SI模型

import numpy as np

import matplotlib.pyplot as plt

import smallworld as sw

#邻接矩阵

a = sw.a

# 感染率

beta = sw.beta

#初始患者

origin = sw.origin

def si_(a, beta, origin):

    #总人数

    n = a.shape[0]

    #控制符

    judge = 1

    #未感染人群

    s = np.arange(n)

    s = np.delete(s, origin)

    #上一轮或原先感染人群

    i = origin

    #感染者记录

    r = []

    #感染时间记录

    t = []

    #感染人数记录

    speed = []

    #计时器

    h = 0

    #总感染者

    infected = i

    #开始传播

    while judge == 1:

        temp_i = []

        #感染人数

        m = len(infected)

        for j in range(0, m):

            node = int(infected[j])

            asd = []

            for k in range(0, n):

                if a[node, k] == 1:

                    asd.append(k)

            #感染者邻接的未感染者

            asd2 = np.intersect1d(asd, s)

            #随机生成被感染率

            num = np.random.rand(len(asd2)) - beta

            #该感染者传播的新感染者

            asd_final =[]

            for k in range(0, len(asd2)):

                if num[k] <= 0:

                    asd_final.append(asd2[k])

            #这一轮总的新感染者

            temp_i = np.union1d(temp_i, asd_final)

            s = np.setdiff1d(s, asd_final)

        if len(i) > 0:

            for k in range(0, len(i)):

                r.append(i[k])

                t.append(h)

        #新一轮感染人群

        i = temp_i

        infected = np.union1d(infected, i)

        #所有人都被感染则跳出循环

        if len(s) == 0:

            judge = 0

            if len(i) > 0:

                for k in range(0, len(i)):

                    r.append(i[k])

                    t.append(h)

        speed.append(len(r))

        h = h+1

    coverage = r

    for j in range(h, 2*h):

        speed.append(speed[j-1])

    print(speed)

    plt.plot(speed, "-ro", label='Infectious')

    plt.title('SI')

    plt.legend()

    plt.show()

si_(a, beta, origin)

效果图：

SIR模型

import numpy as np

import matplotlib.pyplot as plt

import smallworld as sw

#邻接矩阵

a = sw.a

#感染率

beta = sw.beta

#复原率

gama = sw.gama

#初始患者

origin = sw.origin

def sir_(a, origin, beta, gama):

    #总人数

    n = a.shape[0]

    #控制符

    judge = 1

    #未感染人群

    s = np.arange(n)

    s = np.delete(s, origin)

    # 未感染人数记录

    snum = list()

    snum.append(len(s))

    #感染人群

    i = origin

    #感染人数记录

    inum = list()

    inum.append(len(i))

    #复原人群

    r = []

    #复原人数记录

    rnum = list()

    rnum.append(0)

    #计时器

    h = 1

    #开始传播

    while judge ==1:

        #新一轮感染者

        temp_i = []

        m = len(i)

        #感染

        for j in range(0, m):

            #感染者

            node = int(i[j])

            asd = []

            for k in range(0, n):

                if a[node, k] == 1:

                    asd.append(k)

            #未被感染者且不为复原者

            asd2 = np.intersect1d(asd, s)

            asd2 = np.setdiff1d(asd2, r)

            num = np.random.rand(len(asd2)) - beta

            #新感染者

            asd_final = []

            for k in range(0, len(asd2)):

                if num[k] <= 0:

                    asd_final.append(asd2[k])

            temp_i = np.union1d(temp_i, asd_final)

            s = np.setdiff1d(s, asd_final)

        #复原

        num = np.random.rand(m) - gama

        asd = []

        asd_final = []

        for k in range(0, m):

            if num[k] <= 0:

                asd.append(k)

                asd_final.append(i[k])

        #原感染者部分复原

        r = np.union1d(r, asd_final)

        i = np.delete(i, asd)

        #这一轮后总感染者

        i = np.union1d(i, temp_i)

        snum.append(len(s))

        inum.append(len(i))

        rnum.append(len(r))

        h = h + 1

        if len(i) == 0:

            judge = 0

    for j in range(h, h*2):

        snum.append(snum[j-1])

        inum.append(inum[j - 1])

        rnum.append(rnum[j - 1])

    plt.plot(snum, "-bo", label='Susceptibles')

    plt.plot(inum, "-ro", label='Infectious')

    plt.plot(rnum, "-go", label='Recovereds')

    plt.title('SIR')

    plt.legend()

    plt.show()

sir_(a, origin, beta, gama)

效果图：

SIS模型

import numpy as np

import matplotlib.pyplot as plt

import BA

import random

#邻接矩阵

a = BA.a

#感染率

beta = 0.6

#复原率

gama = 0.3

#初始感染者

origin = random.sample(range(0, a.shape[0]), 5)

def sis_(a, origin, beta, gama):

    #总人数

    n = a.shape[0]

    #未感染人群

    s = np.arange(n)

    s = np.delete(s, origin)

    #感染人群

    i = origin

    #感染人数记录

    speed = []

    speed.append(len(i))

