数学建模-传染病模型-(1)
关于数学建模之传染病模型.docx
第五章微分方程模型如果象的某特性是随（或空）化的，那么分析它的化律，它的未来性，通常要建立此象的模型，就是微分方程模型.§1传染病模型建立染病的数学模型来描述染病的播程，分析受感染人数的化律，染病高潮的到来等，一直是各国有关家和官关注的.考某地区的染病的染情况，地区人口数N ，既不考生死，也不考迁移，以天量位.一. SI模型假条件：1.人群分易感染者 ( Susceptible ) 和已感染者 ( Infective ) 两人，称健康人和病人，在刻t 两人在人数中所占比例分作s t 和 i t .2. 每个病人每天有效接触的平均人数是( 常数 ) ，称日接触率，当病人与健康人有效接触，使健康者受感染病人.建立描述 i t化的数学模型 .解：s t i t1s t N i t N N由假 2 知，每个病人每天可使s t 个健康者病人，又由于病人数N i t ，每天共有s t N i t个健康人被感染 .于是N si 就是病人数 N i的增加率，即有N di N si ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(1)dtdi1.si 而s i又记初始时刻 ( t0 ) 病人的比例为 i 0 ，则dii 1idti 0 i 0这就是 Logistic模型，其解为i t1 111 e ti 0［结果分析］作出 i t ~ t 和di~ i 的图形如下：dtdi idtdi 1 dt m2t mt1i21. 当 i1 时， di取到最大值 di ，此时刻为2 dtdtmt m1ln 11i 02. 当 t时， i 1即所有人终将被传染，全变为病人（这是不实际的）.二 . SIS 模 型在前面假设 1、2 之下，再考虑病人可以医治，并且有些传染病如伤风、痢疾等愈后免疫力很低，可以假定无免疫性，于是病人被治愈后变成健康者，健康者还可以被感染再变成病人，此模型称SIS 模型 .假设 1、 2 同 SI 模型，增加假设:3. 病人每天被治愈的人数占病人总数的比例为，称为日治愈率. 病人治愈后成为易感染者（健康人）. 显然1是这种传染病的平均传染期.解：在假设1、2、 3 之下，模型（ 1）修正为N diN iNsidtdiii 1 i于是dti 0i0解得1i 0 i t11e－1t,t,i 0［结果分析］1. 令.＝注意到和 1的含义，可知是一个传染期内每个病人有效接触的平均人数，称为接触数 .111i1i i11i 01111 i00t0t当1，病人比例i t越来越小，最于零.1，i t的增减性取决于i0的大小，其极限 i 1当1.3. SI 模型是 SIS 模型中0 的情形.三 . SIR模型大多数染病如天花、流感、肝炎、麻疹等治愈后均有很的免疫力，所以病愈的人既非健康者, 也非病人 , 他已退出染系，此模型的假1. 人群分健康者、病人和病愈免疫的移出者三，称SIR 模型 . 三人在人数N 中占的比例分作s i 、 i t和 r t .1. 病人的日接解率，日治愈率（与 SIS模型相同），染期接触数＝.解：由假1，有s t i t r t1ds di dr0 dt dt dt由假2，得N drN idisi N i N dtNdtdridt又 s 0s0 , i 0i0 , r 00 disi idt于是disi idtdssi⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(2) dti 0i0 , s 0s0我在相平面上来解的性.精选文库相的定域D s, i s0, i0,s i 1由 (2) 式消去dt，得di11ds s里i s s0i 0解得 i s0i 0- s 1 ln s⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(3)s0在定域 D 内，(3)式表示的曲即相.。
