基于matlab分析的传染病模型，包括SI模型的5种不同模型，注释十分清楚，压缩包包括MATLAB代码文件和一个数模文件如图，直接运行可以出结果，一步一步带领大家理解传染病分析过程，

于 2025-04-19 07:15:00 发布
阅读量621 收藏 14
点赞数 26
分类专栏： matlab 文章标签： matlab 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2501_90314346/article/details/147340084
版权

基于matlab分析的传染病模型，包括SI模型的5种不同模型，注释十分清楚，压缩包包括MATLAB代码文件和一个数模文件如图，直接运行可以出结果，一步一步带领大家理解传染病分析过程，
在这里插入图片描述

文章目录

以下是基于 MATLAB 的传染病模型代码示例，包括 SI、SIS、SIR、SEIR 和 SIRS 五种经典模型。每个模型都有详细的注释，方便理解传染病的分析过程。

1. SI 模型

SI 模型是最简单的传染病模型，假设个体只有两种状态：易感者（S）和感染者（I）。一旦感染，个体永远不会恢复。

MATLAB 实现
% SI 模型
clear; clc;

% 参数定义
N = 1000; % 总人口
I0 = 1; % 初始感染者数量
S0 = N - I0; % 初始易感者数量
beta = 0.3; % 感染率
T = 100; % 模拟时间
dt = 1; % 时间步长

% 初始化
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;

% 动力学方程
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N; % 易感者减少
    dI = beta * S(i-1) * I(i-1) / N; % 感染者增加
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
end

% 绘图
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, I, 'r-', 'LineWidth', 1.5);
xlabel('时间 (天)');
ylabel('人数');
title('SI 模型');
legend('易感者 (S)', '感染者 (I)');
grid on;

2. SIS 模型

SIS 模型允许感染者恢复后重新变为易感者。

MATLAB 实现
% SIS 模型
clear; clc;

% 参数定义
N = 1000; % 总人口
I0 = 1; % 初始感染者数量
S0 = N - I0; % 初始易感者数量
beta = 0.3; % 感染率
gamma = 0.1; % 恢复率
T = 100; % 模拟时间
dt = 1; % 时间步长

% 初始化
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;

% 动力学方程
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N + gamma * I(i-1); % 易感者变化
    dI = beta * S(i-1) * I(i-1) / N - gamma * I(i-1); % 感染者变化
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
end

% 绘图
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, I, 'r-', 'LineWidth', 1.5);
xlabel('时间 (天)');
ylabel('人数');
title('SIS 模型');
legend('易感者 (S)', '感染者 (I)');
grid on;

3. SIR 模型

SIR 模型引入了恢复者（R），感染者恢复后不再具有传染性。

MATLAB 实现
% SIR 模型
clear; clc;

% 参数定义
N = 1000; % 总人口
I0 = 1; % 初始感染者数量
R0 = 0; % 初始恢复者数量
S0 = N - I0 - R0; % 初始易感者数量
beta = 0.3; % 感染率
gamma = 0.1; % 恢复率
T = 100; % 模拟时间
dt = 1; % 时间步长

% 初始化
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
R = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;
R(1) = R0;

% 动力学方程
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N; % 易感者减少
    dI = beta * S(i-1) * I(i-1) / N - gamma * I(i-1); % 感染者变化
    dR = gamma * I(i-1); % 恢复者增加
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
    R(i) = R(i-1) + dR * dt;
end

% 绘图
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, I, 'r-', 'LineWidth', 1.5);
plot(t, R, 'g-', 'LineWidth', 1.5);
xlabel('时间 (天)');
ylabel('人数');
title('SIR 模型');
legend('易感者 (S)', '感染者 (I)', '恢复者 (R)');
grid on;

4. SEIR 模型

SEIR 模型增加了潜伏期（E），即感染者在潜伏期内不具有传染性。

MATLAB 实现
% SEIR 模型
clear; clc;

% 参数定义
N = 1000; % 总人口
E0 = 0; % 初始潜伏者数量
I0 = 1; % 初始感染者数量
R0 = 0; % 初始恢复者数量
S0 = N - E0 - I0 - R0; % 初始易感者数量
beta = 0.3; % 感染率
sigma = 0.2; % 潜伏期转为感染者的速率
gamma = 0.1; % 恢复率
T = 100; % 模拟时间
dt = 1; % 时间步长

