数学建模sir模型python_Python实现简单的SI传播模型

Python实现简单的SI传播模型

9 W1 N' t% O% P% ]9 M#SI疾病传播模型的原理9 k0 t. @& x2 |7 h+ M9 ~* b9 C* X

在经典的传染病模型中，种群(Population)内N个个体的状态可分为如下几类$ K8 m: {+ j- `0 e

4 M) O  A4 `: V1 O& E  U) H" }易感状态(Susceptible)。一个个体在感染前是处于易感状态的，即该个体有可能被邻居个体感染。

% v* X0 d2 ?8 y, Y' ]  p  H易感状态I(Infected)。一个感染上某种病毒的个体就称为是处于感染状态。，即该个体还会以一定概率感染其邻居个体。, y$ b) A  b, V. w& q

移除状态(Remove,Refractory或者Recovered)。也成为免疫状态或恢复状态，当一个个体经历过一个完整的感染周期后，该个体就不再被感染，因此就可以不再考虑改革提。, i& W- F! [! g' H1 U6 c( M

SI传播模型是最简单的疾病传播模型，模型中的所有个体都只可能处于两个状态中的一个

9 C6 U' U" x6 t/ B即易感(S)状态或感染(I)状态。SI模型中的个体一旦被感染后就永远处于感染状态。$ F% e2 @6 C% L) }7 r9 N' _5 I2 q3 R

在给定时刻t，令S(t)与I(t)分别代表该时刻处于易感和感染状态的个体数目，显然有

- z+ e; B6 f: v* q6 N+ PS(t)+I(t)恒等于N，这里，N是个体总数。随着时间t的增长，易感个体与感染个体的接触6 E; w& R. s9 L' J* f3 T

会导致感染个体数量的增加。加入由于个体之间的接触而导致疾病传播的概率为β，疾病仅在; ?+ z5 r) `9 l$ D) P

感染个体和易感个体之间进行接触时才会以概率β将疾病传染给易感个体。在时刻t，易感个体的比例为S(t)/N，感染个体的数量为I(t)，一次，易感个体的数量将以如下变化率减少4 Z* N! G# z3 o3 \4 a" u

ds/dt = -β*S(t)I(t)/N

! d6 e4 y2 L) D2 j同时，感染个体的数量会以与易感个体相反的变化率增加，

" S# S( X" Z; Ids/dt = βS(t)*I(t)/N

+ O! N, ?! ]% c2 ^/ j分别将时刻t处于易感状态和感染状态的个体所占比例记为，

: U7 ^! p. B* Bs(t)=S(t)/N5 M3 X$ M) b) T+ Q; }( {

i(t)=I(t)/N6 X. B/ Z; n  N+ c9 E2 D7 w

显然有，- O) u  @3 M% u5 f

s(t)+i(t)恒等于1，此时之前的公式可以记做9 O( Y" B) P! N- k! s) N2 C

ds/dt=-βsi

2 y$ d( k, J6 n8 R& v* Wdi/dt=βsi

; E  P+ N3 F3 S; B" M即

% P0 x7 P7 N. B+ l7 l7 }di/dt=βi(1-i)( t& @1 G* g* I

上式也成为Logistic增长方程式(Logistic growth equation),

4 `3 I( K/ {1 f1 _& G/ O. B方程的解和图像如图9 x- j# @" g( i6 J* k. _