数学建模传染病模型例题
数学建模传染病模型例题（最新版）目录一、引言二、数学建模传染病模型的基本概念1.SEIR 模型2.SIS 模型3.SIR 模型三、数学建模传染病模型的例题1.模型假设2.模型建立3.模型求解四、结论正文一、引言随着全球化的发展，传染病的传播越来越引起人们的关注。
为了更好地预测和控制传染病的传播，数学建模传染病模型被广泛应用。
本文将以数学建模传染病模型为例，介绍相关的模型概念和例题。
二、数学建模传染病模型的基本概念（1）SEIR 模型SEIR 模型是传染病数学模型中最基本的模型之一，它将人群分为四类：易感者 (Susceptibles)、暴露者 (Exposed)、感染者 (Infectives) 和抵抗者 (Resistances)。
该模型假设人群数量不变，感染者会以一定的速率传染给易感者，同时易感者会以一定的速率转变为暴露者，暴露者在一定时间后转为感染者，感染者又会在一定时间后转为抵抗者。
（2）SIS 模型SIS 模型是 SEIR 模型的一种特殊形式，它将人群分为易感者(Susceptibles)、感染者 (Infectives) 和恢复者 (Recovered) 三类。
该模型假设易感者与感染者的接触会导致疾病传播，感染者会在一定时间后恢复为易感者，恢复者则具有免疫力。
（3）SIR 模型SIR 模型是另一种常见的传染病数学模型，它将人群分为易感者(Susceptibles)、感染者 (Infectives) 和恢复者 (Recovered) 三类。
与 SIS 模型不同的是，SIR 模型假设感染者会以一定的速率恢复为易感者，而恢复者则具有免疫力。
SIR 模型适用于短期传染病，例如流感。
三、数学建模传染病模型的例题假设某个地区有 10000 人，其中易感者占 80%，感染率为 0.01，恢复率为 0.9。
我们需要建立一个数学模型来预测疾病传播的过程。
（1）模型假设我们假设疾病传播满足 SEIR 模型，人群分为易感者、暴露者、感染者和恢复者四类。
数学建模-传染病模型-(1)
模型1
在这个最简单的模型中，设时刻t的病人人数x(t)是连续、可微函数，
方程（1）的解为
结果表明，随着t的增加，病人人数x(t)无限增长，这显然是不符合实际的。
群体免疫和预防：
根据对SIR模型的分析,当 时传染病不会蔓延.所以为制止蔓延,除了提高卫生和医疗水平,使阈值1/σ变大以外,另一个途径是降低 ,这可以通过比如预防接种使群体免疫的办法做到.
忽略病人比例的初始值 有 ,于是传染病不会蔓延的条件 可以表为
这就是说，只要通过群体免疫使初始时刻的移出者比例（即免疫比例）就可以制止传染病的蔓延。
传染病模型
医学科学的发展已经能够有效地预防和控制许多传染病，但是仍然有一些传染病暴发或流行，危害人们的健康和生命。
社会、经济、文化、风俗习惯等因素都会影响传染病的传播，而最直接的因素是：传染者的数量及其在人群中的分布、被传染者的数量、传播形式、传播能力、免疫能力等。
一般把传染病流行范围内的人群分成三类：S类，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；I类，感病者(Infective)，指染上传染病的人，它可以传播给S类成员；R类，移出者(Removal)，指被隔离或因病愈而具有免疫力的人。
3 单位时间内病愈免疫的人数与但是的病人人数成正比，比例系数l。称为恢复系数。
在以上三个基本假设条件下，易感染者从患病到移出的过程框图表示如下：
模型结构
在假设1中显然有：
s(t) + i(t) + r(t) = 1（1）
数学建模传染病模型例题
数学建模传染病模型例题一、传染病模型简介传染病模型是数学建模的一个重要分支，主要用于描述传染病在人群中的传播规律。
