一類SI種群模型解的定性性質及傳染病傳播應用分析

一類SI種群模型解的定性性質及傳染病傳播應用分析一、引言1.1研究背景與意義傳染病的傳播嚴重威脅著人類的健康與社會的穩定。從歷史上的黑死病，到近代的SARS、甲型H1N1流感，再到當下的新冠疫情，每次大規模傳染病的爆發都給人類社會帶來了巨大的沖擊，不僅造成大量人員患病和死亡，還對經濟、社會秩序產生深遠影響。例如，在新冠疫情期間，全球經濟遭受重創，許多行業停滯不前，人們的生活方式和社交模式也發生了巨大改變。因此，深入研究傳染病的傳播規律，對于制定有效的防控策略、保障公眾健康和維護社會穩定具有至關重要的意義。在傳染病研究領域，SI種群模型作為一種基礎且重要的數學模型，占據著關鍵地位。它將種群劃分為易感者（Susceptible）和感染者（Infectious）兩個倉室，通過建立數學方程來描述傳染病在這兩類人群中的傳播過程。SI模型的假設條件雖然相對簡化，如假設易感者一旦接觸到感染者就會立即變成感染者，并且感染者始終保持感染狀態，不會恢復健康或死亡，不考慮種群流動性以及自然出生和死亡等，但在一些特定場景下，它能夠有效地捕捉傳染病傳播的核心特征，為傳染病的研究提供了重要的基礎和參考。定性研究SI種群模型具有多方面的重要作用。一方面，它有助于深入理解傳染病的傳播機制。通過分析模型的平衡點、穩定性等定性性質，可以揭示傳染病在何種條件下會爆發、傳播以及最終的發展趨勢。例如，通過研究平衡點的穩定性，可以判斷疾病是否會在人群中持續存在還是逐漸消亡。另一方面，定性研究對預測疫情發展起著關鍵作用。在疫情初期，準確預測疫情的發展趨勢對于及時采取有效的防控措施至關重要。通過對SI模型的定性分析，結合實際的疫情數據，可以對疫情的傳播速度、規模等進行預測，為疫情防控提供科學依據。例如，在甲型H1N1流感爆發初期，利用SI模型對疫情的傳播進行預測，幫助相關部門提前做好防控準備，有效減少了疫情的擴散范圍和影響程度。此外，定性研究SI種群模型還能為傳染病防控策略的制定提供有力支持。根據模型的定性分析結果，可以評估不同防控措施的效果，如隔離、疫苗接種等措施對傳染病傳播的抑制作用，從而優化防控策略，提高防控效率，降低傳染病流行風險，最大限度地減少傳染病對人類社會的危害。1.2國內外研究現狀在傳染病動力學模型的研究領域中，SI種群模型作為一種基礎且重要的模型，一直是國內外學者關注的焦點，相關研究成果豐碩。國外學者在SI模型的理論研究和應用方面開展了大量工作。早期，Kermack和McKendrick在傳染病動力學模型的奠基性研究中，雖未專門針對SI模型，但為后續SI模型的發展奠定了理論基礎，他們提出的傳染病傳播基本理論框架，使得后續對SI模型的深入研究成為可能。隨著研究的深入，一些學者運用數學分析方法對SI模型的基本再生數R_0進行了深入探討。例如，Anderson和May在其著作中詳細闡述了R_0的計算方法和生物學意義，他們通過對多種傳染病的研究，指出R_0是判斷傳染病傳播態勢的關鍵指標，當R_0>1時，疾病可能在人群中持續傳播并引發疫情；當R_0<1時，疾病則難以大規模傳播，最終會逐漸消亡。這一理論為SI模型在傳染病傳播預測中的應用提供了重要的理論依據。在應用方面，國外學者將SI模型廣泛應用于實際傳染病的研究。如在流感疫情的研究中，一些研究團隊通過收集大量的流感疫情數據，對SI模型進行參數估計和擬合，從而預測流感的傳播趨勢，為流感的防控提供了科學依據。他們利用SI模型分析不同地區、不同季節流感的傳播特征，發現傳播率等參數在不同條件下的變化規律，進而提出針對性的防控建議，如在流感高發季節加強公共場所的通風和消毒措施，以降低傳播率，減少流感的傳播范圍。國內學者在SI種群模型的研究中也取得了顯著成果。在理論研究上，許多學者對SI模型進行了拓展和改進。例如，有學者考慮到實際傳染病傳播過程中人群的異質性，將SI模型中的種群劃分為不同的亞群，如年齡、性別、職業等不同特征的亞群，建立了更為復雜的SI亞群模型。通過分析不同亞群之間的傳播系數和接觸率，研究傳染病在不同亞群中的傳播規律，發現某些高風險亞群在傳染病傳播中起到關鍵作用，這為制定精準的防控策略提供了理論支持。在傳染病防控策略的研究中，國內學者利用SI模型評估不同防控措施的效果。通過數值模擬，對比分析隔離、疫苗接種等措施對傳染病傳播的抑制作用，發現隔離措施在疫情初期能夠有效減少易感者與感染者的接觸，從而降低傳播率，延緩疫情的爆發；而疫苗接種則可以提高人群的免疫力，降低易感者的比例，從根本上控制傳染病的傳播。這些研究成果為我國傳染病防控政策的制定提供了重要參考，如在新冠疫情防控中，我國根據不同地區的疫情形勢和人口特征，綜合運用隔離、疫苗接種等措施，有效地控制了疫情的傳播。然而，現有研究仍存在一定的不足之處。一方面，大多數研究在建立SI模型時，對實際情況的簡化程度較高，忽略了一些重要因素。例如，在現實中，傳染病的傳播往往受到地理空間因素的影響，不同地區的人口密度、交通便利性等因素會導致傳染病傳播速度和范圍的差異，但目前的SI模型中對地理空間因素的考慮較少。此外，傳染病的傳播還可能受到氣候、季節等因素的影響，如流感在冬季的傳播速度通常比夏季更快，但現有研究在這方面的考慮也不夠全面。另一方面，在SI模型的參數估計方面，目前的方法還存在一定的局限性。參數估計的準確性直接影響模型的預測精度和可靠性，但由于實際傳染病數據的獲取存在一定困難，且數據的質量和完整性參差不齊，導致現有的參數估計方法難以準確地反映傳染病的真實傳播特征，從而影響了模型的應用效果。