随机扰动下高维传染病模型的稳定性与Hopf分岔：理论与实证

随机扰动下高维传染病模型的稳定性与Hopf分岔：理论与实证一、引言1.1研究背景与意义传染病，作为全球性的公共卫生挑战，一直以来对人类社会的发展产生着深远且复杂的影响。自有人类以来，各种病原体如细菌、病毒、寄生虫等引发的传染病，在不同地域和历史时期都给人类健康带来了严重威胁。在历史的长河中，众多传染病的大规模爆发给人类留下了惨痛记忆。14世纪的黑死病在欧洲肆虐，短短数年内便夺走了约三分之一欧洲人口的生命，导致社会秩序严重混乱，经济遭受重创，大量农田荒废，商业活动停滞，许多城市陷入了绝望与恐惧之中，深刻改变了当时欧洲的社会结构和发展进程。1918-1919年的西班牙流感大流行，更是波及全球，造成约五千万人丧生，远超第一次世界大战的死亡人数，其影响范围涵盖了社会的各个层面，从医疗体系的不堪重负到人们日常生活的巨大改变，学校停课、工厂停工、社交活动被严格限制，对全球经济和社会稳定造成了难以估量的冲击。进入20世纪后，新兴传染病的出现与蔓延依然频繁，如艾滋病自20世纪80年代被发现以来，已在全球范围内造成了巨大的健康危机和社会问题，截至目前，全球仍有数以千万计的人感染艾滋病病毒，给感染者及其家庭带来了沉重的负担，同时也对公共卫生资源造成了极大的压力；埃博拉出血热在非洲部分地区多次爆发，引发了当地医疗系统的崩溃，造成大量人员死亡，并且引发了国际社会的高度关注和援助行动；寨卡病毒的传播也曾在一些国家和地区引起恐慌，其与新生儿小头症等严重健康问题的关联，给孕妇和新生儿的健康带来了巨大威胁。这些新兴传染病的出现，不仅考验着各国的医疗应对能力，也对全球公共卫生安全体系提出了严峻挑战。传染病的传播不仅直接威胁人类的生命健康，还对社会稳定和经济发展产生了诸多负面影响。在社会稳定方面，传染病的爆发往往会引发公众的恐慌情绪，导致社会秩序混乱。人们对疾病的恐惧可能引发抢购生活物资、逃避隔离等行为，影响社会的正常运转。部分地区在传染病爆发期间，出现了民众哄抢口罩、消毒液等防护物资的现象，甚至引发了一些冲突和纠纷。在经济发展方面，传染病的流行会导致消费市场萎缩，许多与消费相关的行业如餐饮、旅游、娱乐等遭受重创。企业生产活动也会受到限制，供应链中断，导致经济增长放缓。例如，2020年爆发的新冠肺炎疫情，使全球经济陷入了严重衰退，大量企业倒闭，失业率急剧上升，许多国家的GDP出现了大幅下滑。随着全球化进程的加速，人员、物资和信息在全球范围内的流动日益频繁，传染病的传播速度和范围也大大增加。国际旅行的便捷使得病毒能够在短时间内跨越国界，迅速传播到世界各地。国际贸易的繁荣也使得传染病有可能随着货物的运输在不同国家和地区之间扩散。一只来自亚洲的候鸟可能携带病毒，在迁徙过程中将病毒传播到欧洲；一架从疫情高发地区起飞的航班，可能将病毒带到目的地城市，引发新的疫情传播风险。这种全球化背景下的传染病传播，使得任何一个国家和地区都难以独善其身，防控难度空前加大。为了更好地理解传染病的传播规律，制定有效的防控策略，数学模型成为了不可或缺的重要工具。数学模型能够对传染病的传播过程进行定量描述和分析，通过建立数学方程来刻画病原体在人群中的传播、感染和恢复等动态过程，从而帮助我们预测传染病的发展趋势，评估防控措施的效果。自20世纪初以来，传染病动力学模型得到了迅速发展，从最初简单的描述疾病分布和周期性变化的模型，到如今能够考虑多种因素相互作用的复杂模型，这些模型的发展历程反映了人类对传染病认识的不断深化。1903年，Weibull提出了疾病频率分布的Weibull模型，为后续研究奠定了基础；1927年，Chapman提出了描述疫情波动的Chapman模型。随着微生物学和生物统计学的发展，1956年，Ferguson提出了基于细菌群体增长的传染病动力学生长模型，Smith和May建立了更为经典的SI（易感者-感染者）和SIR（易感者-感染者-恢复者）模型，这些模型能够较为准确地反映病原体的传播和消除过程。之后，为了更贴近现实中传染病涉及多种病原体、宿主和环境因素相互作用的情况，研究者们在20世纪70年代引入了多物种耦合传播机制，发展出了SEI（易感者-暴露者-感染者-移出者）和SEIRS（易感者-暴露者-感染者-康复者-易感者）模型等更为复杂的模型。计算机技术和大数据分析的迅速发展，为传染病动力学模型的发展带来了新的机遇，使得模型能够处理大量数据，模拟不同情景下的疫情演变，并提供实时预警和干预建议。在实际应用中，数学模型在传染病防控中发挥了重要作用。在新冠肺炎疫情期间，各国科研团队利用数学模型对疫情的传播趋势进行预测，为政府制定防控政策提供了科学依据。通过模型分析，能够预测疫情的峰值时间、感染人数的增长速度等关键信息，帮助政府提前做好医疗资源的调配、制定隔离措施和复工复产计划。一些数学模型还被用于评估不同防控措施的效果，如口罩佩戴、社交距离保持、疫苗接种等措施对疫情传播的抑制作用，从而为优化防控策略提供参考。然而，现实中的传染病传播往往受到各种随机因素的影响，如环境因素的不确定性、个体行为的随机性以及病毒变异的随机性等。这些随机因素使得传染病的传播过程更加复杂，传统的确定性传染病模型难以准确描述和预测。环境温度、湿度的随机变化可能影响病毒的存活和传播能力；个体在日常生活中的社交活动模式存在很大的随机性，有些人可能因为偶然的接触而感染病毒；病毒在传播过程中也可能发生随机变异，导致其传染性和致病性发生改变。因此，研究受随机激励扰动的传染病模型具有重要的现实意义。高维传染病模型能够考虑更多的因素和变量，更全面地描述传染病的传播过程，对于深入研究传染病的传播机制和制定有效的防控策略具有重要价值。在高维传染病模型中，可以纳入不同年龄、性别、职业等人群特征，以及不同地区的地理环境、人口密度、医疗资源分布等因素，从而更真实地反映传染病在复杂现实环境中的传播情况。将人群按照年龄分为儿童、青少年、成年人和老年人，考虑不同年龄段人群对传染病的易感性和传播能力的差异；或者将不同地区的地理环境因素如山区、平原、城市等纳入模型，分析其对传染病传播的影响。通过对受随机激励扰动的高维传染病模型进行稳定性及Hopf分岔分析，可以深入探究传染病在随机环境下的发生规律和传播特性，揭示传染病爆发和消失之间的转折点，为传染病的预防和控制提供更科学、更准确的理论依据和决策支持。这对于提升全球传染病防控能力，保护人民生命安全和健康，维护社会稳定和经济发展具有重要的现实意义。1.2国内外研究现状传染病模型的稳定性及分岔分析一直是国内外学者研究的热点领域，在传染病动力学的发展历程中，众多学者围绕确定性模型展开了大量深入且富有成效的研究，取得了丰硕的成果。在国外，许多学者对不同类型的传染病模型进行了稳定性分析。如Anderson和May在其经典著作中对多种传染病模型进行了深入研究，详细探讨了传染病的传播机制和稳定性条件，为后续研究奠定了坚实的理论基础。他们通过构建复杂的数学模型，分析了病原体在宿主群体中的传播过程，以及各种因素对传染病稳定性的影响，为传染病的防控提供了重要的理论依据。Hethcote对SIR模型及其变体进行了系统研究，给出了模型平衡点的存在性和稳定性条件，这些研究成果对于理解传染病的传播规律具有重要意义。他通过数学推导和分析，明确了在不同参数条件下，传染病模型的平衡点是否稳定，以及疾病是否会在人群中持续传播或逐渐消失。关于Hopf分岔分析，Kuznetsov在其著作中对一般动力系统的分岔理论进行了详细阐述，其中包括Hopf分岔的相关理论和方法，为传染病模型的Hopf分岔分析提供了重要的理论工具。他的研究成果使得学者们能够运用分岔理论来研究传染病模型中可能出现的复杂动态行为，如周期解的出现和消失等。在传染病模型的具体研究中，一些学者针对特定的传染病模型进行了Hopf分岔分析，探究传染病爆发和消失之间的转折点。