请选择 进入手机版 | 继续访问电脑版

QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 1161|回复: 0

数学建模中的传染病模型及其编程求解

[复制链接]
字体大小: 正常 放大
杨利霞        

5250

主题

81

听众

16万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    发表于 2020-5-14 21:55 |显示全部楼层
    |招呼Ta 关注Ta
    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
    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)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
    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

    3 ?2 P) `  M! X* V& u; E
    9 A9 Q4 r+ n3 v: }9 f  e# H3 j7 K
    zan
    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2024-3-29 15:38 , Processed in 0.436282 second(s), 51 queries .

    回顶部