基于以上研究現狀和不足，本文將針對SI種群模型解的定性性質展開深入研究。考慮引入地理空間因素和季節因素對SI模型進行改進，建立更為符合實際情況的SI模型。通過分析改進后模型的平衡點、穩定性等定性性質，揭示傳染病在不同地理空間和季節條件下的傳播規律。同時，探索新的參數估計方法，提高模型參數估計的準確性，從而提升模型對傳染病傳播的預測能力，為傳染病的防控提供更科學、更有效的理論支持。1.3研究方法與創新點為深入研究SI種群模型解的定性性質，本研究綜合運用了多種研究方法，力求全面、準確地揭示傳染病傳播的規律，同時在研究過程中實現了多方面的創新。在數學分析方法上，通過構建精確的SI模型微分方程，利用穩定性理論對模型的平衡點進行深入分析。例如，運用線性化方法求解雅可比矩陣，根據其特征值的正負來判斷平衡點的穩定性。當特征值全部為負時，平衡點是穩定的，意味著在該條件下傳染病的傳播會趨于穩定狀態；若存在正特征值，則平衡點不穩定，傳染病可能會持續傳播或發生變化。通過這種嚴謹的數學推導，深入探討了不同參數取值下模型的動力學行為，為理解傳染病的傳播機制提供了堅實的理論基礎。計算機模擬方法也是本研究的重要手段。借助Matlab、Python等專業軟件平臺，對構建的SI模型進行數值模擬。通過設定不同的初始條件和參數值，如改變傳播率、初始易感者和感染者的數量等，模擬傳染病在不同場景下的傳播過程。以流感傳播為例，在模擬中設置不同的人群接觸頻率（反映傳播率的變化），觀察感染人數隨時間的變化曲線，直觀地展示傳染病的傳播趨勢，包括感染人數的增長速度、達到峰值的時間以及最終的感染規模等信息。同時，利用模擬結果繪制圖表，如感染人數隨時間變化的折線圖、易感者和感染者數量對比的柱狀圖等，使研究結果更加直觀、清晰，便于分析和討論。在創新點方面，本研究在模型拓展上取得了顯著進展。充分考慮到地理空間因素和季節因素對傳染病傳播的重要影響，對傳統SI模型進行了創新性改進。在地理空間因素的考量上，將研究區域劃分為不同的子區域，每個子區域具有不同的人口密度和傳播率。通過建立空間權重矩陣來描述不同子區域之間的人口流動和相互作用關系，從而更準確地模擬傳染病在不同地理空間上的傳播差異。以新冠疫情在城市中的傳播為例，城市中心區域人口密度大，傳播率相對較高；而郊區人口密度小，傳播率較低。通過這種改進后的模型，可以更真實地反映疫情在城市不同區域的傳播情況。在考慮季節因素時，根據傳染病在不同季節傳播率的變化規律，引入周期性變化的傳播率函數。例如，對于流感這種具有明顯季節性的傳染病，在冬季傳播率較高，夏季傳播率較低。通過建立傳播率隨季節變化的數學模型，能夠更準確地預測傳染病在不同季節的傳播趨勢，為制定針對性的季節防控策略提供科學依據。在參數分析方面，本研究也提出了新的思路。傳統的參數估計方法往往基于簡單的線性回歸或最小二乘法，難以準確反映傳染病傳播過程中的復雜非線性關系。本研究探索采用機器學習算法，如支持向量機回歸、神經網絡等方法進行參數估計。以支持向量機回歸為例，通過將大量的傳染病實際數據作為訓練樣本，讓算法學習數據中的特征和規律，從而更準確地估計模型中的傳播率、接觸率等關鍵參數。與傳統方法相比，這種基于機器學習的參數估計方法能夠更好地適應傳染病傳播過程中的不確定性和復雜性，提高模型的預測精度和可靠性。此外，本研究還注重模型的實際應用價值。將改進后的SI模型與實際傳染病防控案例相結合，通過對歷史疫情數據的分析和驗證，評估模型在實際應用中的效果。以某地區的麻疹疫情防控為例，運用改進后的模型對疫情的傳播進行模擬和預測，并與實際疫情發展情況進行對比。根據對比結果，進一步優化模型參數和結構，使模型能夠更好地服務于實際傳染病防控工作，為疫情防控決策提供更具針對性和有效性的建議。二、SI種群模型基礎2.1SI種群模型概述SI種群模型作為傳染病動力學研究中的基礎模型，在揭示傳染病傳播規律方面具有重要意義。該模型按照傳染病的傳播機制，將種群清晰地劃分為兩個基本倉室：易感者（Susceptible，用S表示）和染病者（Infectious，用I表示）。易感者是指那些對特定傳染病缺乏免疫力，一旦與病原體接觸就容易被感染的個體；而染病者則是已經感染了病原體并且能夠將其傳播給易感者的個體。在實際應用中，SI模型的假設條件雖然相對簡化，但在某些特定場景下卻能有效地捕捉傳染病傳播的核心特征。例如，在一些突發的急性傳染病初期，當疫情迅速蔓延且人們對疾病的免疫狀況相對單一，同時不考慮人口的自然出生、死亡以及大規模流動等復雜因素時，SI模型能夠較為準確地描述傳染病的傳播態勢。以流感疫情在學校等相對封閉環境中的傳播為例，在疫情爆發初期，學生們的免疫狀態可大致分為易感和已感染兩類，此時SI模型就能通過建立數學方程，對流感在學生群體中的傳播過程進行有效的模擬和分析。從傳染病建模的發展歷程來看，SI模型是傳染病動力學模型的重要基石。早期的傳染病研究中，SI模型的出現為后續更為復雜的模型發展奠定了基礎。它的簡單性和直觀性使得研究者能夠快速地理解傳染病傳播的基本原理，通過對SI模型的深入研究，為后續引入更多實際因素，如人口動態、免疫反應、傳播途徑的多樣性等，建立更完善的傳染病模型提供了思路和方法。例如，在SIR模型（易感者-感染者-康復者模型）的發展中，就是在SI模型的基礎上，進一步考慮了感染者康復后獲得免疫力的情況，從而使模型更符合實際傳染病的傳播過程。SI模型在計算傳播能力（傳播閾值）方面具有獨特的優勢。