您的位置:

SIR模型Matlab代码详解

SIR模型是一种常见的传染病传播模型,通常用于病毒、细菌等传染性疾病的研究。本文将从多个方面详细阐述SIR模型的Matlab代码。

一、模型介绍

SIR模型是一种基于微分方程的传染病传播模型,它假设人群可以分为三类:易感者(S),感染者(I)和康复者(R)。每个人在单位时间内可与周围的人进行接触,接触后的传染过程可以看作是一个不可逆的生命过程。SIR模型的公式如下:

dS/dt = -βSI
dI/dt = βSI - γI
dR/dt = γI
其中,β表示传染的速率,γ表示康复的速率,S表示易感者的人数,I表示感染者的人数,R表示康复者的人数。

二、代码实现

为了更好地理解SIR模型的实现,我们将展示如下的Matlab代码片段:

function [T, Y] = SIR_model(beta, gamma, I0, N, tspan)
    
    % 状态向量
    Y0 = [N-I0; I0; 0];
    
    % 求解微分方程
    [T, Y] = ode45(@(t,y) ode(t, y, beta, gamma), tspan, Y0);
    
    % 绘制结果
    plot_results(T, Y, N);
    
end

function dy = ode(t, y, beta, gamma)
    
    dy = zeros(3,1);
    
    % 易感者
    S = y(1);
    
    % 感染者
    I = y(2);
    
    % 康复者
    R = y(3);
    
    % 微分方程
    dS_dt = -beta*S*I;
    dI_dt = beta*S*I - gamma*I;
    dR_dt = gamma*I;
    
    dy(1) = dS_dt;
    dy(2) = dI_dt;
    dy(3) = dR_dt;
    
end

function plot_results(T, Y, N)
    
    % 绘制易感者、感染者、康复者的人数变化图
    plot(T, Y(:, 1)./N, 'b-', 'LineWidth', 2); hold on;
    plot(T, Y(:, 2)./N, 'r-', 'LineWidth', 2);
    plot(T, Y(:, 3)./N, 'g-', 'LineWidth', 2);
    
    % 加入标注和图例
    xlabel('时间 (天)');
    ylabel('人数 (占总人口的比例)');
    title('SIR模型');
    legend('易感者', '感染者', '康复者', 'Location', 'best');
    
end
在上述代码中,我们首先定义了一个函数SIR_model,该函数使用了ode45函数对微分方程进行求解,并调用plot_results函数生成SIR模型的结果图。在ode函数中,我们定义了一个dy函数,用于计算微分方程的结果。在plot_results函数中,我们使用了Matlab的绘图函数,生成易感者、感染者、康复者人数随时间变化的图表。

三、模型参数调节

SIR模型中,β和γ是两个关键参数,它们分别决定了传染的速率和康复的速率。在实际应用中,我们可以根据具体的疾病和人口数据对这两个参数进行调节。 例如,下面的代码展示了如何使用SIR_model函数模拟COVID-19疫情在不同β和γ参数下的传播趋势:

% 模拟COVID-19疫情传播
N = 6.5e7; % 人口总数
I0 = 50; % 初始感染人数
tspan = [0 365]; % 时间段
[T, Y] = SIR_model(0.3, 0.05, I0, N, tspan);
[T2, Y2] = SIR_model(0.6, 0.1, I0, N, tspan);
[T3, Y3] = SIR_model(1.2, 0.2, I0, N, tspan);

% 绘制结果
figure(1); clf;
plot(T, Y(:, 2)./N, 'r-', 'LineWidth', 2); hold on;
plot(T, Y2(:, 2)./N, 'g-', 'LineWidth', 2);
plot(T, Y3(:, 2)./N, 'b-', 'LineWidth', 2);
xlabel('时间 (天)');
ylabel('感染率 (占总人口的比例)');
title('COVID-19疫情传播趋势');
legend('\beta=0.3, \gamma=0.05', '\beta=0.6, \gamma=0.1', '\beta=1.2, \gamma=0.2', 'Location', 'best');
在本代码中,我们根据模拟实验进行了三次运算,分别代表了传染速率低、中、高的三种情况。通过比较三种情况的感染者人数随时间变化的图表,我们可以看出当β和γ增大时,感染者人数的增长速度也会随之增大。

四、结论

本文从模型介绍、代码实现、模型参数调节三个方面详细阐述了SIR模型的Matlab代码。通过对该模型的实现与分析,我们可以更好地理解传染病的传播规律,对防控传染病具有重要意义。