复杂网络研究中的SIR传播模型（Python实现）

复杂网络研究中的传播模型SIR的Python实现

SIR
应用

SIR

import random'''
程序主要功能
输入：网络图邻接矩阵，需要被设置为感染源的节点序列，感染率，免疫率，迭代次数step
输出：被设置为感染源的节点序列的SIR感染情况---每次的迭代结果（I+R）/n
'''def update_node_status(graph, node, beta, gamma):"""更新节点状态:param graph: 网络图:param node: 节点序数:param beta: 感染率:param gamma: 免疫率"""# 如果当前节点状态为 感染者(I) 有概率gamma变为 免疫者(R)if graph.nodes[node]['status'] == 'I':p = random.random()if p < gamma:graph.nodes[node]['status'] = 'R'# 如果当前节点状态为 易感染者(S) 有概率beta变为 感染者(I)if graph.nodes[node]['status'] == 'S':# 获取当前节点的邻居节点# 无向图：G.neighbors(node)# 有向图：G.predecessors(node)，前驱邻居节点，即指向该节点的节点；G.successors(node)，后继邻居节点，即该节点指向的节点。neighbors = list(graph.predecessors(node))# 对当前节点的邻居节点进行遍历for neighbor in neighbors:# 邻居节点中存在 感染者(I)，则该节点有概率被感染为 感染者(I)if graph.nodes[neighbor]['status'] == 'I':p = random.random()if p < beta:graph.nodes[node]['status'] = 'I'breakdef count_node(graph):"""计算当前图内各个状态节点的数目:param graph: 输入图:return: 各个状态（S、I、R）的节点数目"""s_num, i_num, r_num = 0, 0, 0for node in graph:if graph.nodes[node]['status'] == 'S':s_num += 1elif graph.nodes[node]['status'] == 'I':i_num += 1else:r_num += 1return s_num, i_num, r_numdef SIR_network(graph, source, beta, gamma, step):"""获得感染源的节点序列的SIR感染情况:param graph: networkx创建的网络:param source: 需要被设置为感染源的节点Id所构成的序列:param beta: 感染率:param gamma: 免疫率:param step: 迭代次数"""n = graph.number_of_nodes()  # 网络节点个数sir_values = []  # 存储每一次迭代后网络中感染节点数I+免疫节点数R的总和# 初始化节点状态for node in graph:graph.nodes[node]['status'] = 'S'  # 将所有节点的状态设置为 易感者（S）# 设置初始感染源for node in source:graph.nodes[node]['status'] = 'I'  # 将感染源序列中的节点设置为感染源，状态设置为 感染者（I）# 记录初始状态sir_values.append(len(source) / n)# 开始迭代感染for s in range(step):# 针对对每个节点进行状态更新以完成本次迭代for node in graph:update_node_status(graph, node, beta, gamma)  # 针对node号节点进行SIR过程s, i, r = count_node(graph)  # 得到本次迭代结束后各个状态（S、I、R）的节点数目sir = (i + r) / n  # 该节点的sir值为迭代结束后 感染节点数i+免疫节点数rsir_values.append(sir)  # 将本次迭代的sir值加入数组return sir_values