例如，一些研究人员对疟疾、流感等传染病模型进行了Hopf分岔分析，通过分析模型的参数变化，找到了传染病爆发和消失的临界条件，为传染病的预测和控制提供了重要的参考依据。在国内，传染病动力学模型的研究也取得了显著进展。国内学者在借鉴国外研究成果的基础上，结合国内实际情况，对传染病模型进行了深入研究。许多学者对SIR、SEIR等经典传染病模型进行了改进和拓展，考虑了更多的实际因素，如人口流动、免疫接种、环境因素等，使模型更加贴近实际情况。王稳地等学者在传染病动力学模型的研究方面做出了重要贡献，他们通过建立和分析复杂的传染病模型，研究了传染病在不同场景下的传播规律和控制策略，为我国的传染病防控工作提供了有力的理论支持。在稳定性和Hopf分岔分析方面，国内学者也进行了大量研究。一些学者运用非线性动力学理论和方法，对传染病模型的稳定性和Hopf分岔进行了深入研究，得到了许多有价值的结果。他们通过数学推导和数值模拟，分析了模型参数对稳定性和分岔的影响，为传染病的防控提供了理论指导。通过对传染病模型进行稳定性分析，确定了模型的稳定区域和不稳定区域，为制定有效的防控策略提供了依据；通过Hopf分岔分析，找到了传染病爆发和消失的临界参数值，为传染病的预测和预警提供了参考。然而，当前对于受随机激励扰动的高维传染病模型的研究还相对较少。虽然已有部分研究考虑了随机因素对传染病传播的影响，但大多局限于简单的随机模型或低维模型，对于高维模型的研究还不够深入。在实际情况中，传染病的传播受到多种随机因素的影响，如环境噪声、个体行为的随机性等，这些随机因素可能导致传染病的传播过程出现复杂的动态行为。现有的研究在考虑随机激励扰动时，往往简化了实际情况，未能全面考虑各种随机因素的相互作用及其对传染病传播的综合影响。在未来的研究中，需要进一步加强对受随机激励扰动的高维传染病模型的研究，深入探究随机因素对传染病传播的影响机制，为传染病的防控提供更科学、更准确的理论支持。1.3研究内容与方法1.3.1研究内容本研究主要聚焦于受随机激励扰动的高维传染病模型，深入探究其稳定性及Hopf分岔特性，具体研究内容如下：模型构建：基于传染病传播的基本原理，充分考虑随机因素对传染病传播的影响，构建受随机激励扰动的高维传染病模型。在模型构建过程中，纳入多种影响传染病传播的因素，如环境因素的不确定性、个体行为的随机性以及病毒变异的随机性等。考虑环境温度、湿度的随机变化对病毒存活和传播能力的影响，以及个体在日常生活中社交活动模式的随机性对传染病传播的作用。同时，结合实际情况，确定模型中的参数和变量，确保模型能够准确反映传染病在复杂现实环境中的传播过程。稳定性分析：运用随机微分方程理论和稳定性分析方法，对所构建的高维传染病模型进行稳定性分析。通过分析模型的平衡点及其稳定性，确定传染病在何种条件下会趋于稳定或爆发。计算模型的基本再生数，以此作为判断传染病是否会在人群中持续传播的重要指标。当基本再生数小于1时，传染病将逐渐趋于稳定并最终消失；当基本再生数大于1时，传染病有可能在人群中爆发并持续传播。进一步研究随机激励扰动对模型稳定性的影响，分析随机因素如何改变传染病的传播趋势和稳定性条件。Hopf分岔分析：采用Hopf分岔理论和方法，对受随机激励扰动的高维传染病模型进行Hopf分岔分析。通过分析模型参数的变化，确定传染病爆发和消失之间的转折点，即Hopf分岔点。当模型参数经过Hopf分岔点时，系统会发生分岔现象，传染病的传播状态将发生改变，可能从稳定状态转变为周期振荡状态或其他复杂的动态行为。深入研究分岔点附近的动态行为，揭示传染病在随机环境下的复杂传播特性，为传染病的预测和控制提供重要的理论依据。案例验证：选取实际的传染病案例，如新冠肺炎疫情、艾滋病疫情等，对所建立的模型和分析结果进行验证。收集相关的疫情数据，包括感染人数、传播范围、防控措施等信息，将其代入模型中进行模拟和分析。通过与实际疫情数据的对比，检验模型的准确性和有效性，评估模型对传染病传播趋势的预测能力。根据案例验证的结果，对模型和分析方法进行优化和改进，进一步提高模型的可靠性和实用性，为实际传染病防控工作提供更科学、更准确的决策支持。1.3.2研究方法为了实现上述研究内容，本研究将综合运用多种研究方法，主要包括：数学分析方法：运用随机微分方程理论、稳定性分析方法和Hopf分岔理论等数学工具，对受随机激励扰动的高维传染病模型进行严格的数学推导和分析。通过建立数学模型，将传染病传播过程中的各种因素转化为数学表达式，运用数学方法求解模型的平衡点、稳定性条件和分岔点等关键参数。利用Lyapunov稳定性理论判断模型平衡点的稳定性，通过中心流形定理和规范型理论分析Hopf分岔的性质和特征。通过数学分析，深入揭示传染病在随机环境下的传播规律和动态特性，为传染病的防控提供理论基础。数值模拟方法：利用计算机软件和数值算法，对所建立的传染病模型进行数值模拟。通过编写程序，将模型中的数学方程转化为计算机可执行的算法，对不同参数条件下的传染病传播过程进行模拟和仿真。在数值模拟过程中，考虑各种随机因素的影响，通过随机数生成器模拟环境噪声、个体行为的随机性等因素，观察传染病在不同情景下的传播趋势和变化规律。通过数值模拟，可以直观地展示传染病的传播过程，验证数学分析的结果，为传染病的预测和控制提供直观的依据。同时，数值模拟还可以帮助我们探索不同防控措施对传染病传播的影响，为制定有效的防控策略提供参考。二、受随机激励扰动的高维传染病模型构建2.1模型假设在构建受随机激励扰动的高维传染病模型时，为了使模型能够更准确地反映传染病的传播过程，基于现实情况做出以下假设：人口结构假设：将所研究的人群划分为多个不同的亚群，每个亚群具有不同的特征，如年龄、性别、职业、生活习惯等。不同亚群对传染病的易感性、感染后的症状表现以及传播能力都可能存在差异。老年人由于免疫力相对较低，可能更容易感染传染病，且感染后发展为重症的风险更高；从事医疗卫生行业的人员，由于工作环境的特殊性，接触病原体的机会更多，传播传染病的风险也相应增加。假设每个亚群的人口数量在短期内保持相对稳定，不考虑人口的自然出生和死亡因素，这样可以简化模型的构建和分析。但在实际情况中，人口的自然增长和死亡会对传染病的传播产生一定的影响，在后续研究中可以考虑将这些因素纳入模型。传播方式假设：传染病主要通过个体之间的直接接触或间接接触进行传播。直接接触包括人与人之间的身体接触、飞沫传播等，间接接触则包括通过接触被病原体污染的物体表面、空气传播等。假设传染病在人群中的传播遵循一定的概率规律，即每个易感者与感染者接触后，有一定的概率被感染。这个概率受到多种因素的影响，如接触的频率、接触的时间、病原体的传染性等。在公共场所，人员密集且接触频繁，传染病的传播概率会相对较高；而在通风良好、人员稀疏的环境中，传播概率则会降低。随机激励来源假设：模型中考虑的随机激励主要来源于环境因素的不确定性和个体行为的随机性。环境因素的不确定性包括温度、湿度、气压等气象条件的随机变化，这些因素可能影响病原体的存活和传播能力。在高温高湿的环境下，某些病毒可能更容易存活和传播；而在低温干燥的环境中，病毒的存活时间可能会缩短。个体行为的随机性则体现在个体的社交活动模式、出行习惯等方面。有些人可能因为偶然的社交活动而接触到感染者，从而增加感染的风险；而有些人的出行习惯可能导致他们更容易在不同地区之间传播传染病。这些假设在一定程度上简化了传染病传播的复杂现实情况，使得模型的构建和分析成为可能。然而，它们也存在一定的局限性。在实际情况中，人口结构可能会受到人口流动、移民等因素的影响而发生变化；传染病的传播方式可能更加复杂，还可能存在一些未知的传播途径；随机激励的来源也可能更加多样化，除了环境因素和个体行为，还可能包括病毒的变异等因素。因此，在后续的研究中，需要不断改进和完善模型，以使其更加贴近实际情况，为传染病的防控提供更准确的理论支持。2.2模型建立基于上述假设，构建受随机激励扰动的高维传染病模型。