瘟疫蔓延，连芬兰都难以幸免
受杰森的《Almost Looks Like Work》启发，我来展示一些病毒传播模型。需要注意的是这个模型并不反映现实情况，因此不要误以为是西非可怕的传染病。相反，它更应该被看做是某种虚构的僵尸爆发现象。那么，让我们进入主题。
这就是SIR模型，其中字母S、I和R反映的是在僵尸疫情中，个体可能处于的不同状态。
- S 代表易感群体，即健康个体中潜在的可能转变的数量。
- I 代表染病群体，即僵尸数量。
- R 代表移除量，即因死亡而退出游戏的僵尸数量，或者感染后又转回人类的数量。但对与僵尸不存在治愈者，所以我们就不要自我愚弄了（如果要把SIR模型应用到流感传染中，还是有治愈者的）。
至于β(beta)和γ(gamma):
- β(beta)表示疾病的传染性程度，只要被咬就会感染。
- γ(gamma)表示从僵尸走向死亡的速率，取决于僵尸猎人的平均工作速率，当然，这不是一个完美的模型，请对我保持耐心。
S′=−βIS告诉我们健康者变成僵尸的速率，S′是对时间的导数。
I′=βIS−γI告诉我们感染者是如何增加的，以及行尸进入移除态速率（双关语）。
R′=γI只是加上(gamma I)，这一项在前面的等式中是负的。
上面的模型没有考虑S/I/R的空间分布，下面来修正一下！
一种方法是把瑞典和北欧国家分割成网格，每个单元可以感染邻近单元，描述如下：
其中对于单元
，
和
是它周围的四个单元。（不要因为对角单元而脑疲劳，我们需要我们的大脑不被吃掉）。
初始化一些东东。
|
1 2 3 4 5 6 7 8 9 10 11 |
import numpy as np import math import matplotlib.pyplot as plt %matplotlib inline from matplotlib import rcParams import matplotlib.image as mpimg rcParams['font.family'] = 'serif' rcParams['font.size'] = 16 rcParams['figure.figsize'] = 12, 8 from PIL import Image |
适当的beta和gamma值就能够摧毁大半江山
|
1 2 |
beta = 0.010 gamma = 1 |
还记得导数的定义么？当导数已知，假设Δt很小的情况下，经过重新整理，它可以用来近似预测函数的下一个取值，我们已经声明过u′(t)。
回想前面：
我们把函数(u(t +△t))在下一个时间步记为
，
表示当前时间步。
这种方法叫做欧拉法，代码如下：
|
1 2 |
def euler_step(u, f, dt): return u + dt * f(u) |
我们需要函数f(u)。友好的numpy提供了简洁的数组操作。我可能会在另一篇文章中回顾它，因为它们太强大了，需要更多的解释，但现在这样就能达到效果：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 |
def f(u): S = u[0] I = u[1] R = u[2] new = np.array([-beta*(S[1:-1, 1:-1]*I[1:-1, 1:-1] + S[0:-2, 1:-1]*I[0:-2, 1:-1] + S[2:, 1:-1]*I[2:, 1:-1] + S[1:-1, 0:-2]*I[1:-1, 0:-2] + S[1:-1, 2:]*I[1:-1, 2:]), beta*(S[1:-1, 1:-1]*I[1:-1, 1:-1] + S[0:-2, 1:-1]*I[0:-2, 1:-1] + S[2:, 1:-1]*I[2:, 1:-1] + S[1:-1, 0:-2]*I[1:-1, 0on-o">:-2]*I[1:-1, 0
瘟疫蔓延，连芬兰都难以幸免 受杰森的《Almost Looks Like Work》启发，我来展示一些病毒传播模型。需要注意的是这个模型并不反映现实情况，因此不要误以为是西非可怕的传染病。相反，它更应该被看做是某种虚构的僵尸爆发现象。那么，让我们进入主题。
这就是SIR模型，其中字母S、I和R反映的是在僵尸疫情中，个体可能处于的不同状态。
至于β(beta)和γ(gamma):
S′=−βIS告诉我们健康者变成僵尸的速率，S′是对时间的导数。 I′=βIS−γI告诉我们感染者是如何增加的，以及行尸进入移除态速率（双关语）。 R′=γI只是加上(gamma I)，这一项在前面的等式中是负的。 上面的模型没有考虑S/I/R的空间分布，下面来修正一下！ 一种方法是把瑞典和北欧国家分割成网格，每个单元可以感染邻近单元，描述如下：
其中对于单元 初始化一些东东。
适当的beta和gamma值就能够摧毁大半江山
还记得导数的定义么？当导数已知，假设Δt很小的情况下，经过重新整理，它可以用来近似预测函数的下一个取值，我们已经声明过u′(t)。
回想前面：
我们把函数(u(t +△t))在下一个时间步记为
这种方法叫做欧拉法，代码如下：
我们需要函数f(u)。友好的numpy提供了简洁的数组操作。我可能会在另一篇文章中回顾它，因为它们太强大了，需要更多的解释，但现在这样就能达到效果：
|
