前言:想要写出一篇引人入胜的文章?我们特意为您整理了混合网络中疾病传播数值探析范文,希望能给你带来灵感和参考,敬请阅读。
摘要:提出一种比较实际的人群交往网络模型,在此网络模型中,节点的偏好连接与随机连接共存。通过数值模拟疾病传播过程发现,概率p减小,随机连边增加,会导致SI型疾病传播时间缩短、SIS型疾病中节点染病密度增加、传播阈值减小等相关不利影响,但在SIR型疾病中会有相反的变化:感染概率一定,较小的康复概率中,I态节点密度减小;较大的康复概率中,I态节点消亡时间缩短,依此理论来指导实际的疾病预防工作,具有一定的参考价值。
复杂网络的研究一直以来都是人们关注的重要课题[1-2],如复杂网络模型、复杂网络的疾病传播[3-4]与控制、复杂网络的同步[5]等。设计与实际网络更为接近的网络模型是复杂网络的基础。目前,规则网络、ER随机网络、NW小世界网络、Scale-free无标度网络、衰减网络[6]、等级网络[7]等都是比较实际的网络模型。从这些网络特点可以看出,其具有与实际相符的内在演化机制,如规则、随机、偏好、衰减、等级等,因此提出与实际人群关系网络更为接近的网络模型,更能准确反映实际网络的拓扑特性和相关动力学。现实生活中,人群交往在一个小的人群范围内,人与人彼此都认识,他们之间的交往可能按照偏好机制,当人群范围扩大,人与人之间就不可能都认识,那么他们的交往就可能部分是随机的、偶然的,也可以理解为现实网络不仅有节点的偏好连接,当节点增加到一定范围后,也有内部节点的随机连接。
1网络模型
开始时网络中有m个节点,彼此任意连接(不重连,m=3)。每一个单位时间加入一个新节点,它与m个旧节点相连。新节点j与旧节点i相连的几率∏j→i与节点i的度值成正比:当节点数量大于N0=1000,以p的概率节点增加的偏好连接,以1-p概率节点内部随机连边(不重连),连边数量与偏好连接数量相等。网络按步骤循环,直到达到规定节点数量N。为了与实际网络吻合,内部连边概率不宜过大(p≤0.5),否则网络会趋近随机网络(也就是p=0)。
2数值模拟结果与讨论
2.1度分布与平均度
在有限尺度的均匀网络(随机网络)和非均匀网络(无标度网络)中,平均度<k>与度分布P(k)是网络拓扑结构的重要参数,也是对流行病传播动力学影响比较大的因素[8-9]。从图1来看,当概率p=1时,网络是BA网络,度分布呈幂率分布γ=-3,当概率p=0.7和p=0.5时,偏好连接减小,随机内部连边增加时,度分布P(k)幂率分布的情况不再保持,曲线尾部开始转向随机网络的度分布—泊松分布,也是网络由非均匀网络向均匀网络过渡,其中p=0.7时,网络度分布呈现与实证合作网相同的度分布,由此可以推断实际网络应该是这两种机制共存的混合网络。图2中,当概率p=1时,平均度<k>=6,随着概率p减小,随机内部连边增加,平均度<k>也逐渐增加,且呈非线性变化。
2.2传播动力学
复杂网络上流行病传播动力学基于流行病模型,常见的流行病模型有:SI、SIS、SIR(S代表易感人群,I代表感染人群,R为免疫人群),选取了这三种经典流行病模型进行模拟研究。2.2.1SI模型在SI模型中,总人数N(也就是网络的尺度)被认为是常数,S(t)和I(t)是易感染个体和染病个体的数量,相应的N=S(t)+I(t)。在SI模型中,传播概率被定义为λ,易感染个体通过其染病近邻个体而被感染,同时,模型中的染病个体始终保持染病状态,不能康复。在SI流行病模型的模拟中,选取了N=10000,随机选择初始染病节点50个,传播概率λ=0.01进行模拟,ρI代表染病节点数占总数的比例(染病节点的密度)。从图3来看,随着概率p的减小,随机连边增加,节点染病密度ρI随时间演化曲线保持一致,但流行病蔓延整个网络的时间缩短,p=1,t≈150;p=0.5,t≈100。从三者曲线比较来看,在每一个时间步,p=0.5的概率所占据的染病节点密度最大。