% 初始化
t = 0:dt:T;
S = zeros(length(t), 1);
E = zeros(length(t), 1);
I = zeros(length(t), 1);
R = zeros(length(t), 1);
S(1) = S0;
E(1) = E0;
I(1) = I0;
R(1) = R0;

% 动力学方程
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N; % 易感者减少
    dE = beta * S(i-1) * I(i-1) / N - sigma * E(i-1); % 潜伏者变化
    dI = sigma * E(i-1) - gamma * I(i-1); % 感染者变化
    dR = gamma * I(i-1); % 恢复者增加
    
    S(i) = S(i-1) + dS * dt;
    E(i) = E(i-1) + dE * dt;
    I(i) = I(i-1) + dI * dt;
    R(i) = R(i-1) + dR * dt;
end

% 绘图
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, E, 'm-', 'LineWidth', 1.5);
plot(t, I, 'r-', 'LineWidth', 1.5);
plot(t, R, 'g-', 'LineWidth', 1.5);
xlabel('时间 (天)');
ylabel('人数');
title('SEIR 模型');
legend('易感者 (S)', '潜伏者 (E)', '感染者 (I)', '恢复者 (R)');
grid on;

5. SIRS 模型

SIRS 模型允许恢复者失去免疫力并重新变为易感者。

MATLAB 实现
% SIRS 模型
clear; clc;

% 参数定义
N = 1000; % 总人口
I0 = 1; % 初始感染者数量
R0 = 0; % 初始恢复者数量
S0 = N - I0 - R0; % 初始易感者数量
beta = 0.3; % 感染率
gamma = 0.1; % 恢复率
delta = 0.05; % 失去免疫力的速率
T = 100; % 模拟时间
dt = 1; % 时间步长

% 初始化
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
R = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;
R(1) = R0;

% 动力学方程
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N + delta * R(i-1); % 易感者变化
    dI = beta * S(i-1) * I(i-1) / N - gamma * I(i-1); % 感染者变化
    dR = gamma * I(i-1) - delta * R(i-1); % 恢复者变化
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
    R(i) = R(i-1) + dR * dt;
end

% 绘图
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, I, 'r-', 'LineWidth', 1.5);
plot(t, R, 'g-', 'LineWidth', 1.5);
xlabel('时间 (天)');
ylabel('人数');
title('SIRS 模型');
legend('易感者 (S)', '感染者 (I)', '恢复者 (R)');
grid on;

压缩包内容

  1. MATLAB 代码文件:
    • SI_model.m, SIS_model.m, SIR_model.m, SEIR_model.m, SIRS_model.m。
  2. 数模文件:
    • 包含模型的详细说明和参数调节建议。

在这里插入图片描述
这里提供一个基于MATLAB的传染病模型代码示例，包括SI、SIS、SIR、SEIR和SIRS五种不同模型。每个模型都有详细的注释，帮助理解传染病分析过程。

SI 模型

% SI Model
clear; clc;

% Parameters
N = 1000; % Total population
I0 = 1; % Initial infected individuals
S0 = N - I0; % Initial susceptible individuals
beta = 0.3; % Infection rate
T = 100; % Simulation time
dt = 1; % Time step

% Initialize
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;

% Dynamics
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N; % Susceptible change
    dI = beta * S(i-1) * I(i-1) / N; % Infected change
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
end

% Plot
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, I, 'r-', 'LineWidth', 1.5);
xlabel('Time (days)');
ylabel('Number of individuals');
title('SI Model');
legend('Susceptible (S)', 'Infected (I)');
grid on;

SIS 模型

% SIS Model
clear; clc;

% Parameters
N = 1000; % Total population
I0 = 1; % Initial infected individuals
S0 = N - I0; % Initial susceptible individuals
beta = 0.3; % Infection rate
gamma = 0.1; % Recovery rate
T = 100; % Simulation time
dt = 1; % Time step

% Initialize
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;

% Dynamics
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N + gamma * I(i-1); % Susceptible change
    dI = beta * S(i-1) * I(i-1) / N - gamma * I(i-1); % Infected change
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
end

% Plot
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, I, 'r-', 'LineWidth', 1.5);
xlabel('Time (days)');
ylabel('Number of individuals');
title('SIS Model');
legend('Susceptible (S)', 'Infected (I)');
grid on;

SIR 模型

% SIR Model
clear; clc;

% Parameters
N = 1000; % Total population
I0 = 1; % Initial infected individuals
R0 = 0; % Initial recovered individuals
S0 = N - I0 - R0; % Initial susceptible individuals
beta = 0.3; % Infection rate
gamma = 0.1; % Recovery rate
T = 100; % Simulation time
dt = 1; % Time step

