集合种群网络视角下传染病模型的构建与动力学分析

集合种群网络视角下传染病模型的构建与动力学分析一、引言1.1研究背景与意义传染病的爆发和传播一直是全球公共卫生领域面临的重大挑战，对人类的健康、社会经济发展以及生活的各个方面都产生了深远的影响。从历史上看，像14世纪的黑死病，这场席卷欧洲的瘟疫，造成了数千万人死亡，几乎改变了整个欧洲的社会结构和发展进程；1918-1919年的西班牙流感，全球约10亿人感染，数千万人死亡，给当时的世界带来了巨大的灾难。即使在现代，传染病的威胁依然不容忽视，如2003年的SARS疫情，迅速在全球多个国家和地区传播，给人们的生命健康带来严重威胁，同时也对旅游业、航空业、零售业等多个行业造成了巨大的经济损失；2009年的甲型H1N1流感，在短时间内迅速蔓延至全球，引发了广泛的社会关注；而2020年爆发的新冠疫情，更是对全球的公共卫生、经济、教育、社会生活等各个领域产生了全方位、深层次且持久的影响，使人们深刻认识到传染病的防控工作刻不容缓且意义重大。传统的传染病模型在研究传染病传播时，往往基于均匀混合假设，即将研究对象视为一个完全混合的群体，个体之间的接触是随机且均匀的。这种假设在一些简单的场景下可能具有一定的合理性，但在现实世界中，传染病的传播往往受到多种复杂因素的影响，如人口的空间分布、人口流动、社会结构等。例如，在一个城市中，不同区域的人口密度差异很大，人们的社交活动范围和频率也各不相同，而且城市与城市之间、地区与地区之间存在着频繁的人口流动。这些因素使得传染病的传播呈现出复杂的网络结构特征，而传统的均匀混合假设无法准确描述这些复杂的传播现象，从而限制了对传染病传播规律的深入理解和有效防控。集合种群网络的概念为传染病研究提供了新的视角和方法。集合种群是指在相对独立的地理区域内，由多个相互联系的局部种群组成的种群系统。在集合种群网络中，局部种群之间通过个体的迁移等方式相互连接，形成了复杂的网络结构。这种网络结构能够更真实地反映传染病传播过程中个体之间的相互关系和传播路径。例如，在研究流感在城市间的传播时，每个城市可以看作是一个局部种群，城市之间的人员流动就构成了集合种群网络中的连接。通过分析这种网络结构，可以更好地理解流感如何在不同城市之间传播，以及哪些城市在传播过程中起到关键的枢纽作用。基于集合种群网络的传染病模型能够整合多种因素，如人口流动、地理距离、局部种群的特征等，更准确地描述传染病的传播过程。通过对集合种群网络中传染病传播的研究，可以深入了解传染病在不同区域、不同人群之间的传播规律，预测传染病的传播趋势，评估不同防控措施的效果。这对于制定科学合理的传染病防控策略，提高防控工作的针对性和有效性具有重要的现实意义。例如，在新冠疫情防控中，通过构建集合种群网络模型，可以分析不同地区之间人员流动对疫情传播的影响，从而有针对性地制定交通管制、隔离措施等，有效遏制疫情的扩散。1.2国内外研究现状在传染病模型研究领域，早期以Kermack和Mckendrick于1927年提出的SIR仓室模型以及1932年提出的SIS仓室模型为重要奠基，他们提出的“阈值理论”，为后续传染病数学模型的研究搭建了基础框架，使得研究者能够从理论层面判断传染病是否会流行。此后，大量数学模型不断涌现，用于分析各类传染病问题，涵盖了接触传播、垂直传播、虫媒传播等多种传播方式，并且开始综合考虑疾病潜伏期、隔离、接种预防、交叉感染、年龄结构、空间迁移和扩散等复杂因素。国外在集合种群网络与传染病模型结合的研究开展较早且成果丰硕。一些研究运用复杂网络理论，深入分析集合种群网络的拓扑结构对传染病传播的影响，通过构建基于集合种群网络的传染病模型，探究疾病在不同网络结构下的传播规律，包括传播速度、范围以及最终规模等。