通过构建合适的数学模型，可以研究传染病的传播动力学、预测疫情发展趋势以及评估防控措施的效果。
本文将重点介绍几种常见的传染病模型及其应用。
二、传染病模型的类型及应用1.SIR模型SIR模型是一种基于微分方程的传染病模型，其中S、I、R分别代表易感者（Susceptible）、感染者（Infected）和康复者（Recovered）。
该模型通过描述易感者感染、感染者康复以及康复者不再易感的动态过程，揭示了传染病在人群中的传播规律。
SIR模型在分析疫情爆发、研究防控措施等方面具有广泛应用。
2.SEIR模型SEIR模型是在SIR模型基础上发展的一种传染病模型，其中E代表潜伏者（Exposed）。
与SIR模型相比，SEIR模型增加了潜伏期这一概念，使得模型更加符合实际情况。
该模型可以用于研究传染病的传播速度、预测疫情发展趋势以及评估疫苗的效果。
3.SI模型SI模型是一种简化的传染病模型，仅包含易感者和感染者两个群体。
该模型适用于分析短期传染病，如流感等。
通过研究易感者与感染者的动态关系，可以预测疫情爆发的时间和规模。
三、传染病模型的参数估计与预测传染病模型的参数估计是数学建模的关键环节，通常采用最大似然估计、贝叶斯估计等方法。
此外，基于传染病模型的预测技术在疫情防控中也具有重要意义。
通过构建时间序列模型，如ARIMA、SVM等，可以预测未来一段时间内疫情的发展趋势。
四、数学建模在传染病防控中的实际应用数学建模在传染病防控中具有广泛应用，如疫情监测、防控措施评估、疫苗研究等。
通过对传染病模型的深入研究，可以为政府部门提供科学依据，协助制定针对性的防控策略。
五、案例分析本文将结合具体案例，如我国2003年非典疫情、2020年新冠肺炎疫情等，详细阐述传染病模型在实际应用中的重要作用。
通过分析案例，可以加深对传染病模型的理解，为今后疫情防控提供借鉴。
传染病数学建模
传染病数学建模
传染病数学建模是一种使用数学方法来描述和预测传染病传播过程的手段。
通过建立数学模型，研究人员可以更好地理解疾病的传播机制，预测其在未来的发展趋势，并为防控措施的制定提供科学依据。
在传染病数学建模中，常见的模型有SIR 模型、SEIR 模型、SEIRS 模型等。
这些模型通过定义不同的状态变量来描述人群中不同个体的状态，如易感者（Susceptible）、感染者（Infected）、康复者（Recovered）等。
然后，通过建立微分方程或差分方程来描述这些状态变量之间的动态关系。
在SIR 模型中，假设人群中只有易感者和感染者两种状态，感染者经过一段时间后会自行康复并获得免疫力。
在SEIR 模型中，增加了“暴露”状态，表示已经接触但尚未表现出症状的个体。
而在SEIRS 模型中，除了“暴露”状态外，还增加了“易感”状态，表示从未被感染过且没有免疫力的人群。
除了以上提到的模型外，还有许多其他的数学模型用于描述传染病传播过程，如基于agent 的模型、网络模型、元胞自动机模型等。
这些模型各有优缺点，需要根据具体的研究问题和数据来选择合适的模型。
总之，传染病数学建模是一种重要的研究手段，可以帮
助我们更好地理解疾病的传播机制和预测未来的发展趋势。
通过建立数学模型，我们可以更好地制定防控措施，减少疾病的传播和影响。
数学建模传染病模型例题
以下是一个简单的数学建模传染病模型的例题：
问题：假设有一个小岛上住着100个人，其中有1个是传染病源。
初始时，这个人不知道自己已经患病，所以没有采取隔离措施。
其他人也不知道有传染病源在岛上。
假设每天，每个健康的人都有可能接触并感染患病的人，感染的概率是p。
另外，健康的人每天也有1个单位的时间用于自我保护，减少被感染的风险。
假设在t天后，岛上有x个人被感染。
我们需要找出p和时间t的关系，以及如何通过调整p来控制传染病的传播。
假设：
1. 每个人每天只能接触一次患病的人。