通過對模型中傳播率等參數的分析，可以準確地計算出傳染病的基本再生數R_0，R_0表示在完全易感人群中，一個感染者平均能傳染給多少人，是判斷傳染病傳播態勢的關鍵指標。當R_0>1時，疾病可能在人群中持續傳播并引發疫情；當R_0<1時，疾病則難以大規模傳播，最終會逐漸消亡。在實際疫情防控中，利用SI模型計算出的R_0值，可以幫助決策者快速判斷疫情的潛在風險，從而及時采取有效的防控措施，如加強隔離、限制人員流動等，以降低R_0值，控制疫情的傳播。2.2模型假設與建立SI種群模型的構建基于一系列合理且具有針對性的假設，這些假設旨在簡化復雜的傳染病傳播過程，從而更清晰地揭示其核心規律。假設一，模型假設染病者一旦與易感者接觸即具有一定傳染力，傳染率系數為\beta。這意味著在傳播過程中，只要易感者與染病者發生接觸，就存在被感染的風險，且這種風險的大小由傳染率系數\beta決定。\beta值越大，表明單位時間內一個染病者能夠傳染給易感者的能力越強，疾病的傳播速度也就越快。在流感的傳播中，若\beta值較高，意味著在人群密集的場所，如學校、商場等，流感病毒能夠迅速在易感者之間傳播，導致大量人員感染。假設二，染病者在研究期間一直處于染病狀態。這一假設忽略了染病者可能出現的康復、死亡等情況，雖然與實際情況存在一定差異，但在某些傳染病傳播初期，或者對于那些康復周期長、死亡率低的傳染病，該假設能夠在一定程度上簡化模型，突出傳染病傳播的主要特征。例如，在一些慢性傳染病的初期研究中，由于患者在短時間內基本不會出現康復或死亡的情況，這一假設能夠幫助我們快速了解疾病的傳播趨勢。假設三，不考慮種群流動性，不考慮自然出生和死亡。此假設將研究對象視為一個相對封閉且穩定的種群，避免了種群動態變化對傳染病傳播的干擾，使得我們能夠專注于傳染病在易感者和染病者之間的傳播機制。在一些相對封閉的社區或機構中，當傳染病爆發時，在短時間內可以近似認為不存在人員的大量流動以及自然出生和死亡，此時該假設具有較高的合理性。基于以上假設，我們可以用如下微分方程組來表示SI模型：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)\\\frac{dI(t)}{dt}=\betaS(t)I(t)\end{cases}其中，S(t)和I(t)分別表示t時刻易感者和染病者的數量，\frac{dS(t)}{dt}和\frac{dI(t)}{dt}分別表示t時刻易感者和染病者數量的變化速率，\beta為傳染率系數。在這個方程組中，第一個方程表示易感者數量的變化，由于易感者與染病者接觸后會被感染，所以其數量變化率為負，且與易感者和染病者的數量乘積成正比；第二個方程表示染病者數量的變化，因為易感者不斷被感染成為染病者，所以染病者數量變化率為正，同樣與易感者和染病者的數量乘積成正比。在實際應用中，模型參數\beta通常通過實際傳染病疫情數據與模型進行擬合獲得。例如，在研究某地區的流感疫情時，收集該地區不同時間點的易感者和染病者數量數據，利用最小二乘法等擬合方法，調整\beta的值，使得模型模擬的結果與實際數據盡可能接近，從而確定出適合該地區流感傳播的\beta值，以便更準確地預測和分析流感的傳播趨勢。2.3常見SI模型類型及特點在傳染病動力學研究中，SI模型根據傳染率的不同形式，可分為具有線性傳染率的SI模型和具有非線性傳染率的SI模型，它們各自具有獨特的特點和適用場景。具有線性傳染率的SI模型，其傳播率通常表示為\betaSI，這種形式簡單直觀，意味著單位時間內易感者被感染的速率與易感者數量S和感染者數量I的乘積成正比。例如，在流感病毒傳播初期，當人群之間的接觸模式相對簡單且均勻時，線性傳染率的SI模型能夠較好地描述其傳播情況。在一個相對封閉的學校環境中，學生之間的日常接觸較為頻繁且規律，此時流感病毒在學生群體中的傳播，用線性傳染率的SI模型進行模擬，能得到與實際情況較為吻合的結果。其優點在于數學處理相對簡便，易于進行理論分析和求解，能夠快速地對傳染病的傳播趨勢進行初步預測。通過簡單的數學推導，可以清晰地得到傳染病的基本再生數R_0，并根據R_0的值判斷疾病是否會大規模傳播。然而，該模型的局限性也較為明顯，它假設傳播率是一個固定的常數，這在實際情況中往往難以滿足。在現實世界中，傳染病的傳播受到多種因素的影響，如人群的行為模式、社交距離的變化等，傳播率并非一成不變。隨著人們對傳染病的認識加深，在疫情期間采取佩戴口罩、保持社交距離等防護措施，會顯著降低傳播率，而線性傳染率的SI模型無法準確反映這種變化。具有非線性傳染率的SI模型則考慮了更復雜的傳播機制，其傳播率形式多樣，常見的如飽和傳染率\frac{\betaSI}{1+\alphaI}、標準傳染率\frac{\betaSI}{S+I}等。以飽和傳染率為例，分母中的1+\alphaI體現了隨著感染者數量I的增加，傳播過程會受到一定的抑制，這更符合實際情況。在一些傳染病傳播過程中，當感染者數量達到一定程度時，易感者會更加警惕，采取更多的防護措施，從而導致傳播效率下降。在新冠疫情大規模爆發階段，隨著感染人數的不斷增加，人們的防護意識增強，社交活動減少，病毒的傳播速度逐漸減緩，飽和傳染率的SI模型能夠較好地捕捉到這種傳播特征。非線性傳染率的SI模型能夠更準確地描述傳染病在復雜環境下的傳播過程，考慮了更多實際因素對傳播率的影響，提高了模型的真實性和可靠性。但該模型在數學處理上較為復雜，求解難度較大，需要運用更高級的數學方法進行分析和研究，這在一定程度上限制了其應用范圍。