例如，部分学者通过研究发现，在某些具有特定连接方式的集合种群网络中，传染病的传播会呈现出独特的阶段性特征，初期传播速度较慢，但在达到一定阈值后会迅速扩散。还有研究利用数学分析方法，计算传染病在集合种群网络中的基本再生数，以此评估传染病的传播潜力和控制难度。国内相关研究起步相对较晚，但发展迅速。随着对传染病防控重视程度的不断提高，国内众多科研团队积极投身于该领域的研究。在2003年SARS疫情期间，西安交通大学的研究团队通过建立传染病数学模型、数据分析、参数推断和计算机模拟等手段，对SARS的流行趋势进行了精准预测，为疫情防控提供了重要的决策依据。近年来，国内学者在集合种群网络传染病模型研究方面取得了一系列成果，不仅在理论研究上深入探讨模型的动力学性质，如平衡点的稳定性、分支现象等，还结合实际案例，将模型应用于流感、新冠肺炎等传染病的防控研究中，通过分析不同地区之间的人口流动、社交接触模式等因素，为制定针对性的防控策略提供理论支持。例如，有研究针对新冠疫情构建集合种群网络模型，分析了不同防控措施下疫情的传播态势，发现早期的严格隔离措施和限制人员流动能够有效降低疫情的传播速度和范围。然而，当前研究仍存在一些不足之处。一方面，多数模型在构建时对现实情况进行了一定程度的简化，未能充分考虑到一些复杂的因素。例如，在考虑人口流动时，往往只简单地设定固定的迁移率，而实际情况中人口流动会受到季节、节假日、政策等多种因素的影响，呈现出动态变化的特征；在描述局部种群内部的接触模式时，也多采用较为简单的假设，难以准确反映现实中多样化的社交结构。另一方面，对于集合种群网络中传染病传播的长期动态行为和演化规律的研究还不够深入。目前的研究大多集中在短期内传染病的传播特征和控制策略，对于传染病在长时间尺度下的周期性变化、反复爆发机制以及与生态系统的相互作用等方面的研究还相对匮乏。此外，不同研究之间缺乏统一的标准和方法，导致研究结果的可比性和通用性受到一定限制，这也在一定程度上阻碍了该领域研究的进一步深入和发展。1.3研究目标与方法本研究旨在深入剖析基于集合种群网络的传染病传播机制，建立精准有效的传染病模型，为传染病防控策略的制定提供坚实的理论依据。具体研究目标如下：构建综合模型：充分考虑人口流动、地理距离、局部种群特征以及社交结构等多方面因素，构建基于集合种群网络的传染病模型，以更真实地反映传染病在复杂现实环境中的传播过程。例如，针对不同城市之间的人口流动，详细分析流动模式（如季节性流动、日常通勤流动等）、流动规模对传染病传播的影响；考虑地理距离对传播概率的影响，距离越远，传播概率可能越低。揭示传播规律：通过对所构建模型的深入分析，探究传染病在集合种群网络中的传播规律，包括传播速度、传播范围、传播高峰期的出现时间以及不同局部种群之间的传播差异等。比如，分析在不同网络结构下，传染病从初始爆发点开始，如何在各个局部种群之间扩散，以及在传播过程中，哪些局部种群会成为传播的关键节点。评估防控效果：利用建立的模型，对多种传染病防控措施进行模拟和评估，明确不同防控措施的有效性和适用场景，为实际防控工作提供科学指导。例如，模拟分析隔离措施在不同实施强度和时间节点下，对传染病传播的抑制效果；评估疫苗接种策略（如接种率、接种人群的选择等）对控制疫情的作用。预测传播趋势：结合实际数据，对传染病在集合种群网络中的传播趋势进行预测，提前为可能出现的疫情爆发做好准备。比如，收集某地区过去传染病的传播数据，包括发病时间、地点、人数等，运用模型对未来一段时间内的疫情发展进行预测，为政府部门制定防控预案提供参考。为实现上述研究目标，本研究拟采用以下研究方法：数学建模：运用微分方程、差分方程等数学工具，构建基于集合种群网络的传染病模型。