2. 每个人每天有1个单位的时间用于自我保护。
3. 每个人接触患病的人后，有p的概率被感染。
4. 初始时，只有1个人是患病者。
5. 没有新的外来感染者进入岛上。
模型建立：
根据上述假设，我们可以建立如下的微分方程模型：
dx/dt = p * (100 - x) * (1/100) - x/100
其中，x表示被感染的人数，p表示感染概率，t表示时间。
求解模型：
通过求解这个微分方程模型，我们可以得到x与t的关系。
由于这个方程较为简单，我们可以直接求解它，找出x的解。
然后我们可以根据解的情况，讨论p对x的影响，从而找到控制传染病传播的方法。
通过上述模型和求解过程，我们可以了解传染病的传播情况以及如何通过调整感染概率p来控制其传播。
这个例题可以帮助我们理解数学建模在传染病控制中的应用，并为实际的传染病控制提供理论支持。
传染病的数学模型(一)
传染病的数学模型（一）引言概述：传染病的数学模型是通过数学方法对传染病的传播过程进行建模和预测的一种方法。
它可以帮助我们理解传染病的传播规律、评估控制措施的有效性，从而指导公共卫生决策。
本文将从概念、数学模型建立、参数估计、应用案例和局限性五个方面阐述传染病的数学模型。
正文内容：一、概念1. 传染病传播过程的基本概念2. 数学模型在理解传染病传播规律中的作用3. 传染病传播的主要途径及其模型4. 传染病的基本流行病学指标5. 常见传染病的数学模型分类及特点二、数学模型建立1. 传染病传播的动力学模型建立过程2. 常见数学模型的基本方程及假设3. 数学模型的参数选择和数据需求4. 模型的数值解和模拟仿真方法5. 模型灵敏度分析和鲁棒性评估方法三、参数估计1. 传染病传播参数的基本概念和估计方法2. 基于数据的参数估计方法及其优缺点3. 遗传算法在参数估计中的应用4. 参数不确定性分析及其影响5. 基于多源数据的参数估计方法及其应用四、应用案例1. 传染病模型在疫情预测中的应用2. 传染病模型在控制措施评估中的应用3. 传染病模型在疫苗接种策略优化中的应用4. 传染病模型在早期预警系统中的应用5. 传染病模型在流行病学调查分析中的应用五、局限性1. 数学模型的假设和简化带来的局限性2. 数据不确定性对模型预测的影响3. 模型的敏感性和鲁棒性问题4. 非线性和时空不均匀性问题的处理5. 模型的外推和推广的合理性评价总结：传染病的数学模型在理解传染病传播规律、预测疫情发展趋势、评估防控措施等方面发挥着重要作用。
通过建立合理的数学模型并进行参数估计，我们能够更好地了解传染病的特点和传播规律，并以此为基础制定出合理的公共卫生决策。
然而，数学模型也存在一定的局限性，需要充分考虑数据不确定性、模型的假设简化以及非线性和时空不均匀性等问题。
因此，在使用传染病的数学模型时，我们需要谨慎并结合其他数据和方法进行综合分析。
微积分方法建模12传染病模型--数学建模案例分析
§12 传染病模型建立传染病模型的目的是描述传染过程、分析受感染人数的变化规律、预报高潮期到来的时间等等。
为简单起见假定，传播期间内所观察地区人数N 不变，不计生死迁移，时间以天为计量单位。
模型（一）（SI 模型） 模型假设1、人群分为健康者和病人，在时刻t 这两类人中所占比例分别为)(t s 和)(t i ，即1)()(=+t i t s 。
2、平均每个病人每天有效接触人数是常数λ，即每个病人平均每天使)(t s λ个健康者受感染变为病人，λ称为日接触率。
模型建立与求解据假设，在时刻t ，每个病人每天可使)(t s λ个健康者变成病人，病人数为)(t Ni ，故每天共有)()(t i t Ns λ个健康者被感染，即Nsi dtdiNλ= 又由假设1和设0=t 时的比例0i ，则得到模型⎪⎩⎪⎨⎧=-=0)0()1(i i i i dt diλ （1）（1）的解为te i t i λ--+=)11(11)(0（2）21i m dtdi )(m 21i模型解释1、当21=i 时，dt di 达最大值，这个时刻为)11ln(01-=-i t m λ，即高潮到来时刻，λ越大，则m t 越小。
