SI模型

import numpy as np

import matplotlib.pyplot as plt

import smallworld as sw

#邻接矩阵

a = sw.a

# 感染率

beta = sw.beta

#初始患者

origin = sw.origin

def si_(a, beta, origin):

    #总人数

    n = a.shape[0]

    #控制符

    judge = 1

    #未感染人群

    s = np.arange(n)

    s = np.delete(s, origin)

    #上一轮或原先感染人群

    i = origin

    #感染者记录

    r = []

    #感染时间记录

    t = []

    #感染人数记录

    speed = []

    #计时器

    h = 0

    #总感染者

    infected = i

    #开始传播

    while judge == 1:

        temp_i = []

        #感染人数

        m = len(infected)

        for j in range(0, m):

            node = int(infected[j])

            asd = []

            for k in range(0, n):

                if a[node, k] == 1:

                    asd.append(k)

            #感染者邻接的未感染者

            asd2 = np.intersect1d(asd, s)

            #随机生成被感染率

            num = np.random.rand(len(asd2)) - beta

            #该感染者传播的新感染者

            asd_final =[]

            for k in range(0, len(asd2)):

                if num[k] <= 0:

                    asd_final.append(asd2[k])

            #这一轮总的新感染者

            temp_i = np.union1d(temp_i, asd_final)

            s = np.setdiff1d(s, asd_final)

        if len(i) > 0:

            for k in range(0, len(i)):

                r.append(i[k])

                t.append(h)

        #新一轮感染人群

        i = temp_i

        infected = np.union1d(infected, i)

        #所有人都被感染则跳出循环

        if len(s) == 0:

            judge = 0

            if len(i) > 0:

                for k in range(0, len(i)):

                    r.append(i[k])

                    t.append(h)

        speed.append(len(r))

        h = h+1

    coverage = r

    for j in range(h, 2*h):

        speed.append(speed[j-1])

    print(speed)

    plt.plot(speed, "-ro", label='Infectious')

    plt.title('SI')

    plt.legend()

    plt.show()

si_(a, beta, origin)

效果图：

SIR模型

import numpy as np

import matplotlib.pyplot as plt

import smallworld as sw

#邻接矩阵

a = sw.a

#感染率

beta = sw.beta

#复原率

gama = sw.gama

#初始患者

origin = sw.origin

def sir_(a, origin, beta, gama):

    #总人数

    n = a.shape[0]

    #控制符

    judge = 1

    #未感染人群

    s = np.arange(n)

    s = np.delete(s, origin)

    # 未感染人数记录

    snum = list()

    snum.append(len(s))

    #感染人群

    i = origin

    #感染人数记录

    inum = list()

    inum.append(len(i))

    #复原人群

    r = []

    #复原人数记录

    rnum = list()

    rnum.append(0)

    #计时器

    h = 1

    #开始传播

    while judge ==1:

        #新一轮感染者

        temp_i = []

        m = len(i)

        #感染

        for j in range(0, m):

            #感染者

            node = int(i[j])

            asd = []

            for k in range(0, n):

                if a[node, k] == 1:

                    asd.append(k)

            #未被感染者且不为复原者

            asd2 = np.intersect1d(asd, s)

            asd2 = np.setdiff1d(asd2, r)

            num = np.random.rand(len(asd2)) - beta

            #新感染者

            asd_final = []

            for k in range(0, len(asd2)):

                if num[k] <= 0:

                    asd_final.append(asd2[k])

            temp_i = np.union1d(temp_i, asd_final)

            s = np.setdiff1d(s, asd_final)

        #复原

        num = np.random.rand(m) - gama

        asd = []

        asd_final = []

        for k in range(0, m):

            if num[k] <= 0:

                asd.append(k)

                asd_final.append(i[k])

        #原感染者部分复原

        r = np.union1d(r, asd_final)

        i = np.delete(i, asd)

        #这一轮后总感染者

        i = np.union1d(i, temp_i)

        snum.append(len(s))

        inum.append(len(i))

        rnum.append(len(r))

        h = h + 1

        if len(i) == 0:

            judge = 0

    for j in range(h, h*2):

        snum.append(snum[j-1])

        inum.append(inum[j - 1])

        rnum.append(rnum[j - 1])

    plt.plot(snum, "-bo", label='Susceptibles')

    plt.plot(inum, "-ro", label='Infectious')

    plt.plot(rnum, "-go", label='Recovereds')

    plt.title('SIR')

    plt.legend()

    plt.show()

sir_(a, origin, beta, gama)

效果图：

SIS模型

import numpy as np

import matplotlib.pyplot as plt

import BA

import random

#邻接矩阵

a = BA.a

#感染率

beta = 0.6

#复原率

gama = 0.3

#初始感染者

origin = random.sample(range(0, a.shape[0]), 5)

def sis_(a, origin, beta, gama):

    #总人数

    n = a.shape[0]

    #未感染人群

    s = np.arange(n)

    s = np.delete(s, origin)

    #感染人群

    i = origin

    #感染人数记录

    speed = []

    speed.append(len(i))