设人群被划分为n个亚群，分别用S_{i}(t)、E_{i}(t)、I_{i}(t)和R_{i}(t)表示第i个亚群在时刻t的易感者、潜伏者、感染者和康复者的数量，其中i=1,2,\cdots,n。考虑传染病的传播过程，建立如下微分方程组：\begin{cases}dS_{i}(t)=-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt+\sigma_{1i}S_{i}(t)dW_{1i}(t)\\dE_{i}(t)=\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt-\alpha_{i}E_{i}(t)dt+\sigma_{2i}E_{i}(t)dW_{2i}(t)\\dI_{i}(t)=\alpha_{i}E_{i}(t)dt-\gamma_{i}I_{i}(t)dt+\sigma_{3i}I_{i}(t)dW_{3i}(t)\\dR_{i}(t)=\gamma_{i}I_{i}(t)dt+\sigma_{4i}R_{i}(t)dW_{4i}(t)\end{cases}其中，\beta_{i}表示第i个亚群的传染率，反映了该亚群中易感者与感染者接触后被感染的概率；\alpha_{i}是第i个亚群的潜伏者转化为感染者的转化率，体现了潜伏者在一定时间内发病成为感染者的比例；\gamma_{i}为第i个亚群的感染者康复率，代表了感染者在单位时间内恢复健康的概率；a_{ij}表示第i个亚群与第j个亚群之间的接触系数，用于刻画不同亚群之间的接触频繁程度，当i=j时，a_{ii}表示第i个亚群内部的接触情况，a_{ij}的值越大，说明两个亚群之间的接触越频繁，传染病在它们之间传播的可能性就越高；\sigma_{1i}、\sigma_{2i}、\sigma_{3i}和\sigma_{4i}分别是对应随机激励的强度系数，反映了环境因素不确定性和个体行为随机性对各个状态变量的影响程度，这些系数越大，随机因素对传染病传播过程的影响就越显著；W_{1i}(t)、W_{2i}(t)、W_{3i}(t)和W_{4i}(t)是相互独立的标准布朗运动，用于描述随机激励的不确定性，它们的取值是随机的，且随着时间的变化而变化，模拟了环境因素和个体行为的随机波动。在实际应用中，这些参数的取值需要根据具体的传染病类型和研究对象进行确定。对于流感病毒的传播模型，传染率\beta_{i}可能受到季节、人群聚集程度等因素的影响，在冬季和人群密集的场所，\beta_{i}的值可能会相对较大；而对于艾滋病病毒，由于其传播途径主要是性传播、血液传播和母婴传播，与流感的传播方式不同，其传染率和接触系数等参数的取值也会有很大差异。在一些传染病的研究中，通过对大量历史疫情数据的分析和统计，可以估计出这些参数的大致范围，从而为模型的建立和分析提供依据。2.3模型的基本性质在对受随机激励扰动的高维传染病模型进行深入分析之前，首先需要探讨其基本性质，这些性质对于理解传染病的传播过程以及后续的稳定性和分岔分析具有重要意义。2.3.1解的存在性与唯一性对于上述建立的随机微分方程组，利用随机微分方程理论中的相关定理，可以证明在一定条件下模型解的存在性和唯一性。根据Picard-Lindelöf定理的随机版本，当方程中的系数函数满足局部Lipschitz条件和线性增长条件时，随机微分方程存在唯一的局部解。在本模型中，系数函数\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)、\alpha_{i}E_{i}(t)、\gamma_{i}I_{i}(t)等关于S_{i}(t)、E_{i}(t)、I_{i}(t)和R_{i}(t)是连续可微的，满足局部Lipschitz条件。同时，由于这些系数函数都是关于状态变量的多项式形式，也满足线性增长条件。因此，对于给定的初始条件S_{i}(0)=S_{i0}，E_{i}(0)=E_{i0}，I_{i}(0)=I_{i0}，R_{i}(0)=R_{i0}（其中S_{i0}\geq0，E_{i0}\geq0，I_{i0}\geq0，R_{i0}\geq0，i=1,2,\cdots,n），模型在某个时间区间[0,T)上存在唯一的局部解。为了确保解在整个时间轴上的存在性，还需要进一步分析解的爆破情况。通过构造合适的Lyapunov函数，可以证明模型的解不会在有限时间内爆破，即解是全局存在的。考虑Lyapunov函数V(t)=\sum_{i=1}^{n}(S_{i}(t)+E_{i}(t)+I_{i}(t)+R_{i}(t))，对其求随机微分：\begin{align*}dV(t)&=\sum_{i=1}^{n}(dS_{i}(t)+dE_{i}(t)+dI_{i}(t)+dR_{i}(t))\\&=\sum_{i=1}^{n}(-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt+\sigma_{1i}S_{i}(t)dW_{1i}(t)+\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt-\alpha_{i}E_{i}(t)dt+\sigma_{2i}E_{i}(t)dW_{2i}(t)+\alpha_{i}E_{i}(t)dt-\gamma_{i}I_{i}(t)dt+\sigma_{3i}I_{i}(t)dW_{3i}(t)+\gamma_{i}I_{i}(t)dt+\sigma_{4i}R_{i}(t)dW_{4i}(t))\\&=\sum_{i=1}^{n}(\sigma_{1i}S_{i}(t)dW_{1i}(t)+\sigma_{2i}E_{i}(t)dW_{2i}(t)+\sigma_{3i}I_{i}(t)dW_{3i}(t)+\sigma_{4i}R_{i}(t)dW_{4i}(t))\end{align*}根据Itô公式，对上式两边取期望可得：E[dV(t)]=0这意味着E[V(t)]是一个常数，即E[\sum_{i=1}^{n}(S_{i}(t)+E_{i}(t)+I_{i}(t)+R_{i}(t))]不随时间变化。由于初始条件下S_{i0}，E_{i0}，I_{i0}，R_{i0}均为非负，所以E[\sum_{i=1}^{n}(S_{i}(t)+E_{i}(t)+I_{i}(t)+R_{i}(t))]\geq0，从而保证了解在整个时间轴上的存在性。2.3.2解的非负性在传染病模型中，解的非负性是一个重要的性质，因为S_{i}(t)、E_{i}(t)、I_{i}(t)和R_{i}(t)分别表示不同状态的人群数量，不能为负数。利用随机微分方程的比较定理，可以证明模型的解具有非负性。假设存在某个t_{1}>0，使得对于某个i，有S_{i}(t_{1})<0。考虑随机微分方程dS_{i}(t)=-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt+\sigma_{1i}S_{i}(t)dW_{1i}(t)，构造一个新的随机过程Y_{i}(t)=S_{i}(t)e^{\int_{0}^{t}(\beta_{i}\sum_{j=1}^{n}a_{ij}I_{j}(s)-\frac{1}{2}\sigma_{1i}^{2})ds}，对其应用Itô公式可得：dY_{i}(t)=S_{i}(t)e^{\int_{0}^{t}(\beta_{i}\sum_{j=1}^{n}a_{ij}I_{j}(s)-\frac{1}{2}\sigma_{1i}^{2})ds}(\sigma_{1i}dW_{1i}(t))因为Y_{i}(0)=S_{i}(0)\geq0，且dY_{i}(t)是一个鞅增量（鞅的定义是在已知过去信息的条件下，未来的期望等于现在的值，这里E[dY_{i}(t)|F_{t}]=0，其中F_{t}是到时间t为止的信息集），所以Y_{i}(t)\geq0几乎必然成立（几乎必然成立是概率论中的术语，表示事件发生的概率为1）。