2、当∞→t 时1→i ，这即所有的人都被感染，主要是由于没有考虑病人可以治愈，只有健康者变成病人，病人不会再变成健康者的缘故。
模型（二）（SIS 模型） 在模型（一）中补充假设3、病人每天被治愈的占病人总数的比例为μ，称为日治愈率。
模型修正为⎪⎩⎪⎨⎧=--=0)0()1(i i ii i dt diμλ （t 时刻每天有μNi 病人转变成健康者） （3）（3）的解为⎪⎪⎩⎪⎪⎨⎧=+≠--+-=----μλλμλμλλμλλμλ101)(0)1(])1([)(i t e i t i t （4） 可以由（3）计算出使dt di 达最大的高潮期m t 。
（dt di 最大值m dt di )(在λμλ2-=i 时达到）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
传染病模型医学科学的发展已经能够有效地预防和控制许多传染病，但是仍然有一些传染病暴发或流行，危害人们的健康和生命。
社会、经济、文化、风俗习惯等因素都会影响传染病的传播，而最直接的因素是：传染者的数量及其在人群中的分布、被传染者的数量、传播形式、传播能力、免疫能力等。
一般把传染病流行范围内的人群分成三类：S 类，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；I 类，感病者(Infective)，指染上传染病的人，它可以传播给S 类成员；R 类，移出者(Removal)，指被隔离或因病愈而具有免疫力的人。
问题提出请建立传染病模型，并分析被传染的人数与哪些因素有关？如何预报传染病高潮的到来?为什么同一地区一种传染病每次流行时，被传染的人数大致不变？关键字:传染病模型、建模、流行病摘要：随着卫生设施的改善、医疗水平的提高以及人类文明的不断发展，诸如霍乱、天花等曾经肆虐全球的传染性疾病已经得到有效的控制。
但是一些新的、不断变异着的传染病毒却悄悄向人类袭来。
20世纪80年代十分险恶的爱滋病毒开始肆虐全球，至今带来极大的危害。
还有最近的SARS 病毒和禽流感病毒，都对人类的生产生活造成了重大的损失。
长期以来，建立制止传染病蔓延的手段等，一直是各国有关专家和官员关注的课题。
不同类型传染病的传播过程有其各自不同的特点，弄清这些特点需要相当多的病理知识，这里不可能从医学的角度一一分析各种传染病的传播，而只是按照一般的传播模型机理建立几种模型。
模型1在这个最简单的模型中，设时刻t 的病人人数x(t)是连续、可微函数，病人人数的增加，就有到考察的人数为常数足使人致病接触并且每天每个病人有效t t t ∆+λ)(t t x t x t t x ∆=-∆+)()()(λ程有个病人，即得微分方时有再设00x t =)1()0(,d d 0x x x tx==λ方程（1）的解为 )2()(0te x t x λ=结果表明，随着t 的增加，病人人数x(t)无限增长，这显然是不符合实际的。
建模失败的原因在于：在病人有效接触的人群中，有健康人也有病人，而其中只有健康人精品文档。
1欢迎下载才可以被传染为病人，所以在改进的模型中必须区别健康人和病人这两种人。
模型2 SI 模型假设条件为1.在疾病传播期内所考察地区的总人数N 不变，即不考虑生死，也不考虑迁移。
人群分为易感染者即健康人（Susceptible ）（S ）和已感染者即病人（Infective ）（i ）两类（取两个词的第一个字母，称之为SI 模型），以下简称健康者和病人。
时刻t 这两类人在总人数中所占比例分别记作s(t)和i(t)。
2.每个病人每天有效接触的平均人数是常数λ，称为日接触率。
当病人与健康者接触时，使健康者受感染变为病人。