對比這兩種類型的SI模型，在實際應用中需要根據具體的傳染病特點和研究目的進行選擇。對于傳播機制相對簡單、傳播環境較為穩定的傳染病，線性傳染率的SI模型能夠快速提供有效的傳播預測和分析；而對于傳播過程受到多種因素干擾、傳播機制復雜的傳染病，非線性傳染率的SI模型則更能準確地揭示其傳播規律，為疫情防控提供更科學的依據。三、模型解的定性分析方法3.1平衡點分析在動力學系統中，平衡點是一個關鍵的概念，它對于理解系統的行為和長期趨勢具有重要意義。對于SI種群模型而言，平衡點是指系統中易感者和感染者數量不再隨時間變化的狀態，即滿足\frac{dS(t)}{dt}=0且\frac{dI(t)}{dt}=0的點(S^*,I^*)。在這種狀態下，傳染病的傳播達到了一種相對穩定的局面，不再有新的感染發生，或者感染與恢復等過程達到了平衡。對于SI模型，其微分方程組為：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)\\\frac{dI(t)}{dt}=\betaS(t)I(t)\end{cases}令\frac{dS(t)}{dt}=0和\frac{dI(t)}{dt}=0，得到方程組：\begin{cases}-\betaS(t)I(t)=0\\\betaS(t)I(t)=0\end{cases}求解上述方程組，可得到SI模型的平衡點。當I(t)=0時，無論S(t)取何值，方程組都成立。所以，SI模型存在平衡點(S^*,0)，其中S^*可以為任意非負實數。這個平衡點表示疾病最終被消除，所有個體都為易感者，傳染病在人群中不再傳播。平衡點存在的條件與模型中的參數密切相關。在SI模型中，傳染率系數\beta起著關鍵作用。由于在實際的傳染病傳播過程中，\beta表示易感者與感染者接觸后被感染的概率，所以\beta必須大于0，否則傳染病無法傳播，也就不存在有意義的平衡點。同時，易感者和感染者的數量S(t)和I(t)都應為非負實數，這是由實際情況所決定的。在求解平衡點的過程中，我們假設了S(t)和I(t)滿足這些條件，從而得到了相應的平衡點。以流感在一個相對封閉的社區中傳播為例，假設該社區初始有S_0個易感者和I_0個感染者。如果在傳播過程中，由于采取了有效的防控措施，如隔離感染者、加強社區消毒等，使得傳染率系數\beta降低到一定程度，滿足平衡點存在的條件，那么最終可能會達到平衡點(S^*,0)，即流感在該社區被成功控制，不再傳播。3.2穩定性分析方法3.2.1線性穩定性分析線性穩定性分析是研究SI種群模型穩定性的重要方法之一，它通過在非平衡解附近對模型進行線性化處理，將復雜的非線性模型轉化為相對簡單的線性系統，從而深入探討系統在平衡點附近的局部穩定性。對于SI模型的微分方程組：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)\\\frac{dI(t)}{dt}=\betaS(t)I(t)\end{cases}設平衡點為(S^*,I^*)，為了分析該平衡點的穩定性，我們在其附近對模型進行線性化。令S(t)=S^*+\deltaS(t)，I(t)=I^*+\deltaI(t)，其中\deltaS(t)和\deltaI(t)表示相對于平衡點的微小擾動。將其代入原方程組，并忽略高階小項，得到線性化后的方程組：\begin{cases}\frac{d\deltaS(t)}{dt}=-\betaI^*\deltaS(t)-\betaS^*\deltaI(t)\\\frac{d\deltaI(t)}{dt}=\betaI^*\deltaS(t)+\betaS^*\deltaI(t)\end{cases}該線性化方程組可以寫成矩陣形式：\fracmgqgvsehbv9{dt}\begin{pmatrix}\deltaS(t)\\\deltaI(t)\end{pmatrix}=\begin{pmatrix}-\betaI^*&-\betaS^*\\\betaI^*&\betaS^*\end{pmatrix}\begin{pmatrix}\deltaS(t)\\\deltaI(t)\end{pmatrix}其中，系數矩陣J=\begin{pmatrix}-\betaI^*&-\betaS^*\\\betaI^*&\betaS^*\end{pmatrix}被稱為雅可比矩陣。接下來，求解雅可比矩陣J的特征值方程\det(J-\lambdaI)=0，其中\lambda為特征值，I為單位矩陣。即：\begin{vmatrix}-\betaI^*-\lambda&-\betaS^*\\\betaI^*&\betaS^*-\lambda\end{vmatrix}=0展開行列式可得：(-\betaI^*-\lambda)(\betaS^*-\lambda)+\beta^2S^*I^*=0，進一步化簡為\lambda^2+(\betaI^*-\betaS^*)\lambda=0，解這個二次方程，得到特征值\lambda_{1,2}=0,\beta(S^*-I^*)。根據特征值的性質來判斷平衡點的穩定性：當所有特征值的實部均小于0時，平衡點是漸近穩定的。這意味著在平衡點附近的微小擾動會隨著時間的推移逐漸衰減，系統最終會回到平衡點狀態。例如，若\beta(S^*-I^*)<0，即S^*<I^*時，平衡點(S^*,I^*)是漸近穩定的，在這種情況下，即使傳染病在傳播過程中受到一些小的干擾，如偶然的人員流動導致感染人數的小波動，最終傳染病的傳播也會趨于穩定，感染人數和易感人數會回到平衡點對應的數值。