S（易感者）：缺乏免疫力的健康人，与感染者接触容易感染；
E（暴露者/潜伏期）：接触过感染者或者感染后恢复健康的人，此时并未变成患病者，但不具有传染性；
I （患病者）：需要接受治疗且具有传染性；
R（康复者）：病愈后具有免疫力的人，但不代表没有变成S的可能性。
大部分的传染病模型都是关于时间t的函数
SI模型
不会反复发作的疾病
总人数为N,N=I+S,记i和s为易感者S和患病者I占总数N得比例，S=N
⋅
\cdot
⋅s.
λ
\lambda
λ 是单个患病者（携带病毒可以传染给他人的人）每天能接触到的易感者比例。
患病者每天增加的比例：
d
i
d
t
=
i
×
λ
⋅
s
=
i
×
(
1
−
i
)
λ
\frac{di}{dt}=i\times \lambda \cdot s = i \times (1-i)\lambda
dtdi=i×λ⋅s=i×(1−i)λ
患病者每天增加的数量：
d
I
d
t
=
I
×
λ
⋅
S
/
N
=
I
×
(
1
−
I
)
λ
/
N
\frac{dI}{dt}=I\times \lambda \cdot S/N= I\times (1-I)\lambda /N
dtdI=I×λ⋅S/N=I×(1−I)λ/N
求解得原函数:
I
(
t
)
=
N
1
+
(
N
/
I
0
−
1
)
⋅
e
−
λ
t
I(t)=\frac{N}{1+(N/I_0 - 1)\cdot e^{-\lambda t}}
I(t)=1+(N/I0−1)⋅e−λtN
clc;
close all;
clear all;
I=10;
N=10000;
S=N-I;
lemda=0.1;
t=1:365;
for i=1:(size(t,2)-1)
I(1+i)=I(i)+I(i)*(N-I(i))*lemda/N;
S(1+i)=N-I(1+i);
end
plot(t,I,t,S)
xlabel('时间')
ylabel('人数')
legend('患病者','易感者')
title('SI传染病模型')
亦可以简单理解为 d I d t = β S I \frac{dI}{dt}=\beta S I dtdI=βSI( β \beta β是感染率)
SIS模型
此时只有易感者和患病者两类人群，但会反复发作的疾病。
患病者每天增加的比例：
d
i
d
t
=
i
×
(
1
−
i
)
λ
−
μ
⋅
i
\frac{di}{dt}=i\times(1-i)\lambda \color{red}{-\mu \cdot i}
dtdi=i×(1−i)λ−μ⋅i
患病者每天增加的数量：
d
I
d
t
=
I
×
(
1
−
I
)
λ
/
N
−
μ
⋅
I
\frac{dI}{dt}=I \times (1-I)\lambda/N \color{red}{-\mu \cdot I}
dtdI=I×(1−I)λ/N−μ⋅I
记
α
=
λ
/
μ
\alpha = \lambda / \mu
α=λ/μ
模型可以解得：
当
λ
=
μ
\lambda = \mu
λ=μ时，
i
(
t
)
=
i
0
λ
t
i
0
+
1
i(t)=\frac{i_0}{\lambda t i_0 +1}
i(t)=λti0+1i0
当
λ
≠
μ
\lambda \not ={\mu}
λ=μ时，
i
(
t
)
=
1
1
−
α
−
1
+
i
0
(
1
−
α
−
1
)
e
(
λ
−
μ
)
t
(
1
−
α
−
1
)
−
i
0
i(t)=\frac{1}{1-\alpha^{-1}}+\frac{i_0(1-\alpha^{-1})e^{(\lambda - \mu)t}}{(1-\alpha^{-1})-i_0}
i(t)=1−α−11+(1−α−1)−i0i0(1−α−1)e(λ−μ)t
clc;
close all;
clear all;
I=10;
N=10000;
S=N-I;
lemda=0.1;
mu=0.05;
t=1:365;
for i=1:(size(t,2)-1)
I(1+i)=I(i)+I(i)*(N-I(i))*lemda/N-mu*I(i);
S(1+i)=N-I(1+i);
end
plot(t,I,t,S)
xlabel('时间')
ylabel('人数')
legend('患病者','易感者')
title('SI传染病模型')
亦可以简单理解为 d I d t = β I S − γ I \frac{dI}{dt}=\beta I S-\gamma I dtdI=βIS−γI ( β 是感染率 γ 是治愈率 \beta 是感染率 \gamma 是治愈率 β是感染率γ是治愈率)
SIR模型
