六个模型的区别

  • SI-Model

import scipy.integrate as spi

import numpy as np

import matplotlib.pyplot as plt

# N为人群总数

N = 10000

# β为传染率系数

beta = 0.25

# gamma为恢复率系数

gamma = 0

# I_0为感染者的初始人数

I_0 = 1

# S_0为易感者的初始人数

S_0 = N - I_0

# T为传播时间

T = 150

# INI为初始状态下的数组

INI = (S_0,I_0)

def funcSI(inivalue,_):

    Y = np.zeros(2)

    X = inivalue

    # 易感个体变化

    Y[0] = - (beta * X[0] * X[1]) / N + gamma * X[1]

    # 感染个体变化

    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]

    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSI,INI,T_range)

plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')

plt.plot(RES[:,1],color = 'red',label = 'Infection',marker = '.')

plt.title('SI Model')

plt.legend()

plt.xlabel('Day')

plt.ylabel('Number')

plt.show()

  • SIS-Model

import scipy.integrate as spi

import numpy as np

import matplotlib.pyplot as plt

# N为人群总数

N = 10000

# β为传染率系数

beta = 0.25

# gamma为恢复率系数

gamma = 0.05

# I_0为感染者的初始人数

I_0 = 1

# S_0为易感者的初始人数

S_0 = N - I_0

# T为传播时间

T = 150

# INI为初始状态下的数组

INI = (S_0,I_0)

def funcSIS(inivalue,_):

    Y = np.zeros(2)

    X = inivalue

    # 易感个体变化

    Y[0] = - (beta * X[0]) / N * X[1] + gamma * X[1]

    # 感染个体变化

    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]

    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSIS,INI,T_range)

plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')

plt.plot(RES[:,1],color = 'red',label = 'Infection',marker = '.')

plt.title('SIS Model')

plt.legend()

plt.xlabel('Day')

plt.ylabel('Number')

plt.show()

  • SIR-Model

import scipy.integrate as spi

import numpy as np

import matplotlib.pyplot as plt

# N为人群总数

N = 10000

# β为传染率系数

beta = 0.25

# gamma为恢复率系数

gamma = 0.05

# I_0为感染者的初始人数

I_0 = 1

# R_0为治愈者的初始人数

R_0 = 0

# S_0为易感者的初始人数

S_0 = N - I_0 - R_0

# T为传播时间

T = 150

# INI为初始状态下的数组

INI = (S_0,I_0,R_0)

def funcSIR(inivalue,_):

    Y = np.zeros(3)

    X = inivalue

    # 易感个体变化

    Y[0] = - (beta * X[0] * X[1]) / N

    # 感染个体变化

    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]

    # 治愈个体变化

    Y[2] = gamma * X[1]

    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSIR,INI,T_range)

plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')

plt.plot(RES[:,1],color = 'red',label = 'Infection',marker = '.')

plt.plot(RES[:,2],color = 'green',label = 'Recovery',marker = '.')

plt.title('SIR Model')

plt.legend()

plt.xlabel('Day')

plt.ylabel('Number')

plt.show()

  • SIRS-Model

import scipy.integrate as spi

import numpy as np

import matplotlib.pyplot as plt

# N为人群总数

N = 10000

# β为传染率系数

beta = 0.25

# gamma为恢复率系数

gamma = 0.05

# Ts为抗体持续时间

Ts = 7

# I_0为感染者的初始人数

I_0 = 1

# R_0为治愈者的初始人数

R_0 = 0

# S_0为易感者的初始人数

S_0 = N - I_0 - R_0

# T为传播时间

T = 150

# INI为初始状态下的数组

INI = (S_0,I_0,R_0)

def funcSIRS(inivalue,_):

    Y = np.zeros(3)

    X = inivalue

    # 易感个体变化

    Y[0] = - (beta * X[0] * X[1]) / N + X[2] / Ts

    # 感染个体变化

    Y[1] = (beta * X[0] * X[1]) / N - gamma * X[1]

    # 治愈个体变化

    Y[2] = gamma * X[1] - X[2] / Ts

    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSIRS,INI,T_range)

plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')

plt.plot(RES[:,1],color = 'red',label = 'Infection',marker = '.')

plt.plot(RES[:,2],color = 'green',label = 'Recovery',marker = '.')

plt.title('SIRS Model')

plt.legend()

plt.xlabel('Day')

plt.ylabel('Number')

plt.show()