    #计时器

    h = 1

    while h < 70:

        temp_i = []

        m = len(i)

        for j in range(0, m):

            node = int(i[j])

            asd = []

            for k in range(0, n):

                if a[node, k] == 1:

                    asd.append(k)

            asd2 = np.intersect1d(asd, s)

            num = np.random.rand(len(asd2)) - beta

            asd_final = []

            for k in range(0, len(asd2)):

                if num[k] <= 0:

                    asd_final.append(asd2[k])

            temp_i = np.union1d(temp_i, asd_final)

            s = np.setdiff1d(s, asd_final)

        num = np.random.rand(m) - gama

        asd = []

        asd_final = []

        for j in range(0, m):

            if num[j] <= 0:

                asd.append(j)

                asd_final.append(i[j])

        s = np.union1d(s, asd_final)

        i = np.delete(i, asd)

        i = np.union1d(i, temp_i)

        speed.append(len(i))

        h = h + 1

    snum = []

    for j in range(0, h):

        snum.append(n - speed[j])

    plt.plot(speed, "-ro", label='Infectious')

    plt.plot(snum, "-bo", label='Susceptibles')

    plt.title('SIS')

    plt.legend()

    plt.show()

sis_(a, origin, beta, gama)

效果图：

LT模型

import numpy as np

import smallworld as sw

import networkx as nx

import matplotlib.pyplot as plt

#邻接矩阵

a = sw.a

#节点度数, 1/b是其他节点对该节点的影响力

b = sw.b

#节点阀值

beta = sw.beta

#原激活节点

origin = sw.origin

#超过beta（如50%）的邻接节点处于激活状态，该节点才会进入激活状态

def lt_(a, b, origin, beta):

    #节点数

    n = a.shape[0]

    #控制符

    judge = 1

    #未激活节点

    s = np.arange(n)

    s = np.delete(s, origin)

    #激活节点

    i = origin

    while judge == 1:

        #该轮激活节点

        temp_i = []

        #激活节点个数

        m = len(i)

        for j in range(0, m):

            node = int(i[j])

            asd = []

            for k in range(0, n):

                if a[node, k] == 1:

                    asd.append(k)

            #找到相邻的未激活节点

            asd2 = np.intersect1d(asd, s)

            asd_final = []

            for k in range(0,len(asd2)):

                num = 0

                #该未激活节点相邻的激活节点个数

                for t in range(0, m):

                    if a[int(i[t]), asd2[k]] == 1:

                        num = num + 1

                if 1 / b[asd2[k]] * num >= beta:

                    asd_final.append(asd2[k])

            temp_i = np.union1d(temp_i, asd_final)

            s = np.setdiff1d(s, asd_final)

        #将新激活节点合并到原激活节点中

        i = np.union1d(i, temp_i)

        #如果该轮没有新激活节点，那之后都不会再有，跳出循环

        if len(temp_i) == 0:

            judge = 0

    #输出新的网络状况

    color = []

    for j in range(0, n):

        color.append('b')

    for j in range(0, len(i)):

        color[int(i[j])] = 'r'

    g = nx.from_numpy_matrix(a)

    nx.draw(g, with_labels=True, node_color=color)

    plt.show()

lt_(a, b, origin, beta)

效果图：

数据生成代码（WS）

import numpy as np

import random

import networkx as nx

import matplotlib.pyplot as plt

n = 50

k = 5

p = 0.1

#建立小世界网

def sw_(n, k, p):

    m = np.zeros((n, n), dtype=int)

    #节点度数

    d = np.zeros(n, dtype=int)

    #构建环形网络

    for i in range(0, n):

        for j in range(0, n):

            if j > i and j <= i+k:

                m[i, j] = 1

                m[j, i] = 1

                d[i] = d[i] + 1

                d[j] = d[j] + 1

            if i+k >= n and j <= i+k-n:

                m[i, j] = 1

                m[j, i] = 1

                d[i] = d[i] + 1

                d[j] = d[j] + 1

    #讲规则网络转换为随机网络

    for i in range(0, n):

        for j in range(0, n):

            if m[i, j] == 1:

                rand_num1 = np.random.rand(1)

                if rand_num1 <= p:

                    rand_num2 = np.random.rand(1)

                    temp = np.random.permutation(np.arange(n))

                    if rand_num2 < 0.5:

                        for l in range(0, n):

                            if i != temp[l] and m[i, temp[l]] == 0:

                                m[i, temp[l]] = 1

                                m[temp[l], i] = 1

                                d[j] = d[j] - 1

                                d[temp[l]] = d[temp[l]] + 1

                                break

                    else:

                        for l in range(0, n):

                            if j != temp[l] and m[j, temp[l]] == 0:

                                m[j, temp[l]] = 1

                                m[temp[l], j] = 1

                                d[i] = d[i] - 1

                                d[temp[l]] = d[temp[l]] + 1

                                break

                    m[i, j] = 0

                    m[j, i] = 0

    return m, d

a, b = sw_(n, k, p)

#LT预设

#预设阀值

beta = 0.5

#初始激活节点

q = np.random.randint(10, 15)

origin = random.sample(range(0, n), q)

网络传播模型Python代码实现的更多相关文章

  1. python网络编程——网络IO模型

    1 网络IO模型介绍 服务器端编程经常需要构造高性能的IO模型,常见的IO模型有四种:    (1)同步阻塞IO(Blocking IO):即传统的IO模型.    (2)同步非阻塞IO(Non-bl ...