    #计时器

    h = 1

    while h < 70:

        temp_i = []

        m = len(i)

        for j in range(0, m):

            node = int(i[j])

            asd = []

            for k in range(0, n):

                if a[node, k] == 1:

                    asd.append(k)

            asd2 = np.intersect1d(asd, s)

            num = np.random.rand(len(asd2)) - beta

            asd_final = []

            for k in range(0, len(asd2)):

                if num[k] <= 0:

                    asd_final.append(asd2[k])

            temp_i = np.union1d(temp_i, asd_final)

            s = np.setdiff1d(s, asd_final)

        num = np.random.rand(m) - gama

        asd = []

        asd_final = []

        for j in range(0, m):

            if num[j] <= 0:

                asd.append(j)

                asd_final.append(i[j])

        s = np.union1d(s, asd_final)

        i = np.delete(i, asd)

        i = np.union1d(i, temp_i)

        speed.append(len(i))

        h = h + 1

    snum = []

    for j in range(0, h):

        snum.append(n - speed[j])

    plt.plot(speed, "-ro", label='Infectious')

    plt.plot(snum, "-bo", label='Susceptibles')

    plt.title('SIS')

    plt.legend()

    plt.show()

sis_(a, origin, beta, gama)

效果图：

LT模型

import numpy as np

import smallworld as sw

import networkx as nx

import matplotlib.pyplot as plt

#邻接矩阵

a = sw.a

#节点度数, 1/b是其他节点对该节点的影响力

b = sw.b

#节点阀值

beta = sw.beta

#原激活节点

origin = sw.origin

#超过beta（如50%）的邻接节点处于激活状态，该节点才会进入激活状态

def lt_(a, b, origin, beta):

    #节点数

    n = a.shape[0]

    #控制符

    judge = 1

    #未激活节点

    s = np.arange(n)

    s = np.delete(s, origin)

    #激活节点

    i = origin

    while judge == 1:

        #该轮激活节点

        temp_i = []

        #激活节点个数

        m = len(i)

        for j in range(0, m):

            node = int(i[j])

            asd = []

            for k in range(0, n):

                if a[node, k] == 1:

                    asd.append(k)

            #找到相邻的未激活节点

            asd2 = np.intersect1d(asd, s)

            asd_final = []

            for k in range(0,len(asd2)):

                num = 0

                #该未激活节点相邻的激活节点个数

                for t in range(0, m):

                    if a[int(i[t]), asd2[k]] == 1:

                        num = num + 1

                if 1 / b[asd2[k]] * num >= beta:

                    asd_final.append(asd2[k])

            temp_i = np.union1d(temp_i, asd_final)

            s = np.setdiff1d(s, asd_final)

        #将新激活节点合并到原激活节点中

        i = np.union1d(i, temp_i)

        #如果该轮没有新激活节点，那之后都不会再有，跳出循环

        if len(temp_i) == 0:

            judge = 0

    #输出新的网络状况

    color = []

    for j in range(0, n):

        color.append('b')

    for j in range(0, len(i)):

        color[int(i[j])] = 'r'

    g = nx.from_numpy_matrix(a)

    nx.draw(g, with_labels=True, node_color=color)

    plt.show()

lt_(a, b, origin, beta)

效果图：

数据生成代码（WS）

import numpy as np

import random

import networkx as nx

import matplotlib.pyplot as plt

n = 50

k = 5

p = 0.1

#建立小世界网

def sw_(n, k, p):

    m = np.zeros((n, n), dtype=int)

    #节点度数

    d = np.zeros(n, dtype=int)

    #构建环形网络

    for i in range(0, n):

        for j in range(0, n):

            if j > i and j <= i+k:

                m[i, j] = 1

                m[j, i] = 1

                d[i] = d[i] + 1

                d[j] = d[j] + 1

            if i+k >= n and j <= i+k-n:

                m[i, j] = 1

                m[j, i] = 1

                d[i] = d[i] + 1

                d[j] = d[j] + 1

    #讲规则网络转换为随机网络

    for i in range(0, n):

        for j in range(0, n):

            if m[i, j] == 1:

                rand_num1 = np.random.rand(1)

                if rand_num1 <= p:

                    rand_num2 = np.random.rand(1)

                    temp = np.random.permutation(np.arange(n))

                    if rand_num2 < 0.5:

                        for l in range(0, n):

                            if i != temp[l] and m[i, temp[l]] == 0:

                                m[i, temp[l]] = 1

                                m[temp[l], i] = 1

                                d[j] = d[j] - 1

                                d[temp[l]] = d[temp[l]] + 1

                                break

                    else:

                        for l in range(0, n):

                            if j != temp[l] and m[j, temp[l]] == 0:

                                m[j, temp[l]] = 1

                                m[temp[l], j] = 1

                                d[i] = d[i] - 1

                                d[temp[l]] = d[temp[l]] + 1

                                break

                    m[i, j] = 0

                    m[j, i] = 0

    return m, d

a, b = sw_(n, k, p)

#LT预设

#预设阀值

beta = 0.5

#初始激活节点

q = np.random.randint(10, 15)

origin = random.sample(range(0, n), q)

网络传播模型Python代码实现的更多相关文章

  1. python网络编程——网络IO模型

    1 网络IO模型介绍 服务器端编程经常需要构造高性能的IO模型,常见的IO模型有四种:    (1)同步阻塞IO(Blocking IO):即传统的IO模型.    (2)同步非阻塞IO(Non-bl ...