若存在特征值的實部大于0，平衡點是不穩定的。此時，平衡點附近的微小擾動會不斷放大，系統會偏離平衡點，傳染病的傳播狀態會發生變化。比如，當\beta(S^*-I^*)>0，即S^*>I^*時，平衡點(S^*,I^*)不穩定，這表明在這種條件下，一旦傳染病傳播過程中出現微小的擾動，如病毒發生變異導致傳播率略有增加，感染人數和易感人數會不斷變化，傳染病可能會進一步擴散或出現新的傳播趨勢。當存在實部為0的特征值時，線性穩定性分析無法確定平衡點的穩定性，需要進一步采用非線性穩定性分析方法。在我們得到的特征值中，有一個特征值\lambda_1=0，這種情況下就需要借助非線性穩定性分析來更準確地判斷平衡點的穩定性。線性穩定性分析在SI模型研究中具有重要的應用價值。它能夠快速地判斷模型在平衡點附近的局部穩定性，為傳染病傳播的初步分析提供了有效的手段。在研究流感在一個小型社區中的傳播時，通過線性穩定性分析可以快速判斷在當前的易感者和感染者數量下，流感傳播是否穩定，從而為社區采取相應的防控措施提供依據。若分析結果表明平衡點不穩定，社區可以及時加強防控力度，如增加消毒頻次、限制人員聚集等，以防止流感的進一步傳播。3.2.2非線性穩定性分析盡管線性穩定性分析在研究SI種群模型時具有重要作用，能夠初步判斷平衡點附近的穩定性，但它存在一定的局限性，對于存在實部為0的特征值的情況無法準確判斷穩定性，且只能反映平衡點附近的局部特性。為了更全面、深入地研究SI模型解的穩定性，尤其是在非線性情況下的全局穩定性，我們需要引入非線性穩定性分析方法，其中構造Lyapunov函數是一種常用且有效的手段。Lyapunov函數的基本思想源于能量的概念，它通過構造一個與系統狀態相關的標量函數V(S,I)，來描述系統的“能量”狀態。若在系統演化過程中，該“能量”函數始終不增加，即\frac{dV(S,I)}{dt}\leq0，則系統是穩定的；若\frac{dV(S,I)}{dt}<0，除了平衡點外，系統是漸近穩定的，意味著系統狀態最終會收斂到平衡點。對于SI模型，我們嘗試構造合適的Lyapunov函數。考慮到模型中易感者和感染者的數量關系以及傳染病傳播的特點，構造如下Lyapunov函數：V(S,I)=\int_{S_0}^S\frac{S-S^*}{S}dS+\int_{I_0}^I\frac{I-I^*}{I}dI其中S_0和I_0是初始時刻的易感者和感染者數量，S^*和I^*是平衡點處的易感者和感染者數量。接下來，對V(S,I)求關于時間t的導數\frac{dV(S,I)}{dt}，利用復合函數求導法則和SI模型的微分方程：\begin{align*}\frac{dV(S,I)}{dt}&=\fracmgqgvsehbv9{dt}\left(\int_{S_0}^S\frac{S-S^*}{S}dS+\int_{I_0}^I\frac{I-I^*}{I}dI\right)\\&=\frac{S-S^*}{S}\frac{dS}{dt}+\frac{I-I^*}{I}\frac{dI}{dt}\\&=\frac{S-S^*}{S}(-\betaSI)+\frac{I-I^*}{I}(\betaSI)\\&=-\beta(S-S^*)I+\beta(I-I^*)S\\&=\beta(S^*I-SI^*)\end{align*}然后，對\frac{dV(S,I)}{dt}進行分析：當\frac{dV(S,I)}{dt}<0時，系統是漸近穩定的。這意味著隨著時間的推移，系統的“能量”不斷減少，最終會趨向于平衡點。在SI模型中，如果\beta(S^*I-SI^*)<0，即S^*I<SI^*，說明系統在非線性情況下是漸近穩定的，無論初始狀態如何，傳染病的傳播最終會趨于穩定，易感者和感染者的數量會趨近于平衡點的數值。當\frac{dV(S,I)}{dt}\leq0時，系統是穩定的，但可能存在一些特殊情況，如存在一些狀態使得\frac{dV(S,I)}{dt}=0，這些狀態可能是邊界穩定的。在這種情況下，雖然系統不會遠離平衡點，但也不一定會收斂到平衡點，可能會在平衡點附近的某個區域內波動。若存在某些狀態使得\frac{dV(S,I)}{dt}>0，則系統是不穩定的，這表明在這些狀態下，系統的“能量”會增加，傳染病的傳播會發生變化，可能會導致感染人數不斷增加，傳播范圍不斷擴大。以麻疹在一個城市中的傳播為例，通過構造合適的Lyapunov函數并分析其導數，可以判斷在考慮人口流動、人群聚集等復雜因素（這些因素使得模型呈現非線性特征）的情況下，麻疹傳播的穩定性。如果分析結果表明系統是漸近穩定的，說明在當前的防控措施下，麻疹的傳播能夠得到有效控制，最終會趨于穩定；若系統不穩定，則需要進一步加強防控措施，如擴大疫苗接種范圍、加強對疫情高發區域的管控等，以改變系統的穩定性，控制麻疹的傳播。3.3動態行為分析3.3.1局部和全局穩定性分析研究SI種群模型解的局部穩定性，是深入理解傳染病傳播初期動態行為的關鍵。在平衡點附近，通過線性化方法將非線性的SI模型轉化為線性系統，從而利用線性系統理論來分析其穩定性。對于SI模型的微分方程組：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)\\\frac{dI(t)}{dt}=\betaS(t)I(t)\end{cases}設平衡點為(S^*,I^*)，在其附近進行線性化處理。