  2. 数学建模python matlab 编程(疾病传播模型)

    例12:一只游船上有800(1000)人,一名游客不慎患传染病,12(10)小时后有3人发病,由于船上不能及时隔离,问经过60(30)小时,72小时,患此病的人数.(与人口模型和Logistic模型类 ...

  3. 隐马尔科夫模型，第三种问题解法，维比特算法（biterbi) algorithm python代码

    上篇介绍了隐马尔科夫模型 本文给出关于问题3解决方法,并给出一个例子的python代码 回顾上文,问题3是什么, 下面给出,维比特算法(biterbi) algorithm 下面通过一个具体例子,来说 ...

  4. 导出pb模型之后测试的python代码

    链接:https://blog.csdn.net/thriving_fcl/article/details/75213361 saved_model模块主要用于TensorFlow Serving.T ...

  5. 一个 11 行 Python 代码实现的神经网络

    一个 11 行 Python 代码实现的神经网络 2015/12/02 · 实践项目 · 15 评论· 神经网络 分享到:18 本文由 伯乐在线 - 耶鲁怕冷 翻译,Namco 校稿.未经许可,禁止转 ...

  6. 基于深度学习的人脸性别识别系统（含UI界面，Python代码）

    摘要:人脸性别识别是人脸识别领域的一个热门方向,本文详细介绍基于深度学习的人脸性别识别系统,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面.在界面中可以选择人脸图片.视频进行检 ...

  7. 学习TensorFlow，浅析MNIST的python代码

    在github上,tensorflow的star是22798,caffe是10006,torch是4500,theano是3661.作为小码农的我,最近一直在学习tensorflow,主要使用pyth ...

  8. 利用Python中的mock库对Python代码进行模拟测试

    这篇文章主要介绍了利用Python中的mock库对Python代码进行模拟测试,mock库自从Python3.3依赖成为了Python的内置库,本文也等于介绍了该库的用法,需要的朋友可以参考下     ...

  9. 教你用一行Python代码实现并行（转）

    教你用一行Python代码实现并行 本文教你通过一行Python实现并行化. Python在程序并行化方面多少有些声名狼藉.撇开技术上的问题,例如线程的实现和GIL,我觉得错误的教学指导才是主要问题. ...

随机推荐

  1. Linux创建Jenkins启动脚本以及开机启动服务

    1.jenkins.sh #!/bin/bash ###主要目的用于开机启动服务,不然 启动jenkins.war包没有java -jar的权限 JAVA_HOME=/usr/lib/jdk1.8.0 ...

  2. js-01-基础知识

    一.JS变量的声明.数据类型和变量的转换 1.js变量声明关键字:var 注意:a:js变量区分大小写: b:js中字符串可使用双引号,也可使用单引号: c:js中可声明同名变量,控制台不会报错,但后 ...

  3. springboot传值踩坑

    由于我现在写的项目都是前后端分离的,前端用的是vue,后端springboot,于是前后端传值的问题就是一个比较重要的问题,为此我还特意去学了一下vue的传值,其实就是用一个axios组件,其实就是基 ...

  4. 修改vscode的文件，对应的磁盘文件不改变

    两种解决办法: 首先:修改VSCode默认配置文件,点击左下角设置标志图 -> 设置,出来了设置相关的东西,搜索 files.autoSave 第一种:把"files.autoSave ...

  5. 搭建虚拟机+静态IP+XShell管理虚拟机+jdk+tomcat热部署

    第一步:搭建虚拟机 大家可以参考http://blog.csdn.net/u012453843/article/details/68947589这篇博客进行学习 第二步:配置静态IP并且要能上网 大家 ...

  6. oracle数据库system表空间增长过大的问题

    网上些解决方法,就是关闭审计,之前也有同事推荐这样,下面就是关闭审计的步骤. VALUE=DB即审计开启,改成FALSE即可. SQL> show parameter audit_trail; ...

  7. 连接查询 变量、if else、while

    连接查询 变量.if else.while   一.连接查询:通过连接运算符可以实现多个表查询. 连接是关系数据库模型的主要特点,也是它区别于其它类型数据库管理系统的一个标志. 常用的两个链接运算符: ...

  8. VM虚拟机安装无法将值写入注册表.....请确认你是否有足够的权限访问该注册表项,或者与技术支持人员联系。

    解决方法: 关掉360安全卫士等软件再安装

  9. Hazelcast介绍

    Hazelcast介绍 什么时侯需要用例 内存中分布式计算 场景分布式消息 特性 全景 Distributed Maps 一个结点中分区 Hazelcast中的分片也称为分区,Hazelcast默认2 ...

  10. tensorflow和pytorch教程

    https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book