  2. 数学建模python matlab 编程(疾病传播模型)

    例12:一只游船上有800(1000)人,一名游客不慎患传染病,12(10)小时后有3人发病,由于船上不能及时隔离,问经过60(30)小时,72小时,患此病的人数.(与人口模型和Logistic模型类 ...

  3. 隐马尔科夫模型，第三种问题解法，维比特算法（biterbi) algorithm python代码

    上篇介绍了隐马尔科夫模型 本文给出关于问题3解决方法,并给出一个例子的python代码 回顾上文,问题3是什么, 下面给出,维比特算法(biterbi) algorithm 下面通过一个具体例子,来说 ...

  4. 导出pb模型之后测试的python代码

    链接:https://blog.csdn.net/thriving_fcl/article/details/75213361 saved_model模块主要用于TensorFlow Serving.T ...

  5. 一个 11 行 Python 代码实现的神经网络

    一个 11 行 Python 代码实现的神经网络 2015/12/02 · 实践项目 · 15 评论· 神经网络 分享到:18 本文由 伯乐在线 - 耶鲁怕冷 翻译,Namco 校稿.未经许可,禁止转 ...

  6. 基于深度学习的人脸性别识别系统（含UI界面，Python代码）

    摘要:人脸性别识别是人脸识别领域的一个热门方向,本文详细介绍基于深度学习的人脸性别识别系统,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面.在界面中可以选择人脸图片.视频进行检 ...

  7. 学习TensorFlow，浅析MNIST的python代码

    在github上,tensorflow的star是22798,caffe是10006,torch是4500,theano是3661.作为小码农的我,最近一直在学习tensorflow,主要使用pyth ...

  8. 利用Python中的mock库对Python代码进行模拟测试

    这篇文章主要介绍了利用Python中的mock库对Python代码进行模拟测试,mock库自从Python3.3依赖成为了Python的内置库,本文也等于介绍了该库的用法,需要的朋友可以参考下     ...

  9. 教你用一行Python代码实现并行（转）

    教你用一行Python代码实现并行 本文教你通过一行Python实现并行化. Python在程序并行化方面多少有些声名狼藉.撇开技术上的问题,例如线程的实现和GIL,我觉得错误的教学指导才是主要问题. ...

随机推荐

  1. angular cli 反向代理实现跨域

    版本: 1.后端实现跨域(php) header("Access-Control-Allow-Origin: *"); // // 响应类型 // header('Access-C ...

  2. Oracle解析逗号分隔的字符串，或者01110110101此类数据

    -- 1.提取此类数据中的1的索引位置,从1开始    例: 0001100001100 --> 4,5,10,11 create or replace function hazq_instr_ ...

  3. 12C-使用跨平台增量备份减少可移动表空间的停机时间 (Doc ID 2005729.1)

    12C - Reduce Transportable Tablespace Downtime using Cross Platform Incremental Backup (Doc ID 20057 ...

  4. [PHP] 接口增加recaptcha行为验证

    需要先翻墙创建一个谷歌账户和创建recaptcha验证的网站域名,获取到两个secrecthttps://www.google.com/recaptcha/admin 前端增加html和js代码,例如 ...

  5. java 初学 ：求 s=a+aa+aaa+aaaa+aa...a 的值，其中 a 是一个数字。几个 数相加由键盘控制。

    import java.util.Scanner; public static void main(String[] args) {       Scanner input=new Scanner(S ...

  6. Linux系统学习 十三、VSFTP服务—相关文件

    常见的FTP服务器程序 IIS.Serv-U      (windwards中) wu-ftpd(淘汰了).Proftpd           (Linux中) vsftpd(Very Secure ...

  7. Ribbon负载均衡及Feign消费者调用服务

    微服务调用Ribbon 简介 前面讲了eureka服务注册与发现,但是结合eureka集群的服务调用没讲. 这里的话 就要用到Ribbon,结合eureka,来实现服务的调用: Ribbon是Netf ...

  8. win 10 命令行导出注册表

    命令如下: reg  export  注册表中的key  保存路径 reg export HKLM\Software\MyCo\MyApp AppBkUp.reg 如果需要直接覆盖原来的文件,可以加上 ...

  9. [译]Vulkan教程(16)图形管道基础之总结

    [译]Vulkan教程(16)图形管道基础之总结 Conclusion 总结 We can now combine all of the structures and objects from the ...

  10. Elasticsearch 6.x版本全文检索学习之聚合分析入门

    1.什么是聚合分析? 答:聚合分析,英文为Aggregation,是es除搜索功能外提供的针对es数据做统计分析的功能.特点如下所示: a.功能丰富,提供Bucket.Metric.Pipeline等 ...