在建模过程中，充分考虑各种复杂因素，如人口流动、局部种群内部的接触模式等，使模型更贴合实际情况。例如，通过微分方程描述易感者、感染者和康复者等不同群体在集合种群网络中的数量变化，同时引入表示人口流动和接触模式的参数。理论分析：运用稳定性理论、分支理论等数学理论，对所构建的模型进行分析，研究模型的动力学性质，如平衡点的稳定性、基本再生数的计算等，从而深入理解传染病的传播机制和发展趋势。例如，通过计算基本再生数，判断传染病在集合种群网络中是否会爆发，如果基本再生数大于1，传染病可能会在网络中传播开来；反之，则可能逐渐消失。数值模拟：利用计算机编程技术，对模型进行数值模拟，直观展示传染病在集合种群网络中的传播过程，分析不同因素对传播的影响。通过数值模拟，可以快速得到大量的数据，从而更全面地了解传染病的传播规律。例如，使用Python等编程语言，编写模拟程序，设定不同的参数值，观察传染病在网络中的传播情况，分析传播速度、范围等指标与参数之间的关系。数据驱动建模：收集实际的传染病数据，如病例数、人口流动数据、地理信息等，对模型进行校准和验证，提高模型的准确性和可靠性。通过将模型预测结果与实际数据进行对比，不断调整模型参数，使模型能够更好地反映现实情况。例如，在研究新冠疫情时，收集各地的确诊病例数、人员流动轨迹等数据，用于验证和改进所建立的模型。二、相关理论基础2.1集合种群网络理论2.1.1集合种群概念与特征集合种群，又被称作异质种群、超种群等，其概念最早由美国生态学家R.Levins于1970年提出，将其定义为“种群的种群（apopulationofpopulations）”。它是指在相对独立的地理区域内，由空间上相互隔离，但又存在功能联系（通过一定程度的个体迁移）的两个或两个以上的局部种群所构成的镶嵌系统。这些局部种群也被称为局域种群。例如，在一片被城市、农田等分割的森林区域中，不同的森林斑块中分别生存着一些小型哺乳动物，这些分布在不同斑块中的小型哺乳动物种群就构成了一个集合种群。集合种群具有以下显著特征：空间分布特征：集合种群的适宜栖息地以离散斑块的形式存在，这些离散斑块构成了局域种群生存的基本单元。每个局域种群占据一个相对独立的栖息地斑块，不同斑块之间存在一定的空间距离。以蝴蝶的集合种群为例，不同的花丛或小片树林就像是一个个离散的栖息地斑块，蝴蝶的不同局域种群在这些斑块中生存繁衍。而且集合种群的分布范围不仅仅取决于栖息地斑块的数量，还与斑块之间的空间位置关系密切相关。如果斑块之间距离过远，个体迁移困难，可能会影响集合种群的连通性和整体稳定性。局域种群间联系特征：局域种群之间通过个体迁移建立起功能联系，这种联系对于集合种群的动态变化至关重要。个体迁移可以使基因在不同局域种群之间流动，增加种群的遗传多样性。当一个局域种群发生数量波动甚至面临灭绝风险时，其他局域种群的个体通过迁移可以重新定殖该斑块，维持集合种群的整体数量稳定。在鸟类的集合种群中，一些鸟类会在不同的繁殖地和觅食地之间迁移，当某个繁殖地的食物资源减少时，鸟类会迁移到其他食物丰富的地区，从而保证整个集合种群的生存和繁衍。此外，局域种群之间的迁移还受到多种因素的影响，如栖息地质量、气候条件、资源分布等。优质的栖息地往往吸引更多个体迁入，而恶劣的气候条件可能会阻碍个体迁移。灭绝与再定殖特征：即使是最大的局域种群也存在灭绝风险，这是集合种群的一个重要特征。由于各种随机因素的影响，如自然灾害、疾病爆发、食物短缺等，局域种群可能会灭绝。但同时，由于个体迁移的存在，未被占据的栖息地斑块又有可能被其他局域种群的个体重新定殖。例如，在一个由多个池塘组成的青蛙集合种群中，某个池塘可能因为水污染导致其中的青蛙局域种群灭绝，但如果其他池塘的青蛙能够迁移到这个池塘，就有可能重新建立起新的局域种群。