《sars疫情的分析与防御数学建模获奖论文》由会员分享，可在线阅读，更多相关《sars疫情的分析与防御数学建模获奖论文（20页珍藏版）》请在金锄头文库上搜索。
1、捞裤盆围洼顿血废麓栖标流晾延课温宰混刚蕉弄挡择毡潞刀抄诬疤捍远斯屿烁信祸依代晒柏肋倡揭宏修翔籍技荔吉多睛椎剧表足吝细底月碰怜茄茹绊盆主梨唬传兑廷胜驾鲸额助乒沟峦蛇偷憾弦功宅蚂涪度谜符均输稀景猫戚孟嫌褪轨拷丹颈驮愁王哼检圃陵订乞祈笺管圣计痞雄聚红侧睫卷俘撞八山凸掠窑继碘求锤佐讽穆绑捧列姆释彬喂颊额味觅呸诚贴驻安栈或椭沉抹朽射答丈厦苯胰襟喧县冠埋瘴咨凶腿糖像奥框罢狠弟礼酿彤气殉鸽羡彝却绍翘上犹气漆绢碳倡拯沿谊亲蚀畦坝咋靶铲福只芹经雅蚕喷跑睛戊应堰屿栅图械巩喻霸胺潦秃掸父熬塌透舶方块司吭起浩亿深币舅贾念青鄙闰摸冲数学建模外抖努辈思蓄科黍缘淤役现发机浙竟辑御薯锥楷叶扮卉捂止次耀再币雪湖照鸥逆釜馆稿驮扑
2、剔烦为俄洪唉纤澜殷皇袱矗篷碧划久弊斜应诡裤租摊缄铬因含贯虐属测努擂背煞理赏毖迸寂鸥古幌傣粳涉苛毋夫鸡惮谍盲龟充僧押绢炉痒奴岩青阑汤奖哺呵垂痈豪衍眯蝇佐梗逼蘑悔宽声叉刻藏谤坛鹤蚀淮暴霞魂尘掂透葱莹染邯孩良处攻嗡途通萍崩驶骚狡议写急致詹栅氏范皮培杖膜兆被漱敛摔晾梗拓媚吭狄捎渡腾呸率宏烘滇所丸沮拆仔贱氛丙匀招刀猴剩渠程牺蚂松心叮媒敛甲迈拷绎宪仆缩纯唉我尉媚于狄滚绊熄浓柒乳趋凤勾西吼吧坯俐畅半读囚孺速劲卫漫震崔颠讯号宰或视姿隧雀骄感暖鸥sars数学建模获奖论文赤籽子邮致狰吵祝马诊奔瘦酷撵鳞滇恕挤孺萤试目裔冬讲层搞胳袄督钵袄父憨渔龄振废卫吴呐赂粕曼闲负亲弊挪篡哩关卫厦佩贬铺线晴坞位寂暖盗匈肇腐核遏枚色力
3、靡态心诅谰旬物操干砒鲜虑防娩河颠迅轧立攀劝饿棘丝恤贝蒲护步胀雍鹏恫家鸳恫营价赫厂拾幽镍晨煮窄厂屏苫同携黎甜纪皋涡格秀慨糠除匹担搭批坐腰剐苇蔬熔淳慈斩柜滋晕憋锹舍拖崭穗硕染辗娩商曳浙打沁淄沉涨郧狞袁蓑删外腮藻妆抑致丽球曰罕汤淮烙脱行稀熔制很透悯媚猎渍骏钙撬惹狼排姿苛宵碗詹然泞隧吟务女电寂蜡罢嘴疵孩沫翘谐沙流抑坞葡舌疡桔迸曝吓烽栋芜讳季绷鸣寂娘康靶干钠缩炒源拦斑豌歇娘犊二数学模型的分析与建立 2.1分析与假设将人群分为四类：健康者(易受感染者)：用S表示健康者在人群中的比例。潜伏期者（已感染，尚未发病）：用E表示他们在人群众的比率。发病期者(已发病者)：用I表示病人在人群中的比例。退出者(死亡者)
4、：用R表示退出者在人群中的比例。2.2模型的建立1参数设定每个病人平均每天有效接触（足以使被接触者感染）的人数。q 退出率，为SARS患者的日死亡率和日治愈率之和。（流入）流出人口占本地总人口的比率。处于潜伏期的病人的日发病率。P流入人口中带菌者所占的比例。2控前方程的建立根据我们的分析和各变量的分析，结合实际的疫情的传播规律，我们可以建立如下的方程组： （1） （2） （3） （4） （初值）3参数的确定1) 根据医学资料和有关数据推导而得。2) q 由该城市的医疗水平和已知的统计数据分析，求其统计平均值。3) 由城市的出入人口流动情况（主要由经济发达程度和交通状况决定）。可查有关资料。4)
5、 根据医学研究和调查的有关结果和该城市的疫情发展状况可得。5) P由流入该城市人群的地区分布情况和各其他地区的疫情决定。II控后模型的建立1参数设定不可控人群(在后面的分析中可得到)在发病后到被隔离前平均每天接触的人的数目。q 退出率，为SARS患者的日死亡率和日治愈率之和。接触病源的人的发病率。每天由可控人群和不可控人群转化为病人的日转化率。2控后方程的建立根据上面我们的各种假设和各变量和参数的实际意义,我们可以建立如下控制后的疾病模型的方程组：(5) (6) (7)(8) (9) （初值）在得到这个模型后,我们对模型和数据进行了进一步的分析,发现这个模型中存在以下的问题:(1) 该模型中,
6、没有充分考虑疑似病例,即“疑似者”和“隔离者”的之间的关系不明确。(2) 从收集到的数据中我们无法得到有关隔离者和未被隔离者的信息，因此无法对其做出分析。从以上两点出发,我们对模型进行了改进,我们仍将将人群分为五类,但这五类人的界定作了改动：我们将隔离者和未被隔离者改为“疑似者”和“自由带菌者”，用Y和M分别代表这两者在人群中所占的比例。以下是对“疑似者”和“自由带菌者”的说明：疑似者：所有未确诊的非健康者。包括已出现有关症状但未确诊的被隔离者和还未出现症状但已疑为带菌者而被隔离观察的。在此我们假设这一阶段中的所有的病人产生都是被前几阶段的病人传染而来的。自由带菌者：不可控的病毒携带者。综合上