  • SEIR-Model

import scipy.integrate as spi

import numpy as np

import matplotlib.pyplot as plt

# N为人群总数

N = 10000

# β为传染率系数

beta = 0.6

# gamma为恢复率系数

gamma = 0.1

# Te为疾病潜伏期

Te = 14

# I_0为感染者的初始人数

I_0 = 1

# E_0为潜伏者的初始人数

E_0 = 0

# R_0为治愈者的初始人数

R_0 = 0

# S_0为易感者的初始人数

S_0 = N - I_0 - E_0 - R_0

# T为传播时间

T = 150

# INI为初始状态下的数组

INI = (S_0,E_0,I_0,R_0)

def funcSEIR(inivalue,_):

    Y = np.zeros(4)

    X = inivalue

    # 易感个体变化

    Y[0] = - (beta * X[0] * X[2]) / N

    # 潜伏个体变化

    Y[1] = (beta * X[0] * X[2]) / N - X[1] / Te

    # 感染个体变化

    Y[2] = X[1] / Te - gamma * X[2]

    # 治愈个体变化

    Y[3] = gamma * X[2]

    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSEIR,INI,T_range)

plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')

plt.plot(RES[:,1],color = 'orange',label = 'Exposed',marker = '.')

plt.plot(RES[:,2],color = 'red',label = 'Infection',marker = '.')

plt.plot(RES[:,3],color = 'green',label = 'Recovery',marker = '.')

plt.title('SEIR Model')

plt.legend()

plt.xlabel('Day')

plt.ylabel('Number')

plt.show()

  • SEIRS-Model

import scipy.integrate as spi

import numpy as np

import matplotlib.pyplot as plt

# N为人群总数

N = 10000

# β为传染率系数

beta = 0.6

# gamma为恢复率系数

gamma = 0.1

# Ts为抗体持续时间

Ts = 7

# Te为疾病潜伏期

Te = 14

# I_0为感染者的初始人数

I_0 = 1

# E_0为潜伏者的初始人数

E_0 = 0

# R_0为治愈者的初始人数

R_0 = 0

# S_0为易感者的初始人数

S_0 = N - I_0 - E_0 - R_0

# T为传播时间

T = 150

# INI为初始状态下的数组

INI = (S_0,E_0,I_0,R_0)

def funcSEIRS(inivalue,_):

    Y = np.zeros(4)

    X = inivalue

    # 易感个体变化

    Y[0] = - (beta * X[0] * X[2]) / N + X[3] / Ts

    # 潜伏个体变化

    Y[1] = (beta * X[0] * X[2]) / N - X[1] / Te

    # 感染个体变化

    Y[2] = X[1] / Te - gamma * X[2]

    # 治愈个体变化

    Y[3] = gamma * X[2] - X[3] / Ts

    return Y

T_range = np.arange(0,T + 1)

RES = spi.odeint(funcSEIRS,INI,T_range)

plt.plot(RES[:,0],color = 'darkblue',label = 'Susceptible',marker = '.')

plt.plot(RES[:,1],color = 'orange',label = 'Exposed',marker = '.')

plt.plot(RES[:,2],color = 'red',label = 'Infection',marker = '.')

plt.plot(RES[:,3],color = 'green',label = 'Recovery',marker = '.')

plt.title('SEIRS Model')

plt.legend()

plt.xlabel('Day')

plt.ylabel('Number')

plt.show()

潜伏期的高峰都会在传染期高峰的前面

基于python的数学建模---传染病六个模型的更多相关文章

  1. Python小白的数学建模课-09 微分方程模型

    小白往往听到微分方程就觉得害怕,其实数学建模中的微分方程模型不仅没那么复杂,而且很容易写出高水平的数模论文. 本文介绍微分方程模型的建模与求解,通过常微分方程.常微分方程组.高阶常微分方程 3个案例手 ...

  2. 使用Python scipy linprog 线性规划求最大值或最小值(使用Python学习数学建模笔记)

    函数格式 scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='simp ...

  3. 舆论的力量---数学建模初探（SI模型）

    在高中时除了物理竞赛没有学习外,竞赛的五大学科剩下的四门均有所涉猎及参加,因而精力分散太多.因此下定决心大学时可以广泛涉猎知识,但是主攻的竞赛只能有两个ACM和MCM,如今虽然高考完挂,但学术之心尚存 ...

  4. 基于python yield机制的异步操作同步化编程模型

    又一个milestone即将结束,有了些许的时间总结研发过程中的点滴心得,今天总结下如何在编写python代码时对异步操作进行同步化模拟,从而提高代码的可读性和可扩展性. 游戏引擎一般都采用分布式框架 ...