从而可得S_{i}(t)\geq0几乎必然成立。同理，可以证明E_{i}(t)\geq0，I_{i}(t)\geq0和R_{i}(t)\geq0几乎必然成立。2.3.3模型的有界性与不变集研究模型的有界性和不变集，有助于进一步了解传染病传播的长期行为和系统的稳定性。首先，定义集合\Omega=\{(S_{1},E_{1},I_{1},R_{1},\cdots,S_{n},E_{n},I_{n},R_{n}):S_{i}\geq0,E_{i}\geq0,I_{i}\geq0,R_{i}\geq0,\sum_{i=1}^{n}(S_{i}+E_{i}+I_{i}+R_{i})=N\}，其中N为总人群数量。可以证明集合\Omega是模型的一个不变集，即如果初始条件(S_{1}(0),E_{1}(0),I_{1}(0),R_{1}(0),\cdots,S_{n}(0),E_{n}(0),I_{n}(0),R_{n}(0))\in\Omega，那么对于所有的t\geq0，都有(S_{1}(t),E_{1}(t),I_{1}(t),R_{1}(t),\cdots,S_{n}(t),E_{n}(t),I_{n}(t),R_{n}(t))\in\Omega。这是因为在模型中，人群总量守恒，即\sum_{i=1}^{n}(S_{i}(t)+E_{i}(t)+I_{i}(t)+R_{i}(t))在传播过程中始终保持不变，且前面已经证明了解的非负性，所以系统的解始终在集合\Omega内。对于模型的有界性，由于集合\Omega是有界的，且解始终在\Omega内，所以模型的解是有界的。这意味着在传染病传播过程中，各个状态的人群数量不会无限增长，而是受到总人群数量的限制。这种有界性对于分析传染病的长期传播趋势和控制策略具有重要意义，它表明传染病的传播不会无限制地扩散，而是在一定范围内波动，为制定有效的防控措施提供了理论依据。三、稳定性分析3.1平衡点的确定对于受随机激励扰动的高维传染病模型，确定其平衡点是研究模型稳定性的关键步骤。平衡点是指在系统中，各状态变量不随时间变化的点，即满足dS_{i}(t)=0，dE_{i}(t)=0，dI_{i}(t)=0，dR_{i}(t)=0的点。3.1.1无病平衡点的求解无病平衡点表示传染病在人群中完全消失的状态，此时I_{i}(t)=0，E_{i}(t)=0，i=1,2,\cdots,n。将其代入模型方程：\begin{cases}dS_{i}(t)=-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt+\sigma_{1i}S_{i}(t)dW_{1i}(t)=0\\dE_{i}(t)=\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt-\alpha_{i}E_{i}(t)dt+\sigma_{2i}E_{i}(t)dW_{2i}(t)=0\\dI_{i}(t)=\alpha_{i}E_{i}(t)dt-\gamma_{i}I_{i}(t)dt+\sigma_{3i}I_{i}(t)dW_{3i}(t)=0\\dR_{i}(t)=\gamma_{i}I_{i}(t)dt+\sigma_{4i}R_{i}(t)dW_{4i}(t)=0\end{cases}由于I_{i}(t)=0，E_{i}(t)=0，第一个方程变为dS_{i}(t)=\sigma_{1i}S_{i}(t)dW_{1i}(t)=0，在非零噪声情况下，只有当S_{i}(t)为常数时满足，设为S_{i}^0。第四个方程变为dR_{i}(t)=\sigma_{4i}R_{i}(t)dW_{4i}(t)=0，同理设R_{i}(t)为常数R_{i}^0。又因为\sum_{i=1}^{n}(S_{i}(t)+E_{i}(t)+I_{i}(t)+R_{i}(t))=N（总人群数量守恒），在无病平衡点处，E_{i}(t)=0，I_{i}(t)=0，所以\sum_{i=1}^{n}(S_{i}^0+R_{i}^0)=N。通常假设初始时刻所有人均为易感者，即R_{i}^0=0，则S_{i}^0=N_{i}（第i个亚群的初始人口数量），所以无病平衡点为E_0=(S_{1}^0,0,0,R_{1}^0,\cdots,S_{n}^0,0,0,R_{n}^0)，其中S_{i}^0满足\sum_{i=1}^{n}S_{i}^0=N，R_{i}^0=0。无病平衡点存在的条件是传染病的传播被完全阻断，即没有新的感染发生。从生物学意义上讲，无病平衡点代表着传染病防控的理想状态，当系统处于无病平衡点时，意味着通过有效的防控措施，如疫苗接种、隔离、卫生宣传等，成功地阻止了传染病在人群中的传播，使疾病得到了完全控制。在实际的传染病防控中，我们的目标就是通过各种手段使系统保持在无病平衡点或者尽快恢复到无病平衡点。3.1.2地方病平衡点的求解地方病平衡点表示传染病在人群中持续存在且保持相对稳定的状态。此时，模型方程满足：\begin{cases}-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*I_{j}^*=0\\\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*I_{j}^*-\alpha_{i}E_{i}^*=0\\\alpha_{i}E_{i}^*-\gamma_{i}I_{i}^*=0\\\gamma_{i}I_{i}^*=0\end{cases}其中(S_{i}^*,E_{i}^*,I_{i}^*,R_{i}^*)表示地方病平衡点处各状态变量的值。由第三个方程\alpha_{i}E_{i}^*-\gamma_{i}I_{i}^*=0可得E_{i}^*=\frac{\gamma_{i}}{\alpha_{i}}I_{i}^*。将E_{i}^*=\frac{\gamma_{i}}{\alpha_{i}}I_{i}^*代入第二个方程\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*I_{j}^*-\alpha_{i}E_{i}^*=0中，得到\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*I_{j}^*-\gamma_{i}I_{i}^*=0，进一步化简为\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*I_{j}^*=\gamma_{i}I_{i}^*。因为I_{i}^*\neq0（地方病平衡点意味着传染病持续存在，感染者数量不为零），所以可以两边同时除以I_{i}^*，得到\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*=\gamma_{i}，从而解得S_{i}^*=\frac{\gamma_{i}}{\beta_{i}\sum_{j=1}^{n}a_{ij}}。再根据总人群数量守恒\sum_{i=1}^{n}(S_{i}^*+E_{i}^*+I_{i}^*+R_{i}^*)=N，可求得R_{i}^*的值。地方病平衡点存在的条件较为复杂，它与模型中的多个参数有关，如传染率\beta_{i}、潜伏者转化率\alpha_{i}、感染者康复率\gamma_{i}以及各亚群之间的接触系数a_{ij}等。