患病后康复拥有永久性免疫，康复者可以理解为退出了传染链。
治愈率为
μ
\mu
μ/天。
clc;
close all;
clear all;
I=10;
R=0;
N=10000;
S=N-I;
lemda=0.2;
mu=0.05;
t=1:365;
for i=1:(size(t,2)-1)
I(1+i)=I(i)+I(i)*(N-I(i)-R(i))*lemda/N-mu*I(i);
S(1+i)=S(i)-lemda*I(i)*S(i)/N;
R(1+i)=N-I(1+i)-S(1+i);
end
plot(t,I,t,S,t,R)
xlabel('时间')
ylabel('人数')
legend('患病者','易感者','康复者')
title('SIR传染病模型')
存在微分方程：
d
S
d
t
=
−
β
I
S
\frac{dS}{dt}=- \beta I S
dtdS=−βIS,
d
I
d
t
=
β
I
S
−
γ
I
\frac{dI}{dt}=\beta I S - \gamma I
dtdI=βIS−γI,
d
R
d
t
=
γ
I
\frac{dR}{dt}=\gamma I
dtdR=γI(
β
是感染率
γ
是治愈率
\beta 是感染率 \gamma 是治愈率
β是感染率γ是治愈率)
SIRS SEIR
会反复感染反复患病，病毒存在潜伏期的复杂模型。
-
SIRS 康复者获得短暂的抗体
d S d t = − β S I + α R \frac{dS}{dt}=-\beta S I+ \alpha R dtdS=−βSI+αR,
d I d t = b e t a S I − γ I \frac{dI}{dt}=\\beta S I -\gamma I dtdI=betaSI−γI,
d R d t = γ I − α R \frac{dR}{dt}=\gamma I -\alpha R dtdR=γI−αR
( β 是感染率 γ 是治愈率 α 是复感率 \beta 是感染率 \gamma 是治愈率 \alpha 是复感率 β是感染率γ是治愈率α是复感率) -
SIER 先变成潜伏期患者再发病
d S d t = − β I S \frac{dS}{dt}=- \beta I S dtdS=−βIS,
d E d t = β I S − ( α + γ 1 ) E \frac{dE}{dt}=\beta I S -(\alpha +\gamma _1)E dtdE=βIS−(α+γ1)E
d I d t = α E − γ 2 I \frac{dI}{dt}=\alpha E - \gamma _2 I dtdI=αE−γ2I
d R d t = γ 1 E + γ 2 I \frac{dR}{dt}=\gamma _1 E+\gamma _2 I dtdR=γ1E+γ2I
β \beta β是感染率， γ 1 \gamma _1 γ1为潜伏期康复率， γ 2 \gamma _2 γ2 为患者康复率
function Message_Spread_Mode
tic
load 'Data\Link.txt'; %读入连接矩阵
% load '\Data\Point_X.txt'; %读入横坐标
% load '\Data\Point_Y.txt'; %读入纵坐标
%-------------------------------------------------------------------------%
%状态分布及状态转移概率SEIR
%0:易感状态S（Susceptible） P_0_1; （P_0_3:预免疫系数）
%1:潜伏状态E（Exposed） P_1_0；P_1_2；P_1_3
%2:染病状态I（Infected） P_2_0；P_2_3
%3:免疫状态R（Recovered） P_3_0
%-------------------------------------------------------------------------%
%计算各用户节点的度
De=sum(Link); %用户节点的度
%------------——————----参数设置与说明--------------------------------%
[M N]=size(Link); %连接矩阵的规模
I_E=0.6; %潜伏期E用户的传染强度
I_I=0.9; %发病期I用户的传染强度
lamda=sum(De)/M; %用户单位时间内平均发送信息的数量
%P_m1：用户预免疫系数
%State：用户所处状态State=zeros(1,M);0:表示易感状态（Susceptible）
