matlab练习程序（传染病模型）

时间：2020-01-30 17:41:28 阅读：968 评论：0 收藏：0 [点我收藏+]

标签：sed 四种初始 matlab targe ima img dsp aik

最近新型冠状病毒疫情越来越严重了，待在家中没法出去，学习一下经典传染病模型。

这里总结了五个模型，分别是SI模型，SIS模型，SIR模型，SIRS模型，SEIR模型。

这几种模型的特点先介绍一下。

首先定义SEIR：

S为易感者 (Susceptible)，指未得病者，但缺乏免疫能力，与感染者接触后容易受到感染；

E为暴露者 (Exposed)，指接触过感染者，但暂无能力传染给其他人的人，对潜伏期长的传染病适用；

I为感病者 (Infective)，指染上传染病的人，可以传播给 S 类成员，将其变为 E 类或 I 类成员；

R为康复者 (Recovered)，指被隔离或因病愈而具有免疫力的人。如免疫期有限，R 类成员可以重新变为 S 类。

一、SI模型

该模型只考虑易感者和感病者，感病者不断去感染易感者。

随着时间推移，该模型感染者越来越多直到所有人都感染。

其微分方程为：

技术图片

其中beta为感染率。

二、SIS模型

该模型依然只考虑易感者和感病者，感病者不断去感染易感者，这里感病者会得到治疗恢复成易感者，不过恢复后依然可能得病。

随着时间推移，该模型感染者和易感者会达到动态平衡。

其微分方程为：

技术图片

其中beta为感染率，gamma为治愈率。

三、SIR模型

该模型考虑易感者、感病者与康复者，其中感病者不断感染易感者，而感病者又不断接受治疗成为康复者，康复者因为得到抗体不会再成为易感者。

随着时间推移，该模型康复者越来越多，最终所有人都成为康复者。

其微分方程为：

技术图片

其中beta为感染率，gamma为治愈率。

四、SIRS模型

该模型考虑易感者、感病者与康复者，其中感病者不断感染易感者，而感病者不断接受治疗成为康复者，康复者获得抗体能够抵抗一段时间，不过最终还是会成为易感者。

该模型和SIS模型很像，区别就是康复者能够抵抗一段时间，也就是有一定的复感率，而SIS模型的复感率为1。

随着时间推移，该模型同样会达到一个动态平衡。

其微分方程为：

技术图片

其中beta为感染率，gamma为治愈率，alpha为复感率。

五、SEIR模型

该模型四种参与者全部考虑，其中感病者不断感染易感者，易感者得到病毒会成为潜伏者，潜伏者依然能够使易感者感染，潜伏者有一定概率自己痊愈，感染者接受治疗也能够痊愈，痊愈后不再能够感染该病。

随着时间推移，该模型最终也是所有人都会成为康复者。

其微分方程为：

技术图片

其中beta为感染率，gamma1为潜伏期康复率，gamma2为患者康复率，alpha为潜伏期转阳率。

各模型matlab代码如下，其中ode45为4阶龙格库塔法解微分方程，具体实现见上一篇文章：

main.m：

clear all;
close all;
clc;

%%SI模型
[t,h] = ode45(@SI,[0 120],0.01);    %0.01为初始感染人口占比
plot(t,h,‘r‘);
hold on;
plot(t,1-h,‘g‘);
legend(‘感染人口占比I‘,‘健康人口占比S‘);
title(‘SI模型‘)

%%SIS模型
figure;
[t,h] = ode45(@SIS,[0 120],0.01);   %0.01为初始感染人口占比
plot(t,h,‘r‘);
hold on;
plot(t,1-h,‘g‘);
legend(‘感染人口占比I‘,‘健康人口占比S‘);
title(‘SIS模型‘)

%%SIR模型
figure;
[t,h] = ode45(@SIR,[0 300],[0.01 0.99]);    %[初始感染人口占比 初始健康人口占比]
plot(t,h(:,1),‘r‘,t,h(:,2),‘b‘);
hold on;
plot(t,1-h(:,2),‘g‘);
legend(‘感染人口占比I‘,‘健康人口占比S‘,‘治愈人口占比R‘);
title(‘SIR模型‘)

%%SIRS模型
figure;
[t,h] = ode45(@SIRS,[0 300],[0.01 0.99 0]); %[初始感染人口占比 初始健康人口占比 初始治愈人口占比]
plot(t,h(:,1),‘r‘,t,h(:,2),‘b‘);
hold on;
plot(t,h(:,3),‘g‘);
legend(‘感染人口占比I‘,‘健康人口占比S‘,‘治愈人口占比R‘);
title(‘SIRS模型‘)

%%SEIR模型
figure;
[t,h] = ode45(@SEIR,[0 300],[0.01 0.98 0.01 0]);  %[初始感染人口占比 初始健康人口占比 初始潜伏人口占比 初始治愈人口占比]
plot(t,h(:,1),‘r‘);
hold on;
plot(t,h(:,2),‘b‘);
plot(t,h(:,3),‘m‘);
plot(t,h(:,4),‘g‘);
legend(‘感染人口占比I‘,‘健康人口占比S‘,‘潜伏人口占比E‘,‘治愈人口占比R‘);
title(‘SEIR模型‘)

SI.m：

function dy=SI(t,x)
beta = 0.1;    %感染率
dy=beta*x*(1-x);

SIS.m：

function dy=SIS(t,x)
beta = 0.1;    %感染率
gamma= 0.02;    %治愈率
dy=beta*x*(1-x)-gamma*x;

SIR.m：

function dy=SIR(t,x)
beta = 0.1;    %感染率
gamma = 0.02;    %治愈率
dy=[beta*x(1)*x(2)-gamma*x(1);
    -beta*x(1)*x(2)];

SIRS.m：

function dy=SIRS(t,x)
beta = 0.1;      %感染率
gamma = 0.02;    %治愈率
alpha = 0.01;    %治愈复感率
dy=[beta*x(1)*x(2)-gamma*x(1);
    -beta*x(1)*x(2)+alpha*x(3)
    gamma*x(1) - alpha*x(3)];

SEIR.m：

function dy=SEIR(t,x)
beta = 0.1;         %感染率
gamma1 = 0.05;      %潜伏期治愈率
gamma2 = 0.02;      %患者治愈率
alpha = 0.5;        %潜伏期转阳率
dy=[alpha*x(3) - gamma2*x(1);
    -beta*x(1)*x(2);
    beta*x(1)*x(2) - (alpha+gamma1)*x(3);
    gamma1*x(3)+gamma2*x(1)];