SIR模型的应用 - Influence maximization in social networks based on TOPSIS(3)

梦否

已于 2022-06-17 12:28:15 修改

阅读量1.1k

点赞数 1

分类专栏：论文阅读笔记文章标签： SIR模型

于 2020-10-03 16:37:33 首次发布

本文链接：https://blog.csdn.net/qq_26460841/article/details/108893619

版权

论文阅读笔记专栏收录该内容

21 篇文章 5 订阅

订阅专栏

在Influence maximization in social networks based on TOPSIS一文中，作者利用SIR模型如下：
在这里插入图片描述
即：种子节点处于感染阶段，其余节点处于易感，最终的评判以网络中恢复的人数来判断。
那么，不妨来了解下SIR模型是如何工作的。

`SIR`模型

经典的SIR模型提出比较早，我们都知道它存在三种状态，分别是：
Susceptible：易感人群，指未得病者，但缺乏免疫能力，与感病者接触后容易受到感染；
Infective：感染人群，指染上传染病的人，他可以传播给易感人群；
Removed：移除人群，指因病愈（具有免疫力）或死亡的人。这部分人不再参与感染和被感染过程。

随便百度下，我们都可以看见一些比较复杂的微分公式，如下图：
在这里插入图片描述

那么，接下来就来看看它是如何计算出来的。根据百度百科中介绍SIR模型的建立有几个基本假设：

基本假设

① 总人数N不变，即：不考虑人口的出生、死亡、流动等因素；即：
$S + I + R = N$
② 易感者、感染者和移出者的比例分别是s(t)、i(t)和r(t)，满足：
$s (t) + i (t) + r (t) = 1$
③ 易感者数目S和感染者数目I成正比，比例系数为β(感染系数)；那么，单位时间( $\Delta(t)$ )内被感染的人数就是：
$βNs(t)i(t)\Delta(t)$
可以理解为： $N i (t)$ 表示感染者的总人数，以感染系数 $β$ 进行传播，而这种感染效应作用在以 $s (t)$ 为比例的人群，而传播的时间为 $\Delta(t)$ 。
也就是可以理解为，易感人群在时间 $\Delta(t)$ 内，对易感人群进行的一个感染的结果。
④ 单位时间内从染病者中移出的人数与病人数量成正比，比例系数为γ(恢复系数)，单位时间( $\Delta(t)$ )内移出者的人数为：
$Ni(t)γ\Delta(t)$
和上面的区别在于没有再乘 $r (t)$ 的比例，因为 $\Delta r$ 和 $R$ 实际是无关的（即：现在治愈/死亡多少人和将来能治愈/死亡多少人无直接关系）；而 $\Delta i$ 的产生却和 $I$ 是有关的（即：感染的人数一定是和原先就存在的感染人数是相关的）。

我们可以得出下面的一些结论：

相关结论

① 感染个体的增长率=期望的增长率-死亡/恢复率：
$β s (t) i (t) - γ i (t)$
② 易感个体的下降率：
$β s (t) i (t)$
③ 移除个体的增长率：
$γ i (t)$

易感者从患病到移出的过程可以用微分方程表示如下：
$\begin{cases} \frac{ds(t)}{dt} = - βs(t)i(t) ;\\ \frac{di(t)}{dt} = βs(t)i(t) - γi(t) ;\\ \frac{di(t)}{dt} = γi(t) ;\\ i(0) = i_0 ;\\ s(0) = s_0 ;\\ 通常初始取r(0)=0，i(0) + s(0) + r(0) = 1; \end{cases}$
关于i(t) , s(t) 的非线性微分方程组，没有解析解，只能通过数值计算得到s(t), i(t), r(t)的曲线。

那么，我们不妨用Python来模拟下：

# %matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import odeint


class SIR(object):
    def __init__(self, beta, gama, s0, i0, r0):
        """
        初始化模型参数
        :param beta: 感染系数
        :param gama: 恢复系数
        """
        self.beta = beta
        self.gama = gama
        self.initalization(s0, i0, r0)

    def initalization(self, s0, i0, r0):
        """
        初始化易感者、感染者和移除者在总体人数N中的比例
        :param s0:
        :param i0:
        :param r0:
        :return:
        """
        self.s0 = s0
        self.i0 = i0
        self.r0 = r0

    def sir_model(self, y, t, beta, gama):
        """
        定义模型函数，以输入到odeint()函数
        odeint()函数是scipy库中一个数值求解微分方程的函数
        即：dy/dt = [ds_dt, di_dt, dr_dt]  的微分方程
        """
        s, i, r = y
        ds_dt = - beta * s * i
        di_dt = beta * s * i - gama * i
        dr_dt = gama * i
        return np.array([ds_dt, di_dt, dr_dt])

    def calc(self):
        # 均匀生成1-100的100000个数的时间点
        time = np.linspace(1, 100, 100000)
        # odeint()函数是scipy库中一个数值求解微分方程的函数
        return time, odeint(self.sir_model, [self.s0, self.i0, self.r0], time, args=(self.beta, self.gama))

    def plot(self):
        time, res = self.calc()
        plt.figure()
        plt.plot(time, res[:, 0], label="S(t)")
        plt.plot(time, res[:, 1], label="I(t)")
        plt.plot(time, res[:, 2], label="R(t)")
        plt.legend()
        plt.grid()
        plt.xlabel("time")
        plt.ylabel("proportions")
        plt.title("SIR model simulation")
        plt.show()

if __name__ == '__main__':
    SIR(0.55, 0.1, 0.8, 0.2, 0).plot()