% Initialize
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
R = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;
R(1) = R0;

% Dynamics
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N; % Susceptible change
    dI = beta * S(i-1) * I(i-1) / N - gamma * I(i-1); % Infected change
    dR = gamma * I(i-1); % Recovered change
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
    R(i) = R(i-1) + dR * dt;
end

% Plot
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, I, 'r-', 'LineWidth', 1.5);
plot(t, R, 'g-', 'LineWidth', 1.5);
xlabel('Time (days)');
ylabel('Number of individuals');
title('SIR Model');
legend('Susceptible (S)', 'Infected (I)', 'Recovered (R)');
grid on;

SEIR 模型

% SEIR Model
clear; clc;

% Parameters
N = 1000; % Total population
E0 = 0; % Initial exposed individuals
I0 = 1; % Initial infected individuals
R0 = 0; % Initial recovered individuals
S0 = N - E0 - I0 - R0; % Initial susceptible individuals
beta = 0.3; % Infection rate
sigma = 0.2; % Rate at which exposed become infectious
gamma = 0.1; % Recovery rate
T = 100; % Simulation time
dt = 1; % Time step

% Initialize
t = 0:dt:T;
S = zeros(length(t), 1);
E = zeros(length(t), 1);
I = zeros(length(t), 1);
R = zeros(length(t), 1);
S(1) = S0;
E(1) = E0;
I(1) = I0;
R(1) = R0;

% Dynamics
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N; % Susceptible change
    dE = beta * S(i-1) * I(i-1) / N - sigma * E(i-1); % Exposed change
    dI = sigma * E(i-1) - gamma * I(i-1); % Infected change
    dR = gamma * I(i-1); % Recovered change
    
    S(i) = S(i-1) + dS * dt;
    E(i) = E(i-1) + dE * dt;
    I(i) = I(i-1) + dI * dt;
    R(i) = R(i-1) + dR * dt;
end

% Plot
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, E, 'm-', 'LineWidth', 1.5);
plot(t, I, 'r-', 'LineWidth', 1.5);
plot(t, R, 'g-', 'LineWidth', 1.5);
xlabel('Time (days)');
ylabel('Number of individuals');
title('SEIR Model');
legend('Susceptible (S)', 'Exposed (E)', 'Infected (I)', 'Recovered (R)');
grid on;

SIRS 模型

% SIRS Model
clear; clc;

% Parameters
N = 1000; % Total population
I0 = 1; % Initial infected individuals
R0 = 0; % Initial recovered individuals
S0 = N - I0 - R0; % Initial susceptible individuals
beta = 0.3; % Infection rate
gamma = 0.1; % Recovery rate
delta = 0.05; % Rate at which recovered lose immunity
T = 100; % Simulation time
dt = 1; % Time step

% Initialize
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
R = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;
R(1) = R0;

% Dynamics
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N + delta * R(i-1); % Susceptible change
    dI = beta * S(i-1) * I(i-1) / N - gamma * I(i-1); % Infected change
    dR = gamma * I(i-1) - delta * R(i-1); % Recovered change
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
    R(i) = R(i-1) + dR * dt;
end

% Plot
figure;
plot(t, S, 'b-', 'LineWidth', 1.5); hold on;
plot(t, I, 'r-', 'LineWidth', 1.5);
plot(t, R, 'g-', 'LineWidth', 1.5);
xlabel('Time (days)');
ylabel('Number of individuals');
title('SIRS Model');
legend
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/8eff0e4135ad431b8a3fd7046af0d795.png)
根据提供的图片，这是一个基于MATLAB的传染病模型的模拟结果图。图中显示了易感染者（S）、患者（I）、患病死亡人数（ID）和自然死亡人数（ND）随时间的变化情况。下面是一个可能的MATLAB代码示例，用于生成类似的图表。