因此,此类流行病爆发后,尽量减少与陌生人接触(节点的随机加边),是控制此类疾病传播范围的有效措施。2.2.2SIS模型在SIS传播模型中,个体在网络中的状态是一个循环的过程:易感染态—感染态—易感染态。在每一个时间步,每一个易感染节点被其一个或多个染病近邻以概率ν感染,同时染病的个体以δ(一般情况下,取δ=1)的概率被治愈或再次变成易感染的状态。SIS模型中,有效的传播概率定义为:λ=ν/δ,染病个体的密度(染病个体数目占总人数的比例)ρI。在SIS流行病模型的模拟中,选取N=10000,随机选择初始染病节点为50个,感染概率ν,康复概率δ=1进行模拟,有效的传播概率为:λ=ν/δ=ν/1=ν,ρI代表感染节点数占总数的比例(染病节点的密度)。从图4整体上可以看出,流行病传播到一定时间会形成稳态,疾病以一定的密度ρI维持在人群网络中,不会消失。概率p的变化不影响染病节点密度ρI随时间变化的曲线形态。在有效传播概率λ一定,随着概率p的减小,染病节点形成稳态的密度会逐步增加,从p=1,ρ(I)≈0.08增加到p=0.5,ρ(I)≈0.28。在图5中发现,当概率p减小,随机加边增加,不同疾病传播概率(λ=0.5)情况下,稳态密度随概率p存在近似的线性变化。在SIS传播模型中,传播临界值λC也是重要的一个参数,当传播概率λλC,疾病会传播开来,并维持在一定范围。λ<λC,疾病不会传播开来,逐渐消失。从图6可以看出,整体的传播临界值都很小,当概率p=1时,网络为BA网络,此时传播临界值λC≈0.068,随着概率p减小,随机连边增加,传播临界值λC逐渐减小,当p=0.5时,传播临界值下降到λC≈0.046。理论上认为,在均匀网络中,λC≈1<k>[10-11],因此从平均度<k>逐步增加的变化曲线可以验证,在数值模拟中传播阈值逐步减小。2.2.3SIR模型在SIR传播模型中,R为免疫态,即治愈后并获得免疫能力的个体,这类节点不具有传染能力。实际生图6传播临界值λC随概率p变化曲线Fig.6CurveofspreadcriticalvalueλCwithp活中,水痘这类治愈后获得免疫的传染病,往往可以用SIR模型来描述。在每一个时间步,每一个易感染节点被其一个或多个染病近邻以概率ν感染,同时染病的个体以δ的概率被治愈并不再被传染。三种状态个体的密度S(t),R(t),I(t)随时间变化的曲线如图7、8所示。选取N=10000,随机选择初始染病节点为50个,(1)感染概率ν=0.1,康复概率较小δ=0.02进行模拟,见图7。(2)感染概率ν=0.1,康复概率较小δ=0.3进行模拟,见图8。两者图像整体比较,康复概率较小和康复概率较大,R态呈现出不同的变化曲线。从图7来看,S态节点最终在网络中不存在,网络节点只存在I态和R态,当康复概率较小时,概率p减小,随机连边增加,三种状态整体曲线形态没有改变,S态节点密度在相对消亡时间上有所延长(p=1,t=9;p=0.5,t=25),I态节点密度减小,R态节点密度近似线性增加。从图8来看,有小部分S态节点存在网络中,当概率p减小,随机连边增加,I态节点消亡时间上缩短,S态节点密度会减小(p=1,ρ(S)≈0.39;p=0.5,ρ(S)≈0.19),R态节点密度增加,I态节点最终在网络中消亡,网络中只存在S态和R态的节点。可以说,大的康复概率对疾病的消亡更有利,当然这取决于更有效的免疫药物、更好的医疗水平能让病人在短时间内康复。
3总结
提出随机和偏好机制共存的网络-混合网络,并在此网络上数值模拟流行病传播的相关过程,发现概率p减小,随机连边增加,会带来SI型疾病传播时间缩短、SIS型疾病中节点染病密度增加、传播阈值λC减小等相关不利影响,但在SIR型疾病中会有相反的变化:感染概率一定,较小的恢复概率中,I态密度减小;较大的恢复概率中,I态消亡时间缩短,依此理论来指导实际的疾病预防工作,具有一定的参考价值。
作者:吴晓 单位:海南医学院物理教研室