微分方程模型
动态模型
- 描述的对象特征随时间(空间)的演变过程
- 分析对象特征的变化规律
- 预报对象特征的未来形态
- 研究控制对象特征的手段
微分方程建模
- 根据函数及其变化率之间的关系确定函数
- 根据建模目的和问题分析做出简化假设
- 按照内在规律或类比法建立微分方程
传染病模型
背景与问题
传染病的极大危害
- 描述传染病的椽笔过程
- 分析受感染人数的变化规律
- 预报传染病高潮到来的时刻
- 预防传染蔓延的手段
基本方法
不是从医学角度饭呢西各种传染病的特殊机理,而是按照传播过程的一般规律建立数学模型
模型1
已感染人数(病人)i(t)
假设:每个病人每天有效接触(足以使人致病)人数为
λ
\lambda
λ
建模:
i
(
t
+
△
t
)
−
i
(
t
)
=
λ
i
(
t
)
△
t
i(t+\bigtriangleup t)-i(t)=\lambda i(t)\bigtriangleup t
i(t+△t)−i(t)=λi(t)△t
t趋向无穷大则感染人数i也趋向无穷大,显然不合理
若有效接触的是病人,则不能使病人数增加,必须区分已感染者(病人)和未感染者(健康人)
模型2 SI模型
区分已感染者和未感染者
假设
- 总人数N不变,病人和健康人的比例为i(t),s(t)
- 每个病人每天右效接触人数为
λ且使接触的健康人致病
建模: N [ i ( t + △ t ) − i ( t ) ] = [ λ s ( t ) ] N i ( t ) t △ N[i(t+\bigtriangleup t)-i(t)]=[\lambda s(t)]Ni(t)t\bigtriangleup N[i(t+△t)−i(t)]=[λs(t)]Ni(t)t△
{ d i d t = λ i ( 1 − i ) i ( 0 ) = i 0 \begin{cases} & \frac{di}{dt}=\lambda i(1-i) \\ & i(0)=i_{0} \end{cases} {dtdi=λi(1−i)i(0)=i0
Logistic模型
t m = λ − 1 l n ( 1 i 0 − 1 ) t_{m}=\lambda ^{-1}ln(\frac{1}{i_{0}}-1 ) tm=λ−1ln(i01−1)
tm传染病感染率最高时期
日接触率λ越低,感染高峰越晚
模型3 SIS模型
传染病无免疫性——病人治愈成为我健康人,健康人可被再次感染
增加假设
3. 病人每天的治愈的比例为μ(μ~ 日治愈率)
建模:
N
[
i
(
t
+
△
t
)
−
i
(
t
)
]
=
[
λ
s
(
t
)
]
N
i
(
t
)
t
△
−
μ
N
i
(
t
)
△
t
N[i(t+\bigtriangleup t)-i(t)]=[\lambda s(t)]Ni(t)t\bigtriangleup -\mu Ni(t)\bigtriangleup t
N[i(t+△t)−i(t)]=[λs(t)]Ni(t)t△−μNi(t)△t
{
d
i
d
t
=
λ
i
(
1
−
i
)
−
μ
i
i
(
0
)
=
i
0
\begin{cases} & \frac{di}{dt}=\lambda i(1-i) -\mu i \\ & i(0)=i_{0} \end{cases}
{dtdi=λi(1−i)−μii(0)=i0
引入
σ
=
λ
μ
\sigma =\frac{\lambda }{\mu }
σ=μλ一个感染期内每个病人的有效接触人数,称为接触数
d
i
d
t
=
−
λ
i
[
i
−
(
1
−
1
σ
)
]
\frac{di}{dt} =-\lambda i[i-(1-\frac{1}{\sigma } )]
dtdi=−λi[i−(1−σ1)]
接触数σ=1 ~ 阈值
模型4 SIR模型
传染病有免疫性——病人治愈后即移出感染系统,称移出者
假设
1.总人数N不变,病人、健康人、移出者比例分别为i(t),s(t),r(t) (i+s+r=1)
2.病人的日接触率λ,日治愈率μ,接触数σ=λ/μ
建模:
s(t)+i(t)+r(t)=1
N
[
i
(
t
+
△
t
)
−
i
(
t
)
]
=
[
λ
s
(
t
)
]
N
i
(
t
)
t
△
−
μ
N
i
(
t
)
△
t