### MATLAB 代码示例

```matlab
% 参数定义
N = 1000; % 总人口
I0 = 1; % 初始感染者数量
S0 = N - I0; % 初始易感者数量
beta = 0.3; % 感染率
gamma = 0.1; % 恢复率
mu = 0.001; % 自然死亡率
delta = 0.05; % 病死率
T = 100; % 模拟时间
dt = 1; % 时间步长

% 初始化
t = 0:dt:T;
S = zeros(length(t), 1);
I = zeros(length(t), 1);
ID = zeros(length(t), 1);
ND = zeros(length(t), 1);
S(1) = S0;
I(1) = I0;

% 动力学方程
for i = 2:length(t)
    dS = -beta * S(i-1) * I(i-1) / N + mu * (N - S(i-1)); % 易感者变化
    dI = beta * S(i-1) * I(i-1) / N - gamma * I(i-1) - delta * I(i-1); % 患者变化
    dID = delta * I(i-1); % 患病死亡人数变化
    dND = mu * (N - S(i-1) - I(i-1)); % 自然死亡人数变化
    
    S(i) = S(i-1) + dS * dt;
    I(i) = I(i-1) + dI * dt;
    ID(i) = ID(i-1) + dID * dt;
    ND(i) = ND(i-1) + dND * dt;
end

% 绘图
figure;
plot(t, S, 'r-', 'LineWidth', 1.5); hold on;
plot(t, I, 'b-', 'LineWidth', 1.5);
plot(t, ID, 'k-', 'LineWidth', 1.5);
plot(t, ND, 'g-', 'LineWidth', 1.5);
xlabel('时间 (天)');
ylabel('人数');
title('传染病模型');
legend('易感染者 S', '患者 I', '患病死亡人数 ID', '自然死亡人数 ND');
grid on;

代码说明

  1. 参数定义:

    • N: 总人口。
    • I0: 初始感染者数量。
    • S0: 初始易感者数量。
    • beta: 感染率。
    • gamma: 恢复率。
    • mu: 自然死亡率。
    • delta: 病死率。
    • T: 模拟时间。
    • dt: 时间步长。

  2. 初始化:

    • t: 时间向量。
    • S, I, ID, ND: 分别表示易感者、患者、患病死亡人数和自然死亡人数的时间序列。

  3. 动力学方程:

    • dS: 易感者的变化率。
    • dI: 患者的变化率。
    • dID: 患病死亡人数的变化率。
    • dND: 自然死亡人数的变化率。

  4. 绘图:

    • 使用 plot 函数绘制每个状态变量随时间的变化曲线，并添加图例和网格线。

这个代码可以运行并生成一个类似于你提供的图片中的图表。你可以根据需要调整参数和时间范围来观察不同的模拟结果。

数据结构——队列的链式存储（优缺点及代码实现:C语言）
fuckfunk的博客
04-26 1180
详细介绍数据结构中队列的链式存储结构 并通过C语言实现基本操作，最后附有完整示例
数据结构——队列的循环顺序存储（优缺点及代码实现:C语言）
最新发布
fuckfunk的博客
04-26 533
详细介绍数据结构中队列的循环顺序存储结构 并通过C语言实现基本操作，最后附有完整示例
队列的顺序存储结构及实现操作
11-28
队列的顺序存储结构及实现操作，可以AC的~
队列的顺序存储结构(循环队列)
weixin_30634661的博客
08-17 196
// c3-3.h 队列的顺序存储结构(循环队列)(见图3.31) #define MAX_QSIZE 5 // 最大队列长度+1 struct SqQueue { QElemType *base; // 初始化的动态分配存储空间 int front; // 头指针，若队列不空，指向队列头元素 int rear; // 尾指针，若队列不空，指向队列尾元素的下一个位置 }; //...
数据结构之队列的顺序存储以及实现
关注我！带你一路 "狂飙" 到底！
07-29 1269
之前咱们已经学习了数据结构的最基本的线性表的顺序存储和链式存储，以及线性表中经常使用的栈的顺序存储和链式存储，今天咱们主要学习的是队列的顺序存储，注意的地方是，队列也是线性表的一种，所以也是一对一的存在，在使用过程中，一定要主要它的特点。接下来，咱们就来看一下主要内容。 1. 定义 队列是限制在两端进行插入操作和删除操作的线性表，允许进行存入操作的一端称为“队尾”，允许进行删除操作的一端称为“队头”。当线性表中没有元素时，称为“空队”。 2. 特点 先进先出（FIFO）。 3. 队列的定义 （1
队列的顺序存储结构实现
rshchx007的博客
10-14 190
/* sq_queue.c * * Copyright (c) 2020 * Author: plant * * This program is free software; you can redistribute it and/or modify it * under the terms of the GNU General Public License version 2 as published by * the Free Software Foundation; either ver
队列的顺序存储结构及实现