这种灭绝与再定殖的动态过程使得集合种群在不断变化的环境中维持着自身的存在和发展，并且不同局域种群的灭绝和再定殖过程往往不同步，这有助于集合种群整体的稳定性。如果所有局域种群的动态完全同步，那么一旦遇到大规模的不利事件，整个集合种群就可能面临灭绝的危险。动态非同步性特征：各个局域种群的动态不能完全同步，这是集合种群能够长期稳定存在的关键因素之一。不同局域种群所处的环境条件存在差异，如资源丰富程度、天敌数量、竞争压力等，这些因素导致局域种群在数量变化、繁殖周期等方面表现出不同步性。在一个包含多个草原斑块的食草动物集合种群中，有的斑块可能因为降水充足，植物生长茂盛，食草动物的数量增长较快；而其他斑块可能因为干旱，食物资源匮乏，食草动物数量减少。这种动态的非同步性使得集合种群在整体上具有更强的缓冲能力和适应能力，当某个局域种群受到不利因素影响时，其他局域种群可以在一定程度上弥补其损失，维持集合种群的整体稳定性。2.1.2集合种群网络类型与结构基于现代集合种群概念，S.P.Harrison和A.D.Taylor将集合种群分为五种类型，每种类型都具有独特的结构特点：经典型或莱文斯集合种群：由许多大小和生态特征相似的生境斑块组成。在这种类型中，各个局域种群之间的迁移概率相对较为均匀，没有明显的核心种群和边缘种群之分。例如，在一片均匀分布着小型湖泊的区域，每个湖泊中都生存着一种鱼类的局域种群，这些湖泊大小相近，生态环境相似，鱼类在各个湖泊之间的迁移相对容易，形成了经典型集合种群。其网络结构呈现出较为均匀的连接模式，每个节点（代表局域种群）与其他节点之间的连接强度差异不大。这种类型的集合种群动态主要受局域种群的灭绝和再定殖过程影响，当某个湖泊中的鱼类种群灭绝后，其他湖泊的鱼类通过迁移有可能重新占据该湖泊。大陆-岛屿型集合种群或核心-卫星集合种群：由少数很大的和许多很小的生境斑块组成。其中，少数大的生境斑块构成大陆或核心种群，具有较高的种群稳定性和较低的灭绝风险；众多小的生境斑块则如同岛屿或卫星种群，灭绝风险相对较高。以鸟类的集合种群为例，一些大型的森林区域作为核心栖息地，拥有大量的鸟类个体，形成核心种群；而周边一些小型的树林或灌木丛则是卫星栖息地，鸟类数量较少，容易受到外界因素影响而灭绝。在网络结构上，核心种群与卫星种群之间存在明显的层级关系，核心种群与多个卫星种群相连，卫星种群主要与核心种群进行个体迁移，卫星种群之间的迁移相对较少。核心种群对整个集合种群的稳定性起着关键作用，当卫星种群灭绝时，核心种群的个体可以迁移过去重新建立种群。斑块性种群：由许多相互之间由频繁个体或繁殖体交流的生境斑块组成的种群系统。在这种类型中，各个生境斑块之间的联系紧密，个体迁移频繁，几乎可以看作是一个连续的种群。比如，在一片湿地中，不同的浅滩、芦苇丛等生境斑块之间，水鸟可以自由穿梭，它们之间的繁殖体（如鸟蛋）也可能随着水流等因素在不同斑块之间传播，形成了斑块性种群。其网络结构表现为高度连通，各个节点之间的连接强度高，信息和物质在网络中传递迅速。由于个体交流频繁，这种集合种群在遗传多样性上相对较为均一，且对环境变化的响应较为一致。非平衡态集合种群：这类集合种群中，局域种群的灭绝和再定殖过程处于非平衡状态，可能由于环境的剧烈变化、人类活动的强烈干扰等因素，导致集合种群的动态不稳定。例如，在一个受到严重污染的河流生态系统中，鱼类的局域种群不断灭绝，而由于污染的持续存在，新的种群难以重新定殖，使得整个集合种群处于衰退状态。在网络结构上，这种集合种群的连接模式可能会随着局域种群的灭绝而不断变化，网络的连通性逐渐降低。非平衡态集合种群的研究对于理解生态系统在极端干扰下的响应机制具有重要意义，有助于制定针对性的保护和恢复措施。中间型或混合型集合种群：是上述几种类型的混合，兼具多种类型的特点。