的增加率，即就是病人数个健康者被感染，于是有，所以每天共为病人数为个健康者变为病人，因天可使根据假设，每个病人每Ni Nsi t i t Ns t Ni t s λλλ)()()()()3(d d Nsi tiNλ=)4(1)()(=+t i t s ，则病人的比例为再记初始时刻0)0(i t =)5()0(,)1(d d 0i i i i ti=-=λ方程（5）是Logistic 模型。
它的解为)6(11110t e i λ-⎪⎪⎭⎫ ⎝⎛-+所示。
和图的图形如图和21~d d ~)(i tit t i，这个时刻为到达最大值时第一，当可知，式及图由mt i t i i ⎪⎭⎫ ⎝⎛=d d d d 2/11)6(),5()7(11ln 01⎪⎪⎭⎫⎝⎛-=-i t m λ这时病人增加的最快，可以认为是医院的门诊量最大的一天，意味着传染病高潮的到来，是医疗卫生部门应该关注的时刻。
：传染病模型2况。
，这显然不符合实际情将被传染，全变为病人即所有人终时到来。
第二，当可以推迟传染病高潮的健设施、提高卫生水平以改善保越小卫生水平越高。
所，表示该地区的卫生水平成反比，因为日接触率与,1→∞→i t t m λλλ其原因是模型中没有考虑到病人可以治愈，人群中的健康者只能变成病人，病人不会再变成健康者。
模型3 SIS 模型有些病毒人在感染并治愈之后，没有免疫性，即还有可能再被感染。
模型假设在模型二假设条件的前提下我们再增加一个假设条件3.病人每天治愈的比例为μ日治愈率。
μλσ=一个感染期内每个病人的有效接触人数模型构成于是有[]Ni(t)-t (t)i(t)i(t)-t)i(t N μλ∆=∆+Ns （8） 可得微分方程 i i(0) i -i)-(1==μλi dtdi0 （9） 得到[])1/-(1--diσλi i dt= （10）模型 4 SIR 模型大多数传染者如天花 流感 肝炎 麻疹等治愈后均有很强的免疫力，所以冰域的人即非易感者，也非感病者，因此他们将被移除传染系统，我们称之为移除者，记为R 类SIR 模型是指易感染者被传染后变为感染住，感病者可以被治愈，并会产生免疫力，变为移除者。
人员流动图为：S-I-R 。
假设：1 总人数为常数N ，且i （t ）+s （t ）+r （t ）=1；2 .病人的日接触率（每个病人每天有效接触的平均人数）为常数λ，日治愈率（每天被治愈的病人占总病人数的比例）为常数μ，显然平均传染期为1／μ，传染期接触数为σ=λ／μ。
该模型的缺陷是结果常与实际有一定程度差距，这是因为模型中假设有效接触率传染力是不变的。
3 单位时间内病愈免疫的人数与但是的病人人数成正比，比例系数l 。
称为恢复系数。
在以上三个基本假设条件下，易感染者从患病到移出的过程框图表示如下：模型结构在假设1中显然有：s(t) + i(t) + r(t) = 1 （1） 对于病愈免疫的移出者的数量应为精品文档。
3欢迎下载rtd NNi d μ= （2） 不妨设初始时刻的易感染者，染病者，恢复者的比例分别为0s （0s ＞0），0i （0i ＞0），0r =0. SIR 基础模型用微分方程组表示如下：didt dsdt drdt si i si i λμλμ⎧=-⎪⎪⎪=-⎨⎪⎪=⎪⎩（3） s(t) ， i(t)的求解极度困难，在此我们先做数值计算来预估计s(t) ， i(t)的一般变化规律。
数值计算在方程（3）中设λ=1，μ=0.3，i （0）= 0.02，s （0）=0.98，用MATLAB 软件编程： function y=ill(t,x) a=1;b=0.3;y=[a*x(1)*x(2)-b*x(1);-a*x(1)*x(2)]; ts=0:50;x0=[0.20,0.98];[t,x]=ode45('ill',ts,x0); plot(t,x(:,1),t,x(:,2)) pauseplot(x(:,2),x(:,1))输出的简明计算结果列入表1。