从生物学意义上看，地方病平衡点的存在表明传染病在人群中找到了一种相对稳定的传播和维持状态，此时易感者、潜伏者、感染者和康复者的数量在一定范围内波动，但整体上保持相对稳定。在这种状态下，传染病不会消失，但也不会大规模爆发，而是与人群长期共存。例如，一些慢性传染病如艾滋病，在全球范围内就处于一种类似地方病平衡点的状态，虽然经过多年的防控努力，感染人数有所控制，但仍然持续存在，对公共卫生构成长期威胁。3.2局部稳定性分析在确定了受随机激励扰动的高维传染病模型的平衡点后，接下来对其进行局部稳定性分析，以研究在平衡点附近系统的动态行为。局部稳定性分析主要通过分析平衡点处的雅克比矩阵的特征值来判断。对于给定的受随机激励扰动的高维传染病模型：\begin{cases}dS_{i}(t)=-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt+\sigma_{1i}S_{i}(t)dW_{1i}(t)\\dE_{i}(t)=\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt-\alpha_{i}E_{i}(t)dt+\sigma_{2i}E_{i}(t)dW_{2i}(t)\\dI_{i}(t)=\alpha_{i}E_{i}(t)dt-\gamma_{i}I_{i}(t)dt+\sigma_{3i}I_{i}(t)dW_{3i}(t)\\dR_{i}(t)=\gamma_{i}I_{i}(t)dt+\sigma_{4i}R_{i}(t)dW_{4i}(t)\end{cases}在平衡点(S_{i}^*,E_{i}^*,I_{i}^*,R_{i}^*)处，构建雅克比矩阵J。雅克比矩阵的元素通过对模型方程关于各个状态变量求偏导数得到：J=\begin{pmatrix}\frac{\partialf_{1}}{\partialS_{1}}&\frac{\partialf_{1}}{\partialE_{1}}&\frac{\partialf_{1}}{\partialI_{1}}&\frac{\partialf_{1}}{\partialR_{1}}&\cdots&\frac{\partialf_{1}}{\partialS_{n}}&\frac{\partialf_{1}}{\partialE_{n}}&\frac{\partialf_{1}}{\partialI_{n}}&\frac{\partialf_{1}}{\partialR_{n}}\\\frac{\partialf_{2}}{\partialS_{1}}&\frac{\partialf_{2}}{\partialE_{1}}&\frac{\partialf_{2}}{\partialI_{1}}&\frac{\partialf_{2}}{\partialR_{1}}&\cdots&\frac{\partialf_{2}}{\partialS_{n}}&\frac{\partialf_{2}}{\partialE_{n}}&\frac{\partialf_{2}}{\partialI_{n}}&\frac{\partialf_{2}}{\partialR_{n}}\\\frac{\partialf_{3}}{\partialS_{1}}&\frac{\partialf_{3}}{\partialE_{1}}&\frac{\partialf_{3}}{\partialI_{1}}&\frac{\partialf_{3}}{\partialR_{1}}&\cdots&\frac{\partialf_{3}}{\partialS_{n}}&\frac{\partialf_{3}}{\partialE_{n}}&\frac{\partialf_{3}}{\partialI_{n}}&\frac{\partialf_{3}}{\partialR_{n}}\\\frac{\partialf_{4}}{\partialS_{1}}&\frac{\partialf_{4}}{\partialE_{1}}&\frac{\partialf_{4}}{\partialI_{1}}&\frac{\partialf_{4}}{\partialR_{1}}&\cdots&\frac{\partialf_{4}}{\partialS_{n}}&\frac{\partialf_{4}}{\partialE_{n}}&\frac{\partialf_{4}}{\partialI_{n}}&\frac{\partialf_{4}}{\partialR_{n}}\end{pmatrix}其中f_{1}=-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}I_{j}，f_{2}=\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}I_{j}-\alpha_{i}E_{i}，f_{3}=\alpha_{i}E_{i}-\gamma_{i}I_{i}，f_{4}=\gamma_{i}I_{i}。计算得到雅克比矩阵的元素为：\begin{cases}\frac{\partialf_{1}}{\partialS_{i}}=-\beta_{i}\sum_{j=1}^{n}a_{ij}I_{j}^*\\\frac{\partialf_{1}}{\partialE_{i}}=0\\\frac{\partialf_{1}}{\partialI_{i}}=-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*\\\frac{\partialf_{1}}{\partialR_{i}}=0\\\frac{\partialf_{2}}{\partialS_{i}}=\beta_{i}\sum_{j=1}^{n}a_{ij}I_{j}^*\\\frac{\partialf_{2}}{\partialE_{i}}=-\alpha_{i}\\\frac{\partialf_{2}}{\partialI_{i}}=\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*\\\frac{\partialf_{2}}{\partialR_{i}}=0\\\frac{\partialf_{3}}{\partialS_{i}}=0\\\frac{\partialf_{3}}{\partialE_{i}}=\alpha_{i}\\\frac{\partialf_{3}}{\partialI_{i}}=-\gamma_{i}\\\frac{\partialf_{3}}{\partialR_{i}}=0\\\frac{\partialf_{4}}{\partialS_{i}}=0\\\frac{\partialf_{4}}{\partialE_{i}}=0\\\frac{\partialf_{4}}{\partialI_{i}}=\gamma_{i}\\\frac{\partialf_{4}}{\partialR_{i}}=0\end{cases}得到雅克比矩阵后，计算其特征值\lambda_{k}，k=1,2,\cdots,4n。根据线性系统稳定性理论，如果所有特征值的实部均小于零，则平衡点是局部渐近稳定的；如果存在特征值的实部大于零，则平衡点是不稳定的；如果存在实部为零的特征值，且其他特征值实部小于零，则需要进一步分析来确定平衡点的稳定性。对于无病平衡点E_0=(S_{1}^0,0,0,R_{1}^0,\cdots,S_{n}^0,0,0,R_{n}^0)，雅克比矩阵J_{0}的形式相对简单，其特征值可以通过求解特征方程\vertJ_{0}-\lambdaI\vert=0得到。