在现实生态系统中，许多集合种群并不完全符合某一种单一类型，而是表现出中间型或混合型的特征。比如，在一个山地生态系统中，既有一些相对独立且大小相似的山谷生境斑块，形成类似经典型集合种群的部分；又有一些大型的山间盆地作为核心栖息地，周围环绕着小型的山坡栖息地，呈现出大陆-岛屿型集合种群的特点。这种混合型集合种群的网络结构复杂多样，节点之间的连接模式和强度各不相同。研究中间型或混合型集合种群需要综合考虑多种因素，以更全面地理解其生态过程和动态变化。2.2传染病模型基础2.2.1常见传染病模型概述传染病模型是研究传染病传播规律和防控策略的重要工具，通过数学模型的形式对传染病在人群中的传播过程进行定量描述和分析。常见的传染病模型包括SI模型、SIS模型、SIR模型等，它们各自基于不同的假设和原理，从不同角度揭示传染病的传播机制。SI模型，即易感者-感染者模型，是最为基础的传染病模型之一。该模型将人群简单地划分为易感者（Susceptible）和感染者（Infectious）两个群体。在模型假设中，认为人口总数在疾病传播期内保持不变，既不发生迁移，也不考虑出生与死亡情况。同时，假定每个病人每天有效接触的平均人数为常数λ，即日接触率。当感染者与易感者发生有效接触时，易感者就会被感染并转变为感染者，且一旦感染，个体就会永久性地处于感染状态，不会恢复或死亡。用数学公式表示，若设易感者数量为S(t)，感染者数量为I(t)，总人口数为N，且N=S(t)+I(t)，则感染者数量的变化率可表示为：\frac{dI(t)}{dt}=\lambdaS(t)I(t)。SI模型虽然简单，但它为理解传染病的基本传播过程提供了基础，适用于描述那些一旦感染就无法恢复的传染病传播情况，如某些慢性传染病或长期携带病原体的情况。SIS模型，即易感者-感染者-易感者模型，在SI模型的基础上进行了扩展。该模型同样假设人口总数不变，且存在日接触率λ。与SI模型不同的是，SIS模型考虑了感染者的恢复情况，假设每天被治愈的病人数占病人总数的比例为常数μ，即日治愈率，且病人治愈后会重新成为易感者，再次具有被感染的可能性。其数学表达式为：\frac{dI(t)}{dt}=\lambdaS(t)I(t)-\muI(t)。这里，\frac{1}{\mu}表示平均感染期，例如，当\mu=0.2时，意味着日治愈率为20%，平均感染期为5天。SIS模型适用于描述那些感染者可以恢复健康，且恢复后仍易再次被感染的传染病，如普通感冒等。在SIS模型中，存在一个关键参数\sigma=\frac{\lambda}{\mu}，当\sigma\gt1时，表明每天传染的人数大于治愈的人数，传染病会持续传播，最终感染人数会趋于一个定值；当\sigma\leq1时，说明治愈人数大于或等于传染人数，最终所有人都会被治愈，传染病得到控制。SIR模型，即易感者-感染者-移除者模型，进一步完善了对传染病传播过程的描述。该模型将人群分为易感者（Susceptible）、感染者（Infectious）和移除者（Removed）三个群体。移除者包括已经康复并且获得免疫力的人群，以及因感染死亡的人群。模型假设存在日接触率β和日治愈率γ。感染者数量的变化率为：\frac{dI(t)}{dt}=\betaS(t)I(t)-\gammaI(t)，易感者数量的变化率为：\frac{dS(t)}{dt}=-\betaS(t)I(t)，移除者数量的变化率为：\frac{dR(t)}{dt}=\gammaI(t)。SIR模型适用于描述那些感染后可以获得免疫力的传染病，如麻疹、天花等。在SIR模型中，随着时间的推移，感染者数量先增加后减少，最终病人会全部被治愈或移除，而健康的易感者会保持一定的比例。