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
* w* g9 H' u8 d- O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。

. H! D0 _/ {2 c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
4 M9 D5 \0 X) j2 W, D
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
* U! W: e! M% P3 }0 O% h% ei(t+Δt)=i(t)+λi(t)Δt i(t+\Delta t) = i(t) + \lambda i(t)\Delta t
9 u4 W( W3 l9 o5 r1 Xi(t+Δt)=i(t)+λi(t)Δt
$ Q7 J( j7 ?3 q& n( x* u- [
8 H7 S$ t/ z* ]7 J& U. i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
3 q9 J5 t8 p4 u+ S+ y0 F; Fi_list = []
; l0 Q( |  K" }" I8 E7 Ji0 = 0.08; # 初始有8%的人患病
/ V; v6 C0 l2 P7 ]0 Y1 L( q. L( `i_list.append(i0)
Tot_Time = 10
  w' Q! K& w0 `2 g/ LTotStep = 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)
; F3 e5 V1 B7 a
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？

/ p& z- Y+ I) Q( e* r2 @8 z
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。
3 i$ J( m& F. r, q- [+ M$ J
SI模型
/ f9 y8 k; W2 I8 ?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)
  ]$ q( _8 W- |8 c0 B* g8 [7 }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
, P  j) K% T" q& M/ H9 ]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
! @* y. d" Q# T2 S  m& L* GN[i(t+Δt)−i(t)]=[λs(t)]Ni(t)Δt

, j8 l# D& M; N  W6 ~0 D+ l8 x  J5 a$ R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
! ~& ]* d5 K; T; n6 r' Z8 R! Mi(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
/ p; h" I  U" A9 m: V2 [! q$ X
8 U( b! q  q8 U& y0 i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：

% E1 j. P+ \" |' x( I. M+ x7 @import matplotlib.pyplot as plt
$ }& \+ r3 x" o; m! T' @0 N%matplotlib inline
deltaT = 0.01
* a) K0 b8 S+ klamb = 2
i_list = []
s_list = []
; s) D7 r3 V$ E; R' l7 ]: D" qi0 = 0.08; # 初始有8%的人患病
i_list.append(i0)
, x; j" n$ Z( l9 as_list.append(1 - i0)
Tot_Time =5
" g5 m: m4 H  O! L# }, lTotStep = int(Tot_Time/deltaT)
8 j7 @  u5 k4 D! h% y##
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)]
8 @0 P) A2 @6 vplt.plot(Time,i_list)
plt.plot(Time,s_list)
plt.title("SI",fontsize = 20)
plt.xlabel("Time")
* L" h7 O3 {8 {3 I* p6 splt.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。
" t$ b% `6 C3 W" l' s+ M
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。
————————————————
8 ^. u" v  O9 ?% v3 |( z: a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。
" R+ K/ V: a* s3 C/ b- q/ `原文链接：https://blog.csdn.net/baidu_26746963/article/details/93918383
( ~  a( n2 j; E
* _  Z" I8 ^) {( I
6 E/ N! U" X8 ^; k) \0 \7 Y) k