dddgggd的博客
04-19 191
typedef int ElemType; //循环队列类 队尾入队 队顶出队 先进先出 //进队尾指针+1 出队头指针+1 //头指针位置始终是空的，进队时头指针位置不变，出队时尾指针位置不变。 class SeQueue { private: ElemType *elem; int front, rear; public: int MAXSIZE; SeQueue(int LengthInput) //初始化空队列 { elem = new ElemT.
数据结构——C语言描述习题及答案.doc
10-02
在“数据结构——C语言描述习题及答案.doc”这份文档中，我们可以看到一系列关于数据结构和C语言编程的问题。这些问题涵盖了以下几个关键知识点： 1. **数据构造**：数据构造是数据的逻辑组织形式，例如数组、链表...
数据结构（C语言版）——4.1、顺序队列实现
weixin_41600504的博客
10-06 1936
4.1、顺序队列实现 4.1.1、顺序队列说明 和顺序表类似。顺序队列即队列的顺序存储结构是利用一组地址连续的存储单元依次存放 自队头 到队尾 的数据元素，同时附设指针 front 指示队头元素在顺序队列中的位置，设指针 rear 指示队尾元素在顺序队列中的位置。 通常习惯做法，鉴于C语言中数组的下标约定从整数 0 开始，则为了方便，这里队头与队尾指针 front 与 rear 设为 int 变量。 初始状态，front = rear 表示队列为空，每当插入一个新的队列元素时，rear 增 1 （只能从队
队列的顺序存储结构及其基本运算的实现
逆风的方向 更适合飞翔
04-02 2708
代码： #include #include using namespace std; const int maxn=500; typedef struct { int data[maxn]; int front,rear; }queue; //初始化队列 void init(queue *&q) { q=(queue*)malloc(s
队列（顺序存储结构）
atao5566的博客
03-11 231
队列：具有一定操作约束的线性表，只能在一端作插入、删除，与堆栈类似 具有先入先出的特性（First In First Out） 同理，分顺序存储结构、链式存储结构两种形式 队列（顺序存储结构） 通常由一个一维数组和一个队列头元素变量front和一个队列尾元素变量rear组成 加入一个元素rear加1，删除一个元素front加1 空的时候front=rear,但是填满时front...
队列的顺序存储结构
csnd32068的博客
11-26 344
队列的顺序存储结构相对于链式存储结构较为复杂，本文重点介绍队列顺序结构。下面简单的谈两个问题： 1.由于是顺序队列，很容易想到用数组来存储元素，假如一个队列的长度是10，就是一下可以放入10个元素，当9个元素出队后，又放入3个...
数据结构8：队列的顺序存储结构表示和实现
yjsfl_xiang的专栏
04-10 781
1、数据结构的物理存储有顺序和链式之分，
数据结构 3-2-2 队列的顺序存储实现
博客标题不能为空我也没办法
06-29 352
一、概念 顺序结构实现队列，就是用数组来实现，使用front和rear两个变量来确定队头和队尾的位置，和链式结构不同的是这里front和rear是数组下标而不是指针。初始化时将rear和front都初始化为0，这个条件同时也是判断队列是否为空的条件。 顺序结构最重要的地方在于必须要空一个格子来区别队列是满了还是空的。rear记录的是下一个应该添加的位置，front记录的是当前第一个存元素的位置，rear实际上是没有存放元素的，判断队列是否满了的条件是下一个位置已经有元素了，所以rear的位置从此是无法存放数
队列的顺序存储结构C++实现
weixin_43246440的博客
11-03 406
/* * @Description: * @版本: 2.0 * @作者: jianwen * @Date: 2019-11-03 14:40:23 * @LastEditors: jianwen * @LastEditTime: 2019-11-03 15:37:32 */ #include<iostream> using namespace std; #define ...
队列【顺序存储结构及实现】
baidu_31573795的博客
10-18 214
#include "pch.h" #include <stdio.h> #include <stdlib.h> #include <conio.h> #include <string.h> #define MaxSize 5 typedef struct { int data[MaxSize]; int front; /...
队列的顺序存储结构和操作实现
jhlyh的博客
03-31 163
#ifndef QUEUE_H_INCLUDED #define QUEUE_H_INCLUDED typedef int ElemType; typedef struct SequQueue { ElemType *queue; int front, rear; int MaxSize; }Queue; //队列 front指向的为空，即Q->queue[Q->fornt+1]才为队首元素，以便判别队列是否满与空 /************************************
Java基础 - 队列的顺序存储结构及实现
ApatheCrazyFan的博客
11-08 1883
队列（Queue）另外一种被限制的线性表，它使用固定的一端来插入数据，另一端只用于删除元素。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值