数学建模微分方程模型—

数学建模微分方程模型——传染病模型

病毒也疯狂：细说传染病微分方程模型的那些事儿

“数学是打开科学大门的钥匙，而微分方程则是理解世界变化的密码。”

大家好！今天我们要聊一聊一个既严肃又有趣的话题——传染病微分方程模型。别急，听起来高大上，其实一点也不枯燥。坐稳了，带你穿越数学的时空隧道，揭秘传染病模型的奥秘！

一、前言

传染病模型成为了热门话题。但你知道这些模型是怎么建立的吗？它们背后的数学原理是什么？别担心，即使你数学只学到九九乘法表，今天也能听懂！

二、传染病模型的基本概念

1.1 SIR模型

首先登场的是我们的主角——SIR模型。SIR代表易感者(Susceptible)、感染者(Infected)和康复者(Recovered)。

1.1.1 模型假设

人口固定：没有出生和死亡。
均匀混合：每个人都有可能接触到其他人。
立即感染：易感者接触感染者后立即成为感染者。

1.1.2 微分方程

数学表达如下：
$\begin{cases} \frac{dS}{dt} = -\beta SI \\ \frac{dI}{dt} = \beta SI - \gamma I \\ \frac{dR}{dt} = \gamma I \end{cases}$

其中：

$S$ ：易感者人数
$I$ ：感染者人数
$R$ ：康复者人数
$\beta$ ：传染率
$\gamma$ ：康复率

1.2 模型解析

传染率 $\beta$ ：一个感染者每天能感染的易感者人数。
基本再生数 $R_0 = \dfrac{\beta}{\gamma}$ ：一个感染者在感染期内能感染的人数。

三、实例分析：SIR模型在传染病中的应用

让我们通过一个具体的例子，看看SIR模型是如何运作的。

3.1 参数设定

假设：

总人口 $N = 10000$
初始感染者 $I_0 = 1$
初始易感者 $S_0 = N - I_0 = 9999$
初始康复者 $R_0 = 0$
传染率 $\beta = 0.3$
康复率 $\gamma = 0.1$

3.2 MATLAB代码实现

好了，数学说完了，下面进入实战环节！让我们用MATLAB来模拟这个过程。

% SIR模型模拟
clear; clc; close all;% 参数设置
N = 10000;      % 总人口
beta = 0.3;     % 传染率
gamma = 0.1;    % 康复率
I0 = 1;         % 初始感染者
S0 = N - I0;    % 初始易感者
R0 = 0;         % 初始康复者
tspan = [0 160];% 模拟时间% 初始条件
y0 = [S0; I0; R0];% 微分方程
function dydt = sir_equations(t, y)S = y(1);I = y(2);R = y(3);N = S + I + R;beta = 0.3;gamma = 0.1;dSdt = -beta * S * I / N;dIdt = beta * S * I / N - gamma * I;dRdt = gamma * I;dydt = [dSdt; dIdt; dRdt];
end% 求解微分方程
[t, y] = ode45(@sir_equations, tspan, y0);% 提取结果
S = y(:,1);
I = y(:,2);
R = y(:,3);% 数据可视化
plot(t, S, 'b', 'LineWidth', 1); hold on;
plot(t, I, 'r', 'LineWidth', 1);
plot(t, R, 'g', 'LineWidth', 1);
xlabel('时间');
ylabel('人数');
title('SIR模型模拟传染病传播');
legend('易感者', '感染者', '康复者');
grid on;

3.3 结果分析

运行代码后，我们得到如下图像：
在这里插入图片描述

感染者人数在第50天左右达到峰值。
易感者人数逐渐减少。
康复者人数逐渐增加。

四、深入探讨：模型的改进与扩展

4.1 SEIR模型

考虑潜伏期的影响，引入暴露者(Exposed)，得到SEIR模型。

4.1.1 微分方程

$\begin{cases} \frac{dS}{dt} = -\beta SI \\ \frac{dE}{dt} = \beta SI - \sigma E \\ \frac{dI}{dt} = \sigma E - \gamma I \\ \frac{dR}{dt} = \gamma I \end{cases}$

其中 $\sigma$ 是潜伏率。

4.2 MATLAB代码实现

% SEIR模型模拟
clear; clc; close all;% 参数设置
N = 10000;      
beta = 0.3;     
gamma = 0.1;    
sigma = 0.2;    
I0 = 1;         
E0 = 0;         
S0 = N - I0 - E0; 
R0 = 0;         
tspan = [0 160];% 初始条件
y0 = [S0; E0; I0; R0];% 微分方程
function dydt = seir_equations(t, y)S = y(1);E = y(2);I = y(3);R = y(4);N = S + E + I + R;beta = 0.3;gamma = 0.1;sigma = 0.2;dSdt = -beta * S * I / N;dEdt = beta * S * I / N - sigma * E;dIdt = sigma * E - gamma * I;dRdt = gamma * I;dydt = [dSdt; dEdt; dIdt; dRdt];
end% 求解微分方程
[t, y] = ode45(@seir_equations, tspan, y0);% 提取结果
S = y(:,1);
E = y(:,2);
I = y(:,3);
R = y(:,4);% 数据可视化
plot(t, S, 'b', 'LineWidth', 1); hold on;
plot(t, E, 'm', 'LineWidth', 1);
plot(t, I, 'r', 'LineWidth', 1);
plot(t, R, 'g', 'LineWidth', 1);
xlabel('时间');
ylabel('人数');
title('SEIR模型模拟传染病传播');
legend('易感者', '潜伏者', '感染者', '康复者');
grid on;

4.3 结果分析

在这里插入图片描述

潜伏者人数的引入，使得感染者的峰值出现时间延后。
模型更加贴近现实。

五、参数敏感性分析

5.1 传染率 $\beta$ 的影响

通过改变 $\beta$ 值，观察感染者人数的变化。

5.2 MATLAB代码实现

% 参数敏感性分析
beta_values = [0.1, 0.3, 0.5];
colors = {'r', 'g', 'b'};for i = 1:length(beta_values)beta = beta_values(i);% 其余代码同上，只需修改beta的值% ...% 在循环内绘制感染者曲线plot(t, I, 'Color', colors{i}, 'LineWidth', 2); hold on;
endlegend('\beta=0.1', '\beta=0.3', '\beta=0.5');

5.3 结果分析

传染率越高，感染者峰值越高，疫情爆发越快。
控制传染率是防控疫情的关键。

六、模型的局限性与改进方向

6.1 模型假设的局限

人口固定：现实中存在出生、死亡和迁移。
均匀混合：忽略了社交网络结构。
参数恒定：传染率和康复率可能随时间变化。

6.2 改进方向

引入年龄结构：不同年龄段的传染率不同。
考虑地理因素：使用空间模型。
参数动态调整：结合实时数据，使用机器学习方法。

七、总结

通过今天的分享，我们了解了传染病微分方程模型的基本原理和应用。数学模型虽然有一定的局限性，但在疫情防控中发挥了重要作用。希望大家能对数学建模产生兴趣，用数学的力量为社会做出贡献！

八、参考文献

Kermack, W. O., & McKendrick, A. G. (1927). A Contribution to the Mathematical Theory of Epidemics. Proceedings of the Royal Society A.
Hethcote, H. W. (2000). The Mathematics of Infectious Diseases. SIAM Review.