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)Δti(t+\Delta t) - i(t) = \lambda i(t)\Delta t i(t+Δt)−i(t)=λi(t)Δt

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)Δti(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。

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] * deltaTi_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？

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NNN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

N[i(t+Δt)−i(t)]=[λs(t)]Ni(t)ΔtN[i(t+\Delta t)-i(t)]=[\lambda s(t)] N i(t) \Delta tN[i(t+Δt)−i(t)]=[λs(t)]Ni(t)Δt

消去NNN，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)Δti(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
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)')

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。

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。

数学建模中的传染病模型及其编程求解相关推荐

【Python数学建模】SEIR传染病模型模型延伸-SEIDR模型（一），加入疫苗接种、政府管控、病毒变异等因素的影响
目录一. SEIR传染病模型二. SEIR模型的延伸--SEIDR模型三. 模型延伸--影响因素1:疫苗接种四. 模型延伸--影响因素2:政府管控五. 模型延伸--影响因素3:病毒变异写在 ...
sirs模型_数学建模常用算法——传染病模型（一）SI模型
今天,就和大家聊一聊传染病模型.说实话是有点跑题了,毕竟这是算法的专辑,不过最近有不少同学都在做传染病传播方面的题目,所以就决定是它了. 传染病的传播模型,是以传染病的传播速度.空间范围.传播途径.动 ...
一篇文章带你搞定数学建模中的 Logistic 模型（含代码）
文章目录一.中国人口情况二.阻滞增长模型三.美国人口预测四.人口模型的概述一.中国人口情况二.阻滞增长模型适用:前期增长迅速,后期增长迟缓
Python小白的数学建模课-09.微分方程模型
小白往往听到微分方程就觉得害怕,其实数学建模中的微分方程模型不仅没那么复杂,而且很容易写出高水平的数模论文. 本文介绍微分方程模型的建模与求解,通过常微分方程.常微分方程组.高阶常微分方程 3个案例手 ...
数学建模中的ARMA模型和ARIMA模型的使用实例（含代码）
数学建模中的ARMA模型和ARIMA模型的使用实例(含代码) 原文地址:http://blog.csdn.net/qq_34861102/article/details/77659399 对于较少时间 ...
数学建模中的lp造船模型求解
*** 1. 数学建模中的lp如何造船使费用最小模型求解以及LINGO的初始用法先看问题: 例 SAILCO公司需要决定下四个季度的帆船生产量.下四个季度的帆船需求量分别是40条,60条,75条,2 ...
数学建模清风第三次直播：excel在数学建模中的应用
学习网址:课件下载数学建模清风第一次直播:传染病模型和微分方程拟合数学建模清风第二次直播:模拟退火算法数学建模清风第三次直播:excel在数学建模中的应用博客笔记: 数学建模清风第一次直播:传 ...
适合利用计算机模拟的是,计算机模拟在数学建模中的应用
计算机模拟在数学建模中的应用计算机模拟是按时间来划分的,因为计算机模拟实质上是系统随时间变化而变化的动态写照,以下是小编搜集整理的一篇探究计算机模拟在数学建模应用的论文范文,供大家阅读参考. [摘要 ...
如何使用计算机建模,计算机模拟在数学建模中的应用
[摘要]本文主要阐述了如何利用计算机模拟来解决数学建模中的实际问题.首先,提出问题,根据问题的具体模式对其进行分析整理.其次,对上述问题进行数学建模.然后,利用计算机进行模拟,主要分为随机模拟(蒙特― ...
计算机技术在建模中的作用,谈计算机在数学建模中的作用
2 0 1 3年第 9期 (总第 1 3 1期) 信息通信 I NFORM AT1 0N& COMM UNI CAT I ON S 2Ol 3 ( S u m .N o l 3 1 ) 谈计算 ...

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

数学建模中的传染病模型及其编程求解相关推荐

最新文章

热门文章