令S(t)=S^*+\deltaS(t)，I(t)=I^*+\deltaI(t)，將其代入原方程組并忽略高階小項，得到線性化后的方程組：\begin{cases}\frac{d\deltaS(t)}{dt}=-\betaI^*\deltaS(t)-\betaS^*\deltaI(t)\\\frac{d\deltaI(t)}{dt}=\betaI^*\deltaS(t)+\betaS^*\deltaI(t)\end{cases}該線性化方程組可寫成矩陣形式：\fracmgqgvsehbv9{dt}\begin{pmatrix}\deltaS(t)\\\deltaI(t)\end{pmatrix}=\begin{pmatrix}-\betaI^*&-\betaS^*\\\betaI^*&\betaS^*\end{pmatrix}\begin{pmatrix}\deltaS(t)\\\deltaI(t)\end{pmatrix}其中，系數矩陣J=\begin{pmatrix}-\betaI^*&-\betaS^*\\\betaI^*&\betaS^*\end{pmatrix}為雅可比矩陣。求解雅可比矩陣J的特征值方程\det(J-\lambdaI)=0，得到特征值\lambda_{1,2}=0,\beta(S^*-I^*)。根據特征值的性質判斷平衡點的局部穩定性：當\beta(S^*-I^*)<0，即S^*<I^*時，除了一個零特征值外，另一個特征值為負，此時平衡點是局部漸近穩定的，意味著在平衡點附近的微小擾動會隨著時間的推移逐漸衰減，系統最終會回到平衡點狀態。例如，在流感疫情初期，如果初始易感者數量相對較少，而感染者數量相對較多，且滿足S^*<I^*的條件，那么在這個平衡點附近，即使出現一些小的波動，如個別人員的流動導致感染人數的小變化，疫情的傳播也會逐漸趨于穩定，感染人數和易感人數會回到平衡點對應的數值。若\beta(S^*-I^*)>0，即S^*>I^*，存在正特征值，平衡點是不穩定的，此時平衡點附近的微小擾動會不斷放大，系統會偏離平衡點，傳染病的傳播狀態會發生變化，感染人數和易感人數會不斷變化，傳染病可能會進一步擴散。全局穩定性分析則從更宏觀的角度，考慮整個相空間內系統的穩定性，它對于預測傳染病的長期傳播趨勢至關重要。利用Lyapunov函數方法，構造合適的Lyapunov函數V(S,I)來研究系統的全局穩定性。對于SI模型，構造Lyapunov函數：V(S,I)=\int_{S_0}^S\frac{S-S^*}{S}dS+\int_{I_0}^I\frac{I-I^*}{I}dI其中S_0和I_0是初始時刻的易感者和感染者數量，S^*和I^*是平衡點處的易感者和感染者數量。對V(S,I)求關于時間t的導數\frac{dV(S,I)}{dt}：\begin{align*}\frac{dV(S,I)}{dt}&=\fracmgqgvsehbv9{dt}\left(\int_{S_0}^S\frac{S-S^*}{S}dS+\int_{I_0}^I\frac{I-I^*}{I}dI\right)\\&=\frac{S-S^*}{S}\frac{dS}{dt}+\frac{I-I^*}{I}\frac{dI}{dt}\\&=\frac{S-S^*}{S}(-\betaSI)+\frac{I-I^*}{I}(\betaSI)\\&=-\beta(S-S^*)I+\beta(I-I^*)S\\&=\beta(S^*I-SI^*)\end{align*}當\frac{dV(S,I)}{dt}<0，即\beta(S^*I-SI^*)<0，也就是S^*I<SI^*時，系統是全局漸近穩定的，無論初始狀態如何，隨著時間的推移，傳染病的傳播最終會趨于穩定，易感者和感染者的數量會趨近于平衡點的數值。在新冠疫情的傳播中，如果通過各種防控措施，使得系統滿足全局漸近穩定的條件，那么即使疫情在初期有較大的傳播范圍和感染人數，最終疫情也會得到有效控制，感染人數和易感人數會穩定在平衡點附近。當\frac{dV(S,I)}{dt}\leq0時，系統是穩定的，但可能存在一些特殊情況，如存在一些狀態使得\frac{dV(S,I)}{dt}=0，這些狀態可能是邊界穩定的，系統可能會在平衡點附近的某個區域內波動。若存在某些狀態使得\frac{dV(S,I)}{dt}>0，則系統是不穩定的，傳染病的傳播會發生變化，可能會導致感染人數不斷增加，傳播范圍不斷擴大。3.3.2關鍵因素對動態行為的影響在SI種群模型中，傳染率\beta和種群擴散速度等關鍵因素對傳染病的動態行為有著顯著的影響。傳染率\beta作為決定傳染病傳播速度和范圍的核心參數，其變化直接改變著模型解的動態行為。當\beta增大時，意味著單位時間內一個感染者能夠傳染給易感者的能力增強。從模型的微分方程\frac{dS(t)}{dt}=-\betaS(t)I(t)和\frac{dI(t)}{dt}=\betaS(t)I(t)可以看出，\beta的增大使得\frac{dS(t)}{dt}的絕對值增大，即易感者數量減少的速度加快；同時\frac{dI(t)}{dt}增大，感染者數量增長的速度也加快。在流感傳播中，如果人群之間的接觸頻率增加，或者病毒的傳染性增強，導致傳染率\beta上升，那么流感將以更快的速度在人群中傳播，感染人數會迅速增加，疫情的爆發可能更為迅猛，傳播范圍也會更廣。