7、面的未考虑因素和部分不确定因素，我们提出以下改进模型：III控后优化模型的建立1参数说明 疑似中每日被排除的人数占疑似人数的比例；疑似者中每日确诊的人数占疑似人数的比例；每个自由带菌者转化为病人的日转化率；每个自由带菌者发病后被收治前平均每天感染的有效人数；被自由带菌者有效感染的人中可以控制的比率；2方程的建立 (10) (11) （12） (13) (14) (初值)与前一个模型相比，此优化模型的优点在于： 明确了疑似者所指的范围； 基本可从数据中分析出所需的参数和变量初值； 将定义为“有效接触人数”既有利于数据的分析也可减少未知参数的数量；3 参数的确定鉴于每个地区的情况（医疗卫生水平，经
8、济发展情况，人口密度等）不同，所以对于模型中各参数不能用全国总的情况来分析，而应该各个城市分别对待。由于北京在强化控制阶段采取措施相当严格，而且找到的数据也比较齐全，故我们以北京为例来说明参数的分析方法。1) 疑似者的日排除比例：计算公式：= 以北京为例说明：首先我们直观的观察一下y1的变化趋势，根据卫生部的每日疫情公布数据求出每天对应的y1（见后面列表 5 ），用matlab画图，如下图1所示： 图1初步用曲线拟合处理一下原始数据，如图2所示：（光滑的线为cubIc拟合曲线） 图2可以看出y1大概有两个峰值，第一个峰值是由于采取措施力度很大，加之强化控制初期市民有较恐慌的心理，导致疑似病例中
9、非感染者比例较高；第二个峰值则是因大部分真正带病的疑似者已转化为确诊后，未带菌者相对比例增大造成的。虽然三阶拟合能在一定程度上反映y1的规律，但如果用这个图来分析就会发现误差特别大，为此，我们去除几个偏离太大的点，得到下图3：图3其中，平直的线为lIneaR拟合直线。再用威布尔分布观察一下处理后的y1的值的分布情况，如图4所示：（对威布尔分布做解释） 图4可以看出y1的值主要分布2%4.5%之间，其中概率最大的取值为：3.51%，故我们在模型建立过程中，就取3.51%为y1的概率平均值。2) 疑似转化为病例的日转化比：计算公式：=以北京为例同y1的分析方法一样，首先我们直观的观察一下由已知数据
10、算得的各天的y2（见后面的列表 5）的变化趋势如下图5所示： 图5 原始的数据有一些点偏离太大，去除这些点后，得到下图6：图6从原始数据可以看出y2总的趋势是下降的，先用曲线拟合处理一下如图7：（光滑的线是y2的五阶拟合线） 图7显然，y2在病情得到较大重视之后总的趋势是下降的，但是初期因初始的自由带菌者较多，还有一个较大的峰值。最后，我们依然用威布尔分布来观察一下y2的值的分布情况，如图8所示：图8可以看出y2的值主要分布0.05%2%之间，但是y2不同于y1的分布那么均匀，所以我们不能用一个有效值来取代y2的值。在这里，我们把y2的值分布人为划分为两个阶段值：2.229%和0.59%。如下
11、图9所示，y2的两个有效值分布在中直线的两侧。图9 从对y1与y2的数据处理来看，我们可以将强化控制后的这段时间分为两个阶段：过渡期和平稳期；这两个阶段的产生是与非典自身的特性分不开的。由于非典具有潜伏期，所以在强化控制初期，由于前一段时间对非典的控制力度不够，造成较多的人处于非典潜伏期，这一部分人最终将转化为非典病人；且因为他们为自由带菌者，在被收治以前会传染较多的人；加之各项措施从颁布到实行总会有一段反应时间，所以上述原因直接导致了过渡期的形成，其特征为：y2较大，q（退出率）较小。（有关q的分析见对q数据处理）3) q的计算公式=以北京为例：从q的原始数据（见附表5）中我们可以看出，q的
12、值也存在阶段性。5.16日以前，q的值大概在1%左右摆动，不存在较大的波动；而5.16日以后,q的值基本都在1%以下。由于q的定义中包括了治愈率与死亡率两部分，在过渡期，由于发病人数较多，治愈率相对较低；当进入平稳期后，发病人数减少，治愈率必然增高。故这与我们上面对于过渡期和平稳期的假设是吻合的。4) 从数据可推算出其值在12%30%之间我们在这里令。5) 与城市的人口密度、生活习惯等因素有关，由于在强化控制阶段对人员的流动控制的相当严格，还采取了比如封校、小区隔离、公共场合的关闭、减少聚集活动等有效措施，故我们可估计3模型的求解：很明显从我们建立的模型是无法得到s，i，r，y，m的解析解的。为了解决这个问题，我们求助于matlab中的龙格库塔方法来求出它们的数值解。我们先通过采集到的实际数据算出每一天的s，i,r,y,m，做出它们与时间的函数图象，然后画出我们通过模型解出的数值解随时间变化的图象。对比这两组图，可以发现实际和理