  5. Python小白的数学建模课-B5. 新冠疫情 SEIR模型

    传染病的数学模型是数学建模中的典型问题,常见的传染病模型有 SI.SIR.SIRS.SEIR 模型. 考虑存在易感者.暴露者.患病者和康复者四类人群,适用于具有潜伏期.治愈后获得终身免疫的传染病. 本 ...

  6. Python小白的数学建模课-B6. 新冠疫情 SEIR 改进模型

    传染病的数学模型是数学建模中的典型问题,常见的传染病模型有 SI.SIR.SIRS.SEIR 模型. SEIR 模型考虑存在易感者.暴露者.患病者和康复者四类人群,适用于具有潜伏期.治愈后获得终身免疫 ...

  7. Python小白的数学建模课-B4. 新冠疫情 SIR模型

    Python小白的数学建模课-B4. 新冠疫情 SIR模型 传染病的数学模型是数学建模中的典型问题,常见的传染病模型有 SI.SIR.SIRS.SEIR 模型. SIR 模型将人群分为易感者(S类). ...

  8. Python数学建模-01.新手必读

    Python 完全可以满足数学建模的需要. Python 是数学建模的最佳选择之一,而且在其它工作中也无所不能. 『Python 数学建模 @ Youcans』带你从数模小白成为国赛达人. 1. 数学 ...

  9. Python小白的数学建模课-16.最短路径算法

    最短路径问题是图论研究中的经典算法问题,用于计算图中一个顶点到另一个顶点的最短路径. 在图论中,最短路径长度与最短路径距离却是不同的概念和问题,经常会被混淆. 求最短路径长度的常用算法是 Dijkst ...

  10. Python小白的数学建模课-15.图论基本概念

    图论中所说的图,不是图形图像或地图,而是指由顶点和边所构成的图形结构. 图论不仅与拓扑学.计算机数据结构和算法密切相关,而且正在成为机器学习的关键技术. 本系列结合数学建模的应用需求,来介绍 Netw ...

随机推荐

  1. 第十四章 二进制部署k8s集群的平滑升级

    1.软件包下载 去github上下载较新的Kubernetes软件包https://github.com/ 2.升级说明 升级包括master节点升级和node节点的升级,本章升级至v1.15.12: ...

  2. KingbaseES R3 受限dba影响集群切换

    ​ 一.受限dba功能说明(参考自官方文档) 受限DBA 受限DBA可以对当前DBA的权限进行一定限制.当功能开启后DBA将不能更改以下对象: Table Database Function(by n ...

  3. KingbaseES R6 集群修改ssh端口执行sys_backup.sh备份案例

    数据库环境:** test=# select version(); version ---------------------------------------------------------- ...

  4. 使用Inno Setup 制作软件安装包详细教程(与开发语言无关)

    前言:关于如何制作一个软件安装包的教程,与编程语言无关.以下,请看详情~ 1.下载Inno Setup,下载地址:https://jrsoftware.org/isinfo.php 2.下载最新版本即 ...

  5. Spring配置XML本地提示

    Spring配置XML本地提示:点击eclipse属性-->选择XML Catalog 这里有一点要注意:要选择schema location

  6. OpenDataV低代码平台新增组件流程

    OpenDataV计划采用子库的方式添加子组件,即每一个组件都当做一个子库,子库有自己的依赖,而项目本身的依赖只针对框架,因此每一个组件我们都当做一个子库来开发.下面我带着大家一步步详细的开发一个数字 ...

  7. Kubernetes生态架构图

    图片来源于:https://gitbook.curiouser.top/ 一.kubernetes 集群架构图 二.Openshift or Kubernetes 集群架构图 三.常见的 CI/CD ...

  8. Nexus OSS 3 搭建并配置使用 Docker & Git LFS 仓库

    转载自:https://cloud.tencent.com/developer/article/1010590 1.Nexus OSS 3 介绍 我们知道 Nexus 是一个强大的 Maven 仓库管 ...

  9. flutter系列之:builder为构造器而生

    目录 简介 Builder StatefulBuilder LayoutBuilder 总结 简介 flutter中有很多种Builder,虽然所有的builder都是构造器,但是不同的builder ...

  10. for循环小九九乘法表

    for(int i=1;i<=9;i++) { for(int j=1;j<=i;j++) { System.out.print(i+"*"+j+"=&quo ...