i(t) , s(t)的图形以下两个图形，i~s 图形称为相轨线,初值i(0)=0.02,s(0)=0.98相当于图2中的P0点,随着t 的增,(s,i)沿轨线自右向左运动.由表1、图1、图2可以看出,i(t)由初值增长至约t=7时达到最大值,然后减少,t →∞,i →0,s(t)则单调减少,t →∞,s →0.0398. 并分析i(t),s(t)的一般变化规律.：传染病模型41相轨线分析我们在数值计算和图形观察的基础上，利用相轨线讨论解i （t ）,s （t ）的性质。
D = ｛（s ，i ）| s ≥0，i ≥0 ， s + i ≤1｝ 在方程（3）中消去t d 并注意到σ的定义，可得11i s d d ⎛⎫=- ⎪⎝⎭s σ 00|s s i i == （5） 所以：11i s d d ⎛⎫=-⎪⎝⎭s σ ⇒00i 11s i s i s d d ⎛⎫=- ⎪⎝⎭⎰⎰s σ （6）精品文档。
5欢迎下载利用积分特性容易求出方程(5)的解为：0001()lnsi s i s s σ=+-=（7） 在定义域D 内,(6)式表示的曲线即为相轨线,如图3所示.其中箭头表示了随着时间t 的增加s(t)和i(t)的变化趋向图3下面分析s(t),i(t)和r(t)的变化情况(t →∞时它们的极限值分别记作s ∞, i ∞和r ∞).1. 不论初始条件s0,i0如何,病人将消失,即：0,t −→−∞−→−i 2. 最终未被感染的健康者的比例是 ,在(7)式中令i=0得到, 是方0001ln0s s i s s σ∞∞+-+= 在(0,1/σ)内的根.在图形上 是相轨线与s 轴在(0,1/σ)内交点的横坐标 3.若0s >1/σ,则开始有11i s d o d ⎛⎫=-> ⎪⎝⎭s σ，i(t)先增加, 令11i s d d ⎛⎫=- ⎪⎝⎭s σ=0，可得当s=1/σ时,i(t)达到最大值：00011ln )m i s i s σσ=+-+（然后s<1/σ时，有11i s d o d ⎛⎫=-< ⎪⎝⎭s σ ，所以i(t)减小且趋于零,s(t)则单调减小至s ∞,如图3中由P1(0s ，0i )出发的轨线 4.若0s ≤1/σ,则恒有110i s d d ⎛⎫=-< ⎪⎝⎭s σ，i(t)单调减小至零,s(t)单调减小至s ∞,如图3中由P2(s0,i0)出发的轨线：传染病模型6可以看出,如果仅当病人比例i(t)有一段增长的时期才认为传染病在蔓延,那么1/σ是一个阈值,当0s >1/σ(即σ>1/s0)时传染病就会蔓延.而减小传染期接触数σ,即提高阈值1/σ使得0s ≤1/σ(即σ ≤1/0s ),传染病就不会蔓延(健康者比例的初始值0s 是一定的,通常可认为0s 接近1)。
并且,即使0s >1/σ, σ减小时, s ∞增加(通过作图分析), m i 降低,也控制了蔓延的程度.我们注意到在σ=λμ中,人们的卫生水平越高,日接触率λ越小;医疗水平越高,日治愈率μ越大,于是σ越小,所以提高卫生水平和医疗水平有助于控制传染病的蔓延.从另一方面看, 1/s s σλμ=•是传染期内一个病人传染的健康者的平均数,称为交换数,其含义是一病人被s σ个健康者交换.所以当 01/s σ≤ 即01s σ≤时必有 .既然交换数不超过1,病人比例i(t)绝不会增加,传染病不会蔓延。
群体免疫和预防：根据对SIR 模型的分析,当01/s σ≤ 时传染病不会蔓延.所以为制止蔓延,除了提高卫生和医疗水平,使阈值1/σ变大以外,另一个途径是降低0s ,这可以通过比如预防接种使群体免疫的办法做到.忽略病人比例的初始值0i 有001s r =-,于是传染病不会蔓延的条件01/s σ≤ 可以表为011r σ≥-这就是说，只要通过群体免疫使初始时刻的移出者比例（即免疫比例）就可以制止传染病的蔓延。