%---------------------------------1---------------------------------------%
%先讨论用户预免疫系数P_m1对病毒传播的影响
TimeStep=50;%input('短信网络内病毒传播模拟时间：');
P_m1=[0.1,0.5,0.9]; %用户预免疫系数
% State=zeros(TimeStep,M); %用户的状态
G_t=5; %G_t：用户的免疫持续时间，反映了病毒的变异频率
F_t=5; %F_t：用户从发现病毒到杀毒并升级病毒库的时间
for i=1:length(P_m1)
TimeLong_F=zeros(1,M); %用户处于染病期的时间长短
TimeLong_E=zeros(1,M); %用户处于潜伏期的时间长短
Sta=zeros(1,M); %用户的状态
%进行预免疫设定
for j=1:M
if rand(1)<=P_m1(i)
Sta(j)=3; %进入免疫状态
TimeLong_E(j)=1; %出入潜伏期的时间为1
else
continue;
end
end
%状态转换
%初始随机选择一个节点为病源点（此时不能选处于免疫状态的点）
%问题：节点度大小存在差别，可能模拟出来的结果有出于
% 为避免这个问题，我们取度最大的节点为病源节点，如果已免疫，则选次大的，一次下去
[Number,Sta]=Select_Infected_Point(M,Sta,De);
%Number：病源节点
%State ：确定病源节点以后的节点状态矩阵
State=zeros(TimeStep,M);
Number_State=zeros(4,TimeStep); %用户处于个状态的统计数量
for t=1:TimeStep
if t==1
State(t,:)=Sta;
else
%模拟每个用户节点的状态
for j=1:M
%判断用户节点处于什么状态，然后根据其状态确定其转变情况
if State(t-1,j)==0 %此时处于易感状态0，可能向潜伏期转移
Num=Select_Number_Near(j,Link); %找出节点j的邻居节点
P=zeros(1,length(Num)); %邻居节点感染该节点的概率
for k=1:length(Num)
if State(t-1,Num(k))==1 %节点处于潜伏期E（1）
P(k)=I_E/De(Num(k))*sum((lamda.^([1:De(Num(k))]).*exp(-lamda))./...
(factorial([1:De(Num(k))]-1)));
else
if State(t-1,Num(k))==2 %节点处于染病期I（2）
P(k)=I_I/De(Num(k))*sum((lamda.^([1:De(Num(k))]).*exp(-lamda))./(factorial([1:De(Num(k))]-1)));
else
continue;
end
end
end
P_0_1=max(P); %节点感染病毒的概率
if rand<=P_0_1 %此时节点进入潜伏期
State(t,j)=1;
else
State(t,j)=State(t-1,j);
end
else
if State(t-1,j)==1 %此时处于潜伏状态E，可能向易感S，染病I和免疫R转移
if rand<=1/(1+exp(-De(j))) %向染病状态I转移
State(t,j)=2;
TimeLong_F(j)=TimeLong_F(j)+1; %用户j处于染病状态的时间长短
else
if rand<=1/(1+exp(-De(j))) %向易感状态S转移
State(t,j)=0;
else
if rand<=1/(1+exp(-De(j))) %向免疫状态R转移
State(t,j)=3;
TimeLong_E(j)=TimeLong_E(j)+1; %免疫时间增加1
else
State(t,j)=State(t-1,j); %状态不变，依然为潜伏期E（1）
end
end
end
else
if State(t-1,j)==2 %此时处于欺染病状态I，可能向易感S，免疫R转移
if TimeLong_F(j)<=F_t %表示此时用户不对病毒进行任何处理
State(t,j)=State(t-1,j); %此时用户维持在原状态I
TimeLong_F(j)=TimeLong_F(j)+2;
else
%此时用户对进行杀毒并升级病毒库，进入免疫状态R
State(t,j)=3;
TimeLong_F(j)=0; %处于感染期（中毒状态）的时间长度
TimeLong_E(j)=1; %进入免疫期的时间长度
end
else
%此时用户处于免疫期