此时，部分特征值为-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^0，-\alpha_{i}，-\gamma_{i}等，由于\beta_{i}，\alpha_{i}，\gamma_{i}均为正数，且S_{i}^0也为正数，所以当满足一定条件时，无病平衡点是局部渐近稳定的。具体来说，当\sum_{i=1}^{n}\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^0\lt\alpha_{i}且\alpha_{i}\lt\gamma_{i}时，无病平衡点是局部渐近稳定的。这意味着在这种情况下，传染病在人群中会逐渐消失，不会大规模爆发。对于地方病平衡点(S_{i}^*,E_{i}^*,I_{i}^*,R_{i}^*)，雅克比矩阵J_{*}的特征值计算较为复杂。通过求解特征方程\vertJ_{*}-\lambdaI\vert=0，得到特征值\lambda_{k}^*。根据劳斯-赫尔维茨稳定性判据（Routh-Hurwitzstabilitycriterion），对于一个多项式方程a_{n}\lambda^{n}+a_{n-1}\lambda^{n-1}+\cdots+a_{1}\lambda+a_{0}=0，如果其系数满足一系列条件，则方程的所有根都具有负实部。对于雅克比矩阵J_{*}的特征方程，通过判断其系数是否满足劳斯-赫尔维茨条件，可以确定地方病平衡点的局部稳定性。当特征方程的所有系数满足相应条件时，地方病平衡点是局部渐近稳定的，这表明传染病在人群中会保持相对稳定的传播状态，不会消失也不会大规模爆发。在实际分析中，还可以通过数值计算的方法来求解雅克比矩阵的特征值，以更直观地判断平衡点的稳定性。利用数值计算软件，输入模型的参数值和平衡点的坐标，计算雅克比矩阵并求解其特征值。通过改变参数值，观察特征值的变化情况，进一步分析参数对平衡点稳定性的影响。当传染率\beta_{i}增大时，雅克比矩阵的某些特征值的实部可能会增大，导致地方病平衡点的稳定性发生变化，传染病可能会从稳定传播状态转变为不稳定状态，从而引发疫情的爆发。3.3全局稳定性分析局部稳定性分析只能揭示平衡点附近系统的动态行为，为了更全面地了解受随机激励扰动的高维传染病模型在整个状态空间的长期行为，还需要进行全局稳定性分析。全局稳定性分析旨在探究系统从任意初始状态出发，是否最终都会趋向于某个平衡点，这对于预测传染病的长期传播趋势以及制定有效的防控策略具有至关重要的意义。运用Lyapunov函数法对模型进行全局稳定性分析。Lyapunov函数是一种用于判断动力系统稳定性的重要工具，其基本思想是通过构造一个正定函数（即Lyapunov函数），并分析该函数沿系统轨迹的变化情况来判断系统的稳定性。如果Lyapunov函数沿系统轨迹单调递减或保持非增，那么系统是稳定的。构造如下Lyapunov函数：V(t)=\sum_{i=1}^{n}\left[S_{i}(t)\ln\frac{S_{i}(t)}{S_{i}^*}+E_{i}(t)\ln\frac{E_{i}(t)}{E_{i}^*}+I_{i}(t)\ln\frac{I_{i}(t)}{I_{i}^*}+R_{i}(t)\ln\frac{R_{i}(t)}{R_{i}^*}\right]其中(S_{i}^*,E_{i}^*,I_{i}^*,R_{i}^*)为模型的平衡点。对V(t)求关于时间t的随机微分，根据Itô公式：\begin{align*}dV(t)&=\sum_{i=1}^{n}\left[\left(1+\ln\frac{S_{i}(t)}{S_{i}^*}\right)dS_{i}(t)+\left(1+\ln\frac{E_{i}(t)}{E_{i}^*}\right)dE_{i}(t)+\left(1+\ln\frac{I_{i}(t)}{I_{i}^*}\right)dI_{i}(t)+\left(1+\ln\frac{R_{i}(t)}{R_{i}^*}\right)dR_{i}(t)\right]+\frac{1}{2}\sum_{i=1}^{n}\left[\frac{\sigma_{1i}^{2}S_{i}^{2}(t)}{S_{i}(t)}+\frac{\sigma_{2i}^{2}E_{i}^{2}(t)}{E_{i}(t)}+\frac{\sigma_{3i}^{2}I_{i}^{2}(t)}{I_{i}(t)}+\frac{\sigma_{4i}^{2}R_{i}^{2}(t)}{R_{i}(t)}\right]dt\end{align*}将模型方程dS_{i}(t)=-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt+\sigma_{1i}S_{i}(t)dW_{1i}(t)，dE_{i}(t)=\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt-\alpha_{i}E_{i}(t)dt+\sigma_{2i}E_{i}(t)dW_{2i}(t)，dI_{i}(t)=\alpha_{i}E_{i}(t)dt-\gamma_{i}I_{i}(t)dt+\sigma_{3i}I_{i}(t)dW_{3i}(t)，dR_{i}(t)=\gamma_{i}I_{i}(t)dt+\sigma_{4i}R_{i}(t)dW_{4i}(t)代入上式可得：\begin{align*}dV(t)&=\sum_{i=1}^{n}\left[\left(1+\ln\frac{S_{i}(t)}{S_{i}^*}\right)\left(-\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt+\sigma_{1i}S_{i}(t)dW_{1i}(t)\right)+\left(1+\ln\frac{E_{i}(t)}{E_{i}^*}\right)\left(\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}(t)I_{j}(t)dt-\alpha_{i}E_{i}(t)dt+\sigma_{2i}E_{i}(t)dW_{2i}(t)\right)+\left(1+\ln\frac{I_{i}(t)}{I_{i}^*}\right)\left(\alpha_{i}E_{i}(t)dt-\gamma_{i}I_{i}(t)dt+\sigma_{3i}I_{i}(t)dW_{3i}(t)\right)+\left(1+\ln\frac{R_{i}(t)}{R_{i}^*}\right)\left(\gamma_{i}I_{i}(t)dt+\sigma_{4i}R_{i}(t)dW_{4i}(t)\right)\right]+\frac{1}{2}\sum_{i=1}^{n}\left(\sigma_{1i}^{2}S_{i}(t)+\sigma_{2i}^{2}E_{i}(t)+\sigma_{3i}^{2}I_{i}(t)+\sigma_{4i}^{2}R_{i}(t)\right)dt\end{align*}经过整理和化简，利用对数函数的性质x\lnx-x+1\geq0（当且仅当x=1时取等号），以及平衡点处的方程关系，可得：dV(t)\leq-\sum_{i=1}^{n}\left[\beta_{i}\sum_{j=1}^{n}a_{ij}S_{i}^*I_{j}^*\left(\frac{S_{i}(t)}{S_{i}^*}-1\right)^2+\alpha_{i}E_{i}^*\left(\frac{E_{i}(t)}{E_{i}^*}-1\right)^2+\gamma_{i}I_{i}^*\left(\frac{I_{i}(t)}{I_{i}^*}-1\right)^2\right]dt+\frac{1}{2}\sum_{i=1}^{n}\left(\sigma_{1i}^{2}S_{i}(t)+\sigma_{2i}^{2}E_{i}(t)+\sigma_{3i}^{2}I_{i}(t)+\sigma_{4i}^{2}R_{i}(t)\right)dt当满足一定条件时，上式右边第一项为负定（即对于除平衡点外的任意状态，该项都小于零），第二项为非负。