1)]
plt.plot(Time,i_list)
- Q9 T1 J. F0 W% g, Y3 mplt.plot(Time,s_list)
plt.title("SI",fontsize = 20)
plt.xlabel("Time")
( H. G, ^: w+ P$ z" u! vplt.ylabel('i(t)')
+ _& y2 @  @2 z! z6 [" v* T  C
2 }8 ?  Y! D' S, C1 u7 o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。
9 g2 @, K2 g& c) H0 j
$ I% l% X8 ?4 V) L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。
————————————————
6 ]1 c2 }" z5 V2 O& k- A; p1 n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

) P; d- Y5 S$ c5 x: E