if TimeLong_E<=G_t %病毒此时并未突变，维持原状态R（免疫状态）
State(t,j)=State(t-1,j);
TimeLong_E(j)=TimeLong_E(j)+1; %处于免疫期的时间增加
else
if rand<=1/G_t %病毒突变，状态转移为易感状态S
State(t,j)=0;
TimeLong_E(j)=0;
else
%此时用户状态依然不变
State(t,j)=State(t-1,j);
TimeLong_E(j)=TimeLong_E(j)+1; %处于免疫期的时间增加
end
end
end
end
end
end
end
%统计各状态的节点数量
Number_State(1,t)=sum(State(t,:)==0);%处于易感状态S的总节点数量
Number_State(2,t)=sum(State(t,:)==1);%处于易感状态E的总节点数量
Number_State(3,t)=sum(State(t,:)==2);%处于易感状态I的总节点数量
Number_State(4,t)=sum(State(t,:)==3);%处于易感状态R的总节点数量
figure(i)
if rem(t,3)==0
plot([t-1 t],[Number_State(1,t-1) Number_State(1,t)],'md-'),hold on
plot([t-1 t],[Number_State(2,t-1) Number_State(2,t)],'gh:'),hold on
plot([t-1 t],[Number_State(3,t-1) Number_State(3,t)],'bs-.'),hold on
plot([t-1 t],[Number_State(4,t-1) Number_State(4,t)],'k.-'),hold on
else
continue;
end
legend('易感状态Susceptible','潜伏状态Exposed','染病状态Infected','免疫状态Recovered')
xlabel('模拟时间')
ylabel('各状态的用户数量')
end
end
P_m1=0.3; %用户预免疫系数
% State=zeros(TimeStep,M); %用户的状态
% G_t=5; %G_t：用户的免疫持续时间，反映了病毒的变异频率
G_t=[1,5,9];
F_t=5; %F_t：用户从发现病毒到杀毒并升级病毒库的时间
for i=1:length(G_t)
TimeLong_F=zeros(1,M); %用户处于染病期的时间长短
TimeLong_E=zeros(1,M); %用户处于潜伏期的时间长短
Sta=zeros(1,M); %用户的状态
%进行预免疫设定
for j=1:M
if rand(1)<=P_m1
Sta(j)=3; %进入免疫状态
TimeLong_E(j)=1; %出入潜伏期的时间为1
else
continue;
end
end
%状态转换
%初始随机选择一个节点为病源点（此时不能选处于免疫状态的点）
%问题：节点度大小存在差别，可能模拟出来的结果有出于
% 为避免这个问题，我们取度最大的节点为病源节点，如果已免疫，则选次大的，一次下去
[Number,Sta]=Select_Infected_Point(M,Sta,De);
%Number：病源节点
%State ：确定病源节点以后的节点状态矩阵
State=zeros(TimeStep,M);
Number_State=zeros(4,TimeStep); %用户处于个状态的统计数量
for t=1:TimeStep
if t==1
State(t,:)=Sta;
else
%模拟每个用户节点的状态
for j=1:M
%判断用户节点处于什么状态，然后根据其状态确定其转变情况
if State(t-1,j)==0 %此时处于易感状态0，可能向潜伏期转移
Num=Select_Number_Near(j,Link); %找出节点j的邻居节点
P=zeros(1,length(Num)); %邻居节点感染该节点的概率
for k=1:length(Num)
if State(t-1,Num(k))==1 %节点处于潜伏期E（1）
P(k)=I_E/De(Num(k))*sum((lamda.^([1:De(Num(k))]).*exp(-lamda))./...
(factorial([1:De(Num(k))]-1)));
else
if State(t-1,Num(k))==2 %节点处于染病期I（2）
P(k)=I_I/De(Num(k))*sum((lamda.^([1:De(Num(k))]).*exp(-lamda))./...