若能进一步证明第二项的增长速度相对较慢，使得dV(t)在长时间内保持非正，则可以得出V(t)沿系统轨迹单调递减或保持非增。这意味着从任意初始状态出发，系统最终都会趋向于平衡点，即平衡点是全局渐近稳定的。全局稳定性与局部稳定性之间存在密切的关系。局部稳定性是全局稳定性的必要条件，但不是充分条件。如果一个平衡点是全局渐近稳定的，那么它必然是局部渐近稳定的，因为全局稳定性要求系统从任意初始状态都能趋向于该平衡点，自然包括了平衡点附近的初始状态。然而，一个平衡点是局部渐近稳定的，并不能保证它是全局渐近稳定的。在局部稳定性分析中，只考虑了平衡点附近的微小扰动，而全局稳定性分析则考虑了整个状态空间的情况。在某些情况下，系统可能在平衡点附近是稳定的，但在远离平衡点的区域存在其他吸引子，导致系统不能从任意初始状态都趋向于该平衡点。因此，全局稳定性分析能够更全面地反映系统的长期行为，对于深入理解传染病的传播规律和制定有效的防控策略具有更重要的意义。3.4随机扰动对稳定性的影响随机激励扰动在传染病传播过程中扮演着至关重要的角色，它能够显著改变模型的稳定性，使传染病的传播呈现出更为复杂的动态行为。通过深入的理论推导和细致的数值模拟，可以清晰地揭示随机扰动强度与稳定性之间的紧密关联。从理论层面来看，随机扰动对模型稳定性的影响主要体现在对平衡点的稳定性以及系统的渐近行为的改变上。在受随机激励扰动的高维传染病模型中，随机项的存在使得系统的动态行为不再局限于确定性模型所描述的范围。随机扰动可能会导致平衡点的移动，原本稳定的平衡点在随机扰动的作用下可能变得不稳定，反之亦然。当随机扰动强度较小时，系统可能仍然围绕平衡点进行小幅度的波动，保持相对稳定；但当随机扰动强度超过一定阈值时，系统的稳定性可能会被破坏，导致传染病的传播出现异常波动，甚至可能引发疫情的突然爆发或迅速消失。为了更直观地理解随机扰动对稳定性的影响，通过数值模拟进行深入研究。利用计算机软件，对受随机激励扰动的高维传染病模型进行模拟仿真。在模拟过程中，设定不同的随机扰动强度，观察系统的动态变化。当随机扰动强度较小时，如图1所示，易感者、潜伏者、感染者和康复者的数量在平衡点附近波动较小，系统处于相对稳定的状态，传染病的传播也较为平稳。随着随机扰动强度的增加，系统的波动明显增大，如图2所示，感染者数量可能会出现突然的上升或下降，这表明随机扰动对传染病的传播产生了显著影响，使得疫情的发展变得更加难以预测。通过数值模拟，还可以定量分析随机扰动强度与稳定性之间的关系。计算不同随机扰动强度下系统的Lyapunov指数，Lyapunov指数是衡量系统稳定性的重要指标，当Lyapunov指数小于零时，系统是稳定的；当Lyapunov指数大于零时，系统是不稳定的。绘制Lyapunov指数随随机扰动强度变化的曲线，如图3所示，可以清晰地看到，随着随机扰动强度的增加，Lyapunov指数逐渐增大，当随机扰动强度超过某一临界值时，Lyapunov指数变为正值，系统变得不稳定。这进一步说明了随机扰动强度对模型稳定性的影响，当随机扰动强度超过一定范围时，会破坏系统的稳定性，导致传染病的传播出现不可预测的变化。随机扰动还可能导致系统出现一些特殊的动态行为，如随机共振现象。随机共振是指在某些非线性系统中，适当的随机噪声可以增强系统的响应，使系统表现出更明显的周期性或规律性。在受随机激励扰动的高维传染病模型中，当随机扰动强度处于一定范围内时，可能会出现随机共振现象，使得传染病的传播呈现出周期性的波动，这对于理解传染病的季节性爆发等现象具有重要意义。在实际的传染病防控中，随机扰动的影响不容忽视。环境因素的不确定性和个体行为的随机性等随机因素，都可能对传染病的传播产生重要影响。在疫情防控中，需要充分考虑这些随机因素，制定更加灵活和有效的防控策略。加强对环境因素的监测和预警，及时调整防控措施，以应对随机扰动对传染病传播的影响；通过宣传教育等方式，引导个体采取更加规范的行为，减少个体行为随机性对传染病传播的影响。四、Hopf分岔分析4.1Hopf分岔的定义与原理在动力系统理论中，Hopf分岔是一种极为重要的现象，它深刻地揭示了系统在参数变化时的动态行为转变。当系统的某个参数连续变化并经过特定的临界值时，系统的平衡点稳定性会发生显著改变，同时会有周期解从平衡点附近分岔产生，这一过程被称为Hopf分岔。从数学角度来看，对于一个一般的非线性动力系统：\frac{dx}{dt}=f(x,\mu)其中x=(x_1,x_2,\cdots,x_n)是n维状态向量，\mu为系统参数，f(x,\mu)是关于x和\mu的足够光滑的向量函数。假设当\mu=\mu_0时，系统存在平衡点x^*，即f(x^*,\mu_0)=0。在平衡点x^*处对系统进行线性化，得到线性化系统的特征方程：\det(A-\lambdaI)=0其中A=\frac{\partialf}{\partialx}\big|_{x=x^*,\mu=\mu_0}是雅可比矩阵，\lambda为特征值，I是单位矩阵。当\mu在\mu_0附近变化时，如果特征方程满足以下两个条件，系统将在平衡点x^*处发生Hopf分岔：其一，除了有一对共轭的纯虚数特征根\lambda_{1,2}=\pmi\omega_0（\omega_0\gt0）外，其余特征根实部均不为0；其二，横截性条件\frac{d}{d\mu}(\text{Re}(\lambda))\big|_{\mu=\mu_0}\neq0成立，这意味着随着参数\mu的变化，特征值实部在分岔点处的变化率不为零，保证了分岔的发生是实质性的，而非退化的情况。Hopf分岔可以分为超临界Hopf分岔和亚临界Hopf分岔两种类型。在超临界Hopf分岔中，当参数\mu增加并超过分岔值\mu_0时，稳定的周期解（极限环）从不稳定的平衡点分岔产生，此时系统的动态行为从稳定的平衡点状态转变为围绕平衡点作稳定的周期振荡。以一个简单的非线性电路模型为例，当电路中的某个参数（如电阻或电容的值）逐渐变化时，在超临界Hopf分岔点处，电路中的电流或电压会开始出现稳定的周期性振荡，这种振荡在分岔前是不存在的。在亚临界Hopf分岔中，当参数\mu减小并低于分岔值\mu_0时，不稳定的周期解从稳定的平衡点分岔产生，并且在分岔点附近存在一个不稳定的极限环，系统的行为更为复杂，可能会出现突然的跳跃或不稳定的振荡现象。在传染病模型的研究中，Hopf分岔具有重要的生物学意义，它对应着传染病爆发和消失的转折点。当模型中的某些参数（如传染率、接触系数等）发生变化并经过Hopf分岔点时，传染病的传播状态会发生根本性的转变。在一个考虑人群接触模式和病毒传播特性的传染病模型中，当传染率逐渐增加并达到Hopf分岔点时，原本处于稳定状态（可能是无病状态或低感染水平的稳定状态）的系统会突然出现周期性的感染爆发，易感者、感染者和康复者的数量会呈现出周期性的波动。这表明在分岔点之前，传染病的传播相对稳定，而一旦越过分岔点，传染病的传播变得更加复杂和难以预测，可能会引发疫情的大规模爆发和反复波动。这种现象在现实的传染病传播中也有体现，例如一些季节性传染病，其传播强度和范围会随着季节变化（对应模型中的参数变化）而发生改变，在某些关键的“分岔点”时刻，疫情可能会突然爆发并进入一个周期性的传播阶段，给公共卫生防控带来挑战。