相反，當\beta減小時，傳染病的傳播速度會減緩，感染人數的增長速度變慢，疫情的發展會相對平緩。例如，在采取有效的防控措施，如加強個人防護、減少人群聚集等，降低了人群之間的接觸概率，從而使傳染率\beta降低，流感的傳播速度就會受到抑制，感染人數的增長幅度會減小。種群擴散速度也是影響模型動態行為的重要因素。在考慮種群擴散的SI模型中，擴散速度決定了傳染病在不同區域之間的傳播快慢。假設種群在空間上存在擴散，其擴散速度用擴散系數D表示，此時模型的微分方程可能變為：\begin{cases}\frac{\partialS(x,t)}{\partialt}=-\betaS(x,t)I(x,t)+D_S\nabla^2S(x,t)\\\frac{\partialI(x,t)}{\partialt}=\betaS(x,t)I(x,t)+D_I\nabla^2I(x,t)\end{cases}其中S(x,t)和I(x,t)分別表示位置x和時間t時的易感者和感染者數量，D_S和D_I分別是易感者和感染者的擴散系數。當種群擴散速度增大，即擴散系數D增大時，傳染病能夠更快地在不同區域傳播。在一個城市中，如果人口流動頻繁，人員在城市各個區域之間的擴散速度加快，那么傳染病就更容易從疫情高發區域傳播到其他區域，導致疫情在整個城市范圍內迅速蔓延，感染人數在更廣泛的區域內增加。相反，當種群擴散速度減小，如實施交通管制、限制人員流動等措施，使得擴散系數D減小，傳染病的傳播范圍會受到限制，疫情的擴散速度會減緩，有利于控制疫情的傳播。傳染率\beta和種群擴散速度對SI模型的動態行為有著至關重要的影響，深入研究這些關鍵因素的變化對模型解的影響，有助于我們更好地理解傳染病的傳播規律，為制定有效的防控策略提供科學依據。四、一類SI種群模型解的定性性質4.1平衡點的存在性與穩定性對于具有一般形式的SI種群模型，其微分方程組可表示為：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)+f(S)\\\frac{dI(t)}{dt}=\betaS(t)I(t)+g(I)\end{cases}其中，S(t)和I(t)分別為t時刻易感者和感染者的數量，\beta為傳染率系數，f(S)和g(I)分別表示與易感者和感染者相關的其他因素，如種群的自然增長、外部輸入等。令\frac{dS(t)}{dt}=0且\frac{dI(t)}{dt}=0，求解方程組以確定平衡點。由由\frac{dS(t)}{dt}=0可得-\betaS(t)I(t)+f(S)=0，即\betaS(t)I(t)=f(S)。由由\frac{dI(t)}{dt}=0可得\betaS(t)I(t)+g(I)=0，即\betaS(t)I(t)=-g(I)。所以所以f(S)=-g(I)，這是確定平衡點的關鍵條件。當I(t)=0時，代入\frac{dS(t)}{dt}=0，可得f(S)=0，設其解為S^*，則此時模型存在平衡點(S^*,0)，該平衡點表示疾病最終被消除，所有個體都為易感者。當f(S)和g(I)滿足一定條件時，還可能存在正平衡點(S_0,I_0)，即S_0>0且I_0>0，這個平衡點表示疾病在人群中達到了一種相對穩定的傳播狀態。以具有密度制約的SI模型為例，假設f(S)=rS(1-\frac{S}{K})，g(I)=-\muI，其中r為種群的固有增長率，K為環境容納量，\mu為感染者的死亡率。則由則由\betaS(t)I(t)=rS(1-\frac{S}{K})和\betaS(t)I(t)=\muI聯立求解。當當I=0時，rS(1-\frac{S}{K})=0，解得S=0或S=K，得到平衡點(0,0)和(K,0)。當當I\neq0時，由\betaS=\mu和rS(1-\frac{S}{K})=\muI，消去S可得關于I的方程，進而求解出正平衡點。接下來分析平衡點的穩定性。利用線性穩定性分析方法，在平衡點(S^*,I^*)附近對模型進行線性化。設S(t)=S^*+\deltaS(t)，I(t)=I^*+\deltaI(t)，代入原方程組并忽略高階小項，得到線性化后的方程組：\begin{cases}\frac{d\deltaS(t)}{dt}=(-\betaI^*+f'(S^*))\deltaS(t)-\betaS^*\deltaI(t)\\\frac{d\deltaI(t)}{dt}=\betaI^*\deltaS(t)+(\betaS^*+g'(I^*))\deltaI(t)\end{cases}該線性化方程組的系數矩陣（雅可比矩陣）為：J=\begin{pmatrix}-\betaI^*+f'(S^*)&-\betaS^*\\\betaI^*&\betaS^*+g'(I^*)\end{pmatrix}求解雅可比矩陣J的特征值方程\det(J-\lambdaI)=0，其中\lambda為特征值，I為單位矩陣。\begin{vmatrix}-\betaI^*+f'(S^*)-\lambda&-\betaS^*\\\betaI^*&\betaS^*+g'(I^*)-\lambda\end{vmatrix}=0展開行列式可得：(-\betaI^*+f'(S^*)-\lambda)(\betaS^*+g'(I^*)-\lambda)+\beta^2S^*I^*=0。根據特征值的性質判斷平衡點的穩定性：根據特征值的性質判斷平衡點的穩定性：若所有特征值的實部均小于0，則平衡點是漸近穩定的。