(factorial([1:De(Num(k))]-1)));
else
continue;
end
end
end
P_0_1=max(P); %节点感染病毒的概率
if rand<=P_0_1 %此时节点进入潜伏期
State(t,j)=1;
else
State(t,j)=State(t-1,j);
end
else
if State(t-1,j)==1 %此时处于潜伏状态E，可能向易感S，染病I和免疫R转移
if rand<=1/(1+exp(-De(j))) %向染病状态I转移
State(t,j)=2;
TimeLong_F(j)=TimeLong_F(j)+1; %用户j处于染病状态的时间长短
else
if rand<=1/(1+exp(-De(j))) %向易感状态S转移
State(t,j)=0;
else
if rand<=1/(1+exp(-De(j))) %向免疫状态R转移
State(t,j)=3;
TimeLong_E(j)=TimeLong_E(j)+1; %免疫时间增加1
else
State(t,j)=State(t-1,j); %状态不变，依然为潜伏期E（1）
end
end
end
else
if State(t-1,j)==2 %此时处于欺染病状态I，可能向易感S，免疫R转移
if TimeLong_F(j)<=F_t %表示此时用户不对病毒进行任何处理
State(t,j)=State(t-1,j); %此时用户维持在原状态I
TimeLong_F(j)=TimeLong_F(j)+2;
else
%此时用户对进行杀毒并升级病毒库，进入免疫状态R
State(t,j)=3;
TimeLong_F(j)=0; %处于感染期（中毒状态）的时间长度
TimeLong_E(j)=1; %进入免疫期的时间长度
end
else
%此时用户处于免疫期
if TimeLong_E<=G_t(i) %病毒此时并未突变，维持原状态R（免疫状态）
State(t,j)=State(t-1,j);
TimeLong_E(j)=TimeLong_E(j)+1; %处于免疫期的时间增加
else
if rand<=1/G_t(i) %病毒突变，状态转移为易感状态S
State(t,j)=0;
TimeLong_E(j)=0;
else
%此时用户状态依然不变
State(t,j)=State(t-1,j);
TimeLong_E(j)=TimeLong_E(j)+1; %处于免疫期的时间增加
end
end
end
end
end
end
end
%统计各状态的节点数量
Number_State(1,t)=sum(State(t,:)==0);%处于易感状态S的总节点数量
Number_State(2,t)=sum(State(t,:)==1);%处于易感状态E的总节点数量
Number_State(3,t)=sum(State(t,:)==2);%处于易感状态I的总节点数量
Number_State(4,t)=sum(State(t,:)==3);%处于易感状态R的总节点数量
figure(i+5)
if rem(t,3)==0
plot([t-1 t],[Number_State(1,t-1) Number_State(1,t)],'md-'),hold on
plot([t-1 t],[Number_State(2,t-1) Number_State(2,t)],'gh:'),hold on
plot([t-1 t],[Number_State(3,t-1) Number_State(3,t)],'bs-.'),hold on
plot([t-1 t],[Number_State(4,t-1) Number_State(4,t)],'k.-'),hold on
else
continue;
end
legend('易感状态Susceptible','潜伏状态Exposed','染病状态Infected','免疫状态Recovered')
xlabel('模拟时间')
ylabel('各状态的用户数量')
end
end
P_m1=0.3; %用户预免疫系数
% State=zeros(TimeStep,M); %用户的状态
% G_t=5; %G_t：用户的免疫持续时间，反映了病毒的变异频率
G_t=5;
F_t=[1,5,9]; %F_t：用户从发现病毒到杀毒并升级病毒库的时间
for i=1:length(F_t)
TimeLong_F=zeros(1,M); %用户处于染病期的时间长短
TimeLong_E=zeros(1,M); %用户处于潜伏期的时间长短
Sta=zeros(1,M); %用户的状态
%进行预免疫设定
for j=1:M
if rand(1)<=P_m1
Sta(j)=3; %进入免疫状态
TimeLong_E(j)=1; %出入潜伏期的时间为1
else
continue;
end
end
%状态转换
%初始随机选择一个节点为病源点（此时不能选处于免疫状态的点）
%问题：节点度大小存在差别，可能模拟出来的结果有出于
% 为避免这个问题，我们取度最大的节点为病源节点，如果已免疫，则选次大的，一次下去
[Number,Sta]=Select_Infected_Point(M,Sta,De);
%Number：病源节点
%State ：确定病源节点以后的节点状态矩阵
State=zeros(TimeStep,M);
Number_State=zeros(4,TimeStep); %用户处于个状态的统计数量
for t=1:TimeStep
if t==1
State(t,:)=Sta;
else
%模拟每个用户节点的状态
for j=1:M
%判断用户节点处于什么状态，然后根据其状态确定其转变情况
if State(t-1,j)==0 %此时处于易感状态0，可能向潜伏期转移
Num=Select_Number_Near(j,Link); %找出节点j的邻居节点
P=zeros(1,length(Num)); %邻居节点感染该节点的概率
for k=1:length(Num)
if State(t-1,Num(k))==1 %节点处于潜伏期E（1）
P(k)=I_E/De(Num(k))*sum((lamda.^([1:De(Num(k))]).*exp(-lamda))./...