通过对Hopf分岔的研究，可以更深入地理解传染病传播过程中的这种复杂动态变化，为传染病的预测和防控提供重要的理论依据。4.2Hopf分岔的存在条件对于受随机激励扰动的高维传染病模型，为了推导其出现Hopf分岔的条件，运用中心流形定理和规范型理论进行深入分析。中心流形定理是研究非线性动力系统局部性质的重要工具，它能够将高维系统的分析简化为低维中心流形上的分析，从而更方便地研究系统在平衡点附近的动态行为；规范型理论则通过对系统进行坐标变换，将其转化为一种标准形式，使得分岔分析更加直观和易于处理。首先，将模型在平衡点(S_{i}^*,E_{i}^*,I_{i}^*,R_{i}^*)处进行线性化，得到线性化系统的矩阵形式：dX(t)=AX(t)dt+\sum_{k=1}^{m}B_{k}X(t)dW_{k}(t)其中X(t)=(S_{1}(t)-S_{1}^*,\cdots,S_{n}(t)-S_{n}^*,E_{1}(t)-E_{1}^*,\cdots,E_{n}(t)-E_{n}^*,I_{1}(t)-I_{1}^*,\cdots,I_{n}(t)-I_{n}^*,R_{1}(t)-R_{1}^*,\cdots,R_{n}(t)-R_{n}^*)^T，A为线性化后的系数矩阵，B_{k}为与随机扰动相关的矩阵，W_{k}(t)为相互独立的标准布朗运动，m为随机激励的个数。根据中心流形定理，存在一个中心流形M^c，使得系统在中心流形上的动态行为能够反映整个系统在平衡点附近的主要动态特征。在中心流形M^c上，系统可以表示为：\dot{y}=f(y,z,\mu)\dot{z}=g(y,z,\mu)其中y为中心流形上的变量，z为与中心流形正交的变量，\mu为分岔参数（如传染率\beta_{i}、接触系数a_{ij}等）。由于在中心流形上，z的变化相对于y是高阶无穷小，所以可以忽略z的影响，只考虑y的动态方程\dot{y}=f(y,z,\mu)。对\dot{y}=f(y,z,\mu)进行规范型变换，将其转化为规范型方程。通过一系列的坐标变换和计算，可以得到规范型方程的具体形式。在规范型方程中，关键项的系数决定了系统是否发生Hopf分岔以及分岔的类型（超临界或亚临界）。假设系统的特征方程为\det(A-\lambdaI)=0，当分岔参数\mu变化时，若特征方程满足Hopf分岔的条件，即存在一对共轭纯虚数特征根\lambda_{1,2}=\pmi\omega_0（\omega_0\gt0），且其余特征根实部均不为0，同时横截性条件\frac{d}{d\mu}(\text{Re}(\lambda))\big|_{\mu=\mu_0}\neq0成立，则系统在平衡点处发生Hopf分岔。以传染率\beta_{i}作为分岔参数进行分析。当\beta_{i}逐渐变化时，特征方程的根也会相应地发生变化。通过数值计算或解析分析，可以确定在\beta_{i}=\beta_{i}^0时，系统满足Hopf分岔的条件。当\beta_{i}\lt\beta_{i}^0时，系统的平衡点是稳定的，传染病的传播相对平稳；当\beta_{i}\gt\beta_{i}^0时，系统发生Hopf分岔，会有周期解从平衡点附近分岔产生，传染病的传播出现周期性的波动，可能导致疫情的反复爆发和消退。分岔参数对分岔的影响是多方面的。不同的分岔参数（如接触系数a_{ij}、潜伏者转化率\alpha_{i}、感染者康复率\gamma_{i}等）在系统中扮演着不同的角色，它们的变化会导致系统动力学行为的改变，进而影响Hopf分岔的发生和性质。接触系数a_{ij}反映了不同亚群之间的接触频繁程度，当a_{ij}增大时，传染病在不同亚群之间的传播速度加快，可能使得系统更容易发生Hopf分岔，并且分岔后的周期解的振幅和频率也可能会发生变化。潜伏者转化率\alpha_{i}和感染者康复率\gamma_{i}则影响着传染病在亚群内部的传播和消退过程，它们的变化会改变系统的稳定性和分岔特性。当\alpha_{i}增大时，潜伏者转化为感染者的速度加快，可能会使系统的平衡点发生移动，从而影响Hopf分岔的条件和分岔后的动态行为。通过深入分析分岔参数对分岔的影响，可以更好地理解传染病在不同条件下的传播规律，为制定有效的防控策略提供更精准的理论依据。在实际的传染病防控中，可以通过调整相关参数（如加强社交距离控制以降低接触系数a_{ij}、提高医疗水平以增加感染者康复率\gamma_{i}等），来避免或控制Hopf分岔的发生，从而有效地控制传染病的传播。4.3分岔方向与周期解的稳定性确定Hopf分岔的方向以及分岔产生的周期解的稳定性，对于深入理解传染病模型的动力学行为具有至关重要的意义。通过运用中心流形定理和规范型理论，可以对分岔方向和周期解的稳定性进行精确分析。在中心流形上，将系统方程转化为规范型，通过对规范型方程的系数进行计算和分析，来确定Hopf分岔的方向和周期解的稳定性。设规范型方程为：\dot{z}=(a+ib)z+cz|z|^2+O(|z|^4)其中z是中心流形上的复变量，a、b、c为实系数，a决定了分岔的方向，c决定了周期解的稳定性。当a\lt0时，Hopf分岔为超临界分岔，此时从平衡点分岔出的周期解是稳定的，意味着传染病的传播将呈现出稳定的周期振荡，在一定范围内波动，不会导致疫情的无限扩散。当a\gt0时，Hopf分岔为亚临界分岔，分岔出的周期解是不稳定的，这表明传染病的传播可能会出现突然的变化，疫情可能会迅速爆发或消退，增加了疫情防控的难度。为了更直观地展示分岔现象和周期解的变化，利用数值模拟的方法进行研究。通过编写程序，对受随机激励扰动的高维传染病模型进行数值求解。在数值模拟过程中，设定不同的参数值，观察系统在Hopf分岔点附近的动态行为。以传染率\beta_{i}为分岔参数，当\beta_{i}逐渐变化并经过Hopf分岔点时，观察易感者、潜伏者、感染者和康复者数量的变化情况。在超临界Hopf分岔的情况下，如图4所示，当\beta_{i}超过分岔值后，系统会出现稳定的周期解，感染者数量呈现出周期性的波动，且波动的幅度相对稳定。在亚临界Hopf分岔的情况下，如图5所示，当\beta_{i}接近分岔值时，系统的行为变得不稳定，感染者数量可能会出现突然的大幅增加或减少，表现出复杂的动态变化。通过数值模拟，还可以进一步分析分岔周期解的稳定性。计算不同参数值下系统的Lyapunov指数，当Lyapunov指数小于零时，周期解是稳定的；当Lyapunov指数大于零时，周期解是不稳定的。绘制Lyapunov指数随分岔参数变化的曲线，如图6所示，可以清晰地看到，在超临界Hopf分岔区域，Lyapunov指数小于零，周期解稳定；在亚临界Hopf分岔区域，Lyapunov指数大于零，周期解不稳定。分岔方向和周期解的稳定性对于传染病的防控策略具有重要的指导意义。在超临界Hopf分岔的情况下，由于周期解稳定，我们可以采取相对稳定的防控措施，如定期进行疫苗接种、加强公共卫生监测等，以维持传染病在一个相对稳定的传播状态。在亚临界Hopf分岔的情况下，由于周期解不稳定，疫情的发展难以预测，我们需要采取更加灵活和及时的防控措施，如在疫情爆发初期迅速实施隔离措施、加大医疗资源的投入等，以防止疫情的失控。4.4随机扰动对Hopf分岔的影响随机激励扰动在传染病传播过程中扮演着关键角色，其对Hopf分岔的影响是多方面且复杂的，深刻改变着传染病的传播动态和防控策略的制定。随机扰动可能导致Hopf分岔点的移动，这是其对分岔影响的一个重要方面。分岔点的移动意味着传染病爆发和消失的临界条件发生了变化。在受随机激励扰动的高维传染病模型中，随机因素的引入使得系统的动力学行为变得更加复杂，原本在确定性模型中较为明确的分岔点，在随机扰动下可能会提前或推迟出现。当随机扰动强度较大时，分岔点可能会提前到来，这意味着传染病在相对较低的传播参数条件下就可能进入