在具有密度制約的SI模型中，對于平衡點(K,0)，若-\beta\times0+f'(K)<0且\betaK+g'(0)>0，則該平衡點是漸近穩定的，意味著在這種情況下，疾病很可能被消除，即使出現一些小的擾動，系統最終也會回到所有個體為易感者的狀態。若存在特征值的實部大于0，則平衡點是不穩定的。對于某個平衡點，若計算得到的雅可比矩陣的特征值中有實部大于0的，那么在該平衡點附近，系統的微小擾動會不斷放大，疾病的傳播狀態會發生變化，可能導致感染人數持續增加。若存在實部為0的特征值，則線性穩定性分析無法確定平衡點的穩定性，需進一步采用非線性穩定性分析方法。4.2解的漸近行為當時間t趨于無窮時，深入研究SI種群模型解的漸近行為，對于準確把握傳染病的長期傳播趨勢以及最終的發展狀態具有關鍵意義。對于一般形式的SI種群模型：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)+f(S)\\\frac{dI(t)}{dt}=\betaS(t)I(t)+g(I)\end{cases}從理論分析的角度來看，當t\to+\infty時，若模型存在穩定的平衡點(S^*,I^*)，那么解(S(t),I(t))將漸近趨向于該平衡點。這意味著隨著時間的無限推移，傳染病的傳播會逐漸趨于一種穩定的狀態，易感者和感染者的數量會穩定在平衡點所對應的數值上。在一個相對封閉的社區中發生傳染病傳播，若通過分析模型得到存在穩定的平衡點，且該平衡點表示疾病被有效控制，感染人數趨近于零，易感者數量趨近于一個穩定值，那么隨著時間的增長，該社區的傳染病傳播最終會達到這種穩定狀態，疫情得到平息。然而，若模型不存在穩定的平衡點，或者平衡點不穩定，解的漸近行為將變得更為復雜。在這種情況下，傳染病的傳播可能不會趨于穩定，而是呈現出周期性變化、無規律波動甚至持續增長等不同的態勢。以流感在一個大城市中的傳播為例，若由于人口流動頻繁、防控措施不到位等原因，導致模型的平衡點不穩定，那么流感的傳播可能會出現反復爆發的情況，感染人數和易感人數會不斷波動，難以達到穩定狀態。為了更直觀地理解解的漸近行為，我們通過數值模擬進行深入研究。利用Matlab軟件，設定具體的參數值，如\beta=0.3，f(S)=0.05S(1-\frac{S}{1000})，g(I)=-0.02I，初始條件為S(0)=800，I(0)=10。通過編寫相應的程序代碼，對模型進行數值求解：functiondydt=simodel(t,y)beta=0.3;r=0.05;K=1000;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;beta=0.3;r=0.05;K=1000;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;r=0.05;K=1000;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;K=1000;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;xlabel('時間t');ylabel('感染者數量');legend;ylabel('感染者數量');legend;legend;運行上述代碼，得到易感者和感染者數量隨時間變化的曲線。從模擬結果可以清晰地看到，隨著時間的增加，易感者數量逐漸減少，感染者數量先增加后減少，最終兩者都趨近于穩定的值，這與理論分析中存在穩定平衡點時解的漸近行為相符合。再改變參數值，如將\beta增大到0.5，重新進行數值模擬：functiondydt=simodel(t,y)beta=0.5;r=0.05;K=1000;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;beta=0.5;r=0.05;K=1000;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;r=0.05;K=1000;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;K=1000;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;mu=0.02;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;S=y(1);I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;I=y(2);dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;dSdt=-beta*S*I+r*S*(1-S/K);dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)');xlabel('時間t');ylabel('易感者數量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者數量I(t)');xlabel('時間t');ylabel('感染者數量');legend;dIdt=beta*S*I-mu*I;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者數量S(t)'