(factorial([1:De(Num(k))]-1)));
else
if State(t-1,Num(k))==2 %节点处于染病期I（2）
P(k)=I_I/De(Num(k))*sum((lamda.^([1:De(Num(k))]).*exp(-lamda))./...
(factorial([1:De(Num(k))]-1)));
else
continue;
end
end
end
P_0_1=max(P); %节点感染病毒的概率
if rand<=P_0_1 %此时节点进入潜伏期
State(t,j)=1;
else
State(t,j)=State(t-1,j);
end
else
if State(t-1,j)==1 %此时处于潜伏状态E，可能向易感S，染病I和免疫R转移
if rand<=1/(1+exp(-De(j))) %向染病状态I转移
State(t,j)=2;
TimeLong_F(j)=TimeLong_F(j)+1; %用户j处于染病状态的时间长短
else
if rand<=1/(1+exp(-De(j))) %向易感状态S转移
State(t,j)=0;
else
if rand<=1/(1+exp(-De(j))) %向免疫状态R转移
State(t,j)=3;
TimeLong_E(j)=TimeLong_E(j)+1; %免疫时间增加1
else
State(t,j)=State(t-1,j); %状态不变，依然为潜伏期E（1）
end
end
end
else
if State(t-1,j)==2 %此时处于欺染病状态I，可能向易感S，免疫R转移
if TimeLong_F(j)<=F_t(i) %表示此时用户不对病毒进行任何处理
State(t,j)=State(t-1,j); %此时用户维持在原状态I
TimeLong_F(j)=TimeLong_F(j)+2;
else
%此时用户对进行杀毒并升级病毒库，进入免疫状态R
State(t,j)=3;
TimeLong_F(j)=0; %处于感染期（中毒状态）的时间长度
TimeLong_E(j)=1; %进入免疫期的时间长度
end
else
%此时用户处于免疫期
if TimeLong_E<=G_t %病毒此时并未突变，维持原状态R（免疫状态）
State(t,j)=State(t-1,j);
TimeLong_E(j)=TimeLong_E(j)+1; %处于免疫期的时间增加
else
if rand<=1/G_t %病毒突变，状态转移为易感状态S
State(t,j)=0;
TimeLong_E(j)=0;
else
%此时用户状态依然不变
State(t,j)=State(t-1,j);
TimeLong_E(j)=TimeLong_E(j)+1; %处于免疫期的时间增加
end
end
end
end
end
end
end
%统计各状态的节点数量
Number_State(1,t)=sum(State(t,:)==0);%处于易感状态S的总节点数量
Number_State(2,t)=sum(State(t,:)==1);%处于易感状态E的总节点数量
Number_State(3,t)=sum(State(t,:)==2);%处于易感状态I的总节点数量
Number_State(4,t)=sum(State(t,:)==3);%处于易感状态R的总节点数量
figure(i+10)
if rem(t,3)==0
plot([t-1 t],[Number_State(1,t-1) Number_State(1,t)],'md-'),hold on
plot([t-1 t],[Number_State(2,t-1) Number_State(2,t)],'gh:'),hold on
plot([t-1 t],[Number_State(3,t-1) Number_State(3,t)],'bs-.'),hold on
plot([t-1 t],[Number_State(4,t-1) Number_State(4,t)],'k.-'),hold on
else
continue;
end
legend('易感状态Susceptible','潜伏状态Exposed','染病状态Infected','免疫状态Recovered')
xlabel('模拟时间')
ylabel('各状态的人口数量')
end
end
toc
总结：
根据病毒传播特点，建立模型，对模型方程先精简后编程。调节感染率，感染者接触易感者的几率等参数观察图像可以进行基本模拟、预测。
3849
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