应用

更多应用请查看作者的其它博文！

计算n次独立实验中各方法SIR传播范围的平均值

if __name__ == '__main__':# 读取网络数据# adj = np.loadtxt('adj.txt', dtype=np.int)  # 网络的邻接矩阵# edges = np.loadtxt('edges.txt', dtype=str)  # 网络的邻接表/边列表adj = np.loadtxt('adj.txt', dtype=np.int)  # 网络的邻接矩阵# 生成网络图（此处注意根据网络类型调整SIR代码中邻居节点的获取方式）# 无向图：graph = nx.from_numpy_matrix(adj) # 有向图：graph = nx.DiGraph(adj)# 根据连边生成网络：# 1. graph = nx.Graph()  # 生成网络图对象# 2. graph.add_edges_from(edges)  # 添加连边graph = nx.DiGraph(adj) # 创建有向图metheds = pd.read_csv('多方法排序.csv')  # 多种方法(a,b,c,d)的排序结果# 各方法的对应列method_a = metheds.iloc[:, 1]method_b = metheds.iloc[:, 2]method_c = metheds.iloc[:, 3]method_d = metheds.iloc[:, 4]'''初始化存储每次SIR传播范围的csv文件本代码中分别对Top-5,10,15的节点做实验'''for top_k in range(5, 20, 5):file = open('result/Top-' + str(top_k) + ' SIR.csv', "w", newline="")content = csv.writer(file)content.writerow(['a','b','c','d']) #写入文件列标题（各方法的名称）file.close()print('Top-' + str(top_k) + ' SIR.csv 已初始化！')'''进行n次实验取平均值'''n = 1000for i in range(n):print('第 ' + str(i + 1) + ' 次实验')for top_k in range(5, 20, 5):print('Top-' + str(top_k) + '...')# SIR参数设置beta = 0.15  # 感染率gamma = 0.5  # 免疫率step = 20  # 迭代次数# top-k序列source_a = method_a.argsort()[::-1][0:top_k]source_b = method_b.argsort()[::-1][0:top_k]source_c = method_c.argsort()[::-1][0:top_k]source_d = method_d.argsort()[::-1][0:top_k]# Top-k节点的感染情况sir_a = SIR_network(graph, source_a , beta, gamma, step)sir_b = SIR_network(graph, source_b , beta, gamma, step)sir_c = SIR_network(graph, source_c , beta, gamma, step)sir_d = SIR_network(graph, source_d , beta, gamma, step)# 存储每次实验的最终感染情况file = open('result/Top-' + str(top_k) + ' SIR.csv')reader = csv.reader(file)original = list(reader)file1 = open('result/Top-' + str(top_k) + ' SIR.csv', "w", newline="")content = csv.writer(file1)# 存储文件中的原始数据for row in original:content.writerow(row)# 存储新数据content.writerow([sir_a[step - 1], sir_b[step - 1], sir_c[step - 1], sir_d[step - 1]])file.close()file1.close()'''输出n次实验的平均值'''for top_k in range(5, 20, 5):sir_results = pd.read_csv('result/Top-' + str(top_k) + ' SIR.csv')  # 多种方法的排序结果print('Top-' + str(top_k) + ' SIR(Average)')print(sir_results.describe(include='all').loc['mean'])  # 输出数据特征```

复杂网络研究中的SIR传播模型（Python实现）相关推荐

SIR传播模型的科普和预测
>关注公众号:大数据技术派,回复`资料`,领取`1024G`资料. 注:本文仅是个人对于几个疾病模型做的一些概念性描述(科普),并进行了简单的编程实现.切勿当做现实的行动指导.因为文章内容原因, ...
c++中recvfrom函数_通俗易懂：快速理解网络编程中5种IO模型
关于IO模型,就必须先谈到几个日常接触的几个与IO相关名字:同步,异步,阻塞,非阻塞. 名词解释同步如果事件A需要等待事件B的完成才能完成,这种串行执行机制可以说是同步的,这是一种可靠的任务序列, ...
最优化在供应链网络设计中的应用：基于Python
摘要本博客旨在提供学生python版本的供应链网络设计的例子.案例研究来自苏尼尔•乔普拉(Sunil Chopra)和彼得•迈德尔(Peter Meindl)合著的<供应链管理>(The ...
sir模型初始值_传播模型（SIR）
#include#include#include#include#include#include #define MaxVertexNum 90000 #define RAND_MAX 0x7fff ...
使用Netlogo模拟SIR疾病传播模型
最近在学习Netlogo软件,它的语言和之前学习的编程语言差别很大.看了模型库的代码才慢慢理解.以下是SIR传播模型的代码. 需要创建按钮:setup, go 滑块:num-nodes, initi ...
脑科学研究中复杂网络测量使用和解释——图论指标详解
脑网络研究中的图论指标详解最全图论指标汇总 (1)度(node degree) (2)节点强度 (3)节点核心 (4)富人俱乐部系数(rich club coefficient) (5)同配系数 ( ...
python人文社科研究_人文社科实证研究中问题与模型的关系
在人文社科实证研究中,问题与模型的关系说起来大家都懂,但认识未必深刻,就像社会生活中的很多问题一样,别人一说,意思都懂,但要深刻领会,可能需要很长的时间.比如父母对子女的爱,孩子10几岁肯定能懂,但要 ...
复杂网络研究的机遇与挑战
周涛1,张子柯2,陈关荣3,汪小帆4,史定华5,狄增如6,樊瑛6,方锦清7,韩筱璞2,刘建国8,刘润然2,刘宗华9,陆君安10,吕金虎11,吕琳媛2,荣智海1,汪秉宏12,许小可13,章忠志14 (1 ...
微软亚洲研究院成立OpenNetLab，探索以“数据为中心”AI网络研究新范式！
2020年12月18日,微软亚洲研究院宣布联合清华大学.北京大学.南京大学.兰州大学.新加坡国立大学.首尔国立大学等多所亚洲地区高校,成立OpenNetLab开放网络平台联盟. OpenNetLab官 ...

复杂网络研究中的SIR传播模型（Python实现）

复杂网络研究中的传播模型SIR的Python实现

SIR

应用

复杂网络研究中的SIR传播模型（Python实现）相关推荐

最新文章

热门文章