N[i(t+\bigtriangleup t)-i(t)]=[\lambda s(t)]Ni(t)t\bigtriangleup -\mu Ni(t)\bigtriangleup t
N[i(t+△t)−i(t)]=[λs(t)]Ni(t)t△−μNi(t)△t
N
[
i
(
s
+
△
t
)
−
s
(
t
)
]
=
−
λ
N
s
(
t
)
i
(
t
)
△
t
N[i(s+\bigtriangleup t)-s(t)]=-\lambda N s(t)i(t)\bigtriangleup t
N[i(s+△t)−s(t)]=−λNs(t)i(t)△t
{
d
i
d
t
=
λ
s
i
−
μ
i
d
s
d
t
=
−
λ
s
i
i
(
0
)
=
i
0
,
s
(
0
)
=
s
0
\begin{cases} \frac{di}{dt}=\lambda si-\mu i \\ \frac{ds}{dt}=-\lambda si \\ i(0)=i_{0},s(0)=s_{0} \end{cases}
⎩⎪⎨⎪⎧dtdi=λsi−μidtds=−λsii(0)=i0,s(0)=s0
此微分方程组无法求出i(t),s(t)的解析解,初始时期i0+s0≈1(通常r(0)=r0很小
先做数值计算,再在相平面上研究解析解性质
{
d
i
d
t
=
λ
s
i
−
μ
i
,
i
(
0
)
=
i
0
d
s
d
t
=
−
λ
s
i
,
s
(
0
)
=
s
0
\begin{cases} \frac{di}{dt}=\lambda si-\mu i ,i(0)=i_{0}\\ \frac{ds}{dt}=-\lambda si ,s(0)=s_{0} \end{cases}
{dtdi=λsi−μi,i(0)=i0dtds=−λsi,s(0)=s0
整理可得
{
d
i
d
s
=
1
σ
s
−
1
i
∣
s
=
s
0
=
i
0
\begin{cases} \frac{di}{ds}=\frac{1}{\sigma s}-1 \\ i|_{s=s_{0}}=i_{0} \end{cases}
{dsdi=σs1−1i∣s=s0=i0
相轨线
i
(
s
)
=
(
s
0
+
i
0
)
−
s
+
1
σ
i
n
s
s
0
i(s)=(s_{0}+i_{0})-s+\frac{1}{\sigma } in\frac{s}{s_{0}}
i(s)=(s0+i0)−s+σ1ins0s
相轨线i(s)的定义域
D={(s,i)|s≥0,i≥0,s+i≤1}
P1 : s0>1/σ :custom_arrow_right: i(t)先升后降至0 :custom_arrow_right_strong: 传染病蔓延
P2 : s0<1/σ :custom_arrow_right: i(t)先升后降至0 :custom_arrow_right_strong: 传染病不蔓延
预防传染病蔓延的手段
传染病不蔓延的条件——s0<1/σ
- 提高阈值1/σ
降低σ=(λ/μ)
λ(日接触率) :fa-long-arrow-down: :custom_arrow_right_strong: 卫生水平 :fa-long-arrow-up:
μ(日治愈率) :fa-long-arrow-up: :custom_arrow_right_strong:医疗水平 :fa-long-arrow-up: - 降低s0
由于s0+i0+r0=1
要么提高i0,要么提高r0,提高i0则要求全部人感染,显然不可能,则提高r0,即群体免疫
σ估计
s
0
+
i
0
−
s
∞
+
1
σ
l
n
s
∞
s
0
s_{0}+i_{0}-s_{\infty }+\frac{1}{\sigma } ln\frac{s_{\infty }}{s_{0}}
s0+i0−s∞+σ1lns0s∞
初期忽略i0
σ
=
l
n
s
0
−
l
n
s
∞
s
0
−
s
∞
\sigma =\frac{lns_{0}-lns_{\infty }}{s_{0}-s_{\infty}}
σ=s0−s∞lns0−lns∞
被传染人数估计
记被传染人数比例x=s0-s∞
x
≈
2
s
0
σ
(
s
0
−
1
σ
)
x\approx 2s_{0}\sigma (s_{0}-\frac{1}{\sigma } )
x≈2s0σ(s0−σ1)