并且存在一个基本再生数R_0=\frac{\beta}{\gamma}，当R_0\gt1时，传染病会在人群中传播开来；当R_0\leq1时，传染病则不会大规模传播，最终会逐渐消失。2.2.2模型关键参数与意义在传染病模型中，有几个关键参数对理解传染病的传播机制和制定防控策略起着至关重要的作用，其中包括基本再生数、传播率、恢复率等。基本再生数（R_0）是传染病学中一个极其重要的概念，它表示在完全易感人群中，一个典型感染者在整个传染期内平均能够传染的易感个体数量。以SIR模型为例，基本再生数R_0=\frac{\beta}{\gamma}，其中β为传播率，γ为恢复率。R_0的大小直接反映了传染病的传播潜力和严重程度。当R_0\gt1时，意味着一个感染者平均能传染超过1个易感者，传染病会在人群中持续传播并扩散，引发疫情的爆发；R_0的值越大，传染病的传播速度越快，波及的范围越广，防控的难度也就越大。例如，在新冠疫情初期，根据不同地区和研究方法的估算，新冠病毒的R_0值大约在2-3左右，这表明每个感染者平均能传染2-3个人，使得疫情在全球范围内迅速蔓延。相反，当R_0\leq1时，一个感染者平均传染的人数小于等于1，传染病将逐渐得到控制，传播范围会逐渐缩小，最终可能消失。因此，R_0是判断传染病是否会流行的关键阈值，对于评估疫情的发展趋势和制定防控策略具有重要的指导意义。传播率（如SI模型中的λ、SIR模型中的β）描述了在单位时间内，一个感染者与易感者发生有效接触并导致易感者感染的概率。传播率的大小受到多种因素的影响，包括病原体的传染性、人群的接触模式、环境条件等。在传染病传播过程中，传播率直接决定了传染病的传播速度。如果传播率较高，意味着感染者能够更频繁地将病原体传播给易感者，疫情会快速扩散。例如，在流感季节，由于人们在室内活动频繁，空间相对密闭，人与人之间的接触距离近、频率高，导致流感病毒的传播率增加，使得流感在人群中迅速传播。相反，降低传播率是控制传染病传播的重要手段之一。通过采取一系列防控措施，如加强个人卫生（勤洗手、戴口罩等）、保持社交距离、减少人群聚集等，可以有效减少感染者与易感者之间的有效接触，从而降低传播率，减缓传染病的传播速度。恢复率（如SIS模型中的μ、SIR模型中的γ）表示单位时间内感染者恢复健康（或死亡）的概率。恢复率反映了感染者从感染状态中脱离的速度。较高的恢复率意味着感染者能够更快地恢复健康或被移除出感染群体，从而减少了传染病在人群中的传播源，有助于控制疫情的发展。例如，在一些传染病的治疗中，随着医疗技术的进步和有效药物的使用，感染者的恢复率提高，使得疫情能够得到更快的控制。恢复率还与传染病的病程和严重程度有关，不同的传染病具有不同的恢复率。一些轻症传染病，如普通感冒，恢复率相对较高，病程较短；而一些重症传染病，如埃博拉病毒感染，恢复率较低，病程较长，对人群的危害也更大。三、基于集合种群网络的传染病模型构建3.1模型假设与前提在构建基于集合种群网络的传染病模型时，为了使模型能够更有效地描述传染病在复杂现实环境中的传播过程，需要对种群迁移、个体行为、传播机制等方面做出一系列合理的假设。在种群迁移方面，假设不同局部种群之间存在一定的迁移率。这种迁移率并非固定不变，而是受到多种因素的综合影响。例如，季节因素会对人口迁移产生显著影响，在春节等传统节日期间，大量人员会返乡团聚，导致人口在不同地区之间大规模流动，此时迁移率会大幅提高；旅游旺季时，人们前往热门旅游景点，也会增加不同局部种群之间的人口流动。交通便利性也是影响迁移率的重要因素，发达的交通网络使得人们能够更便捷地出行，从而促进了人口的迁移。不同局部种群之间的吸引力差异同样不可忽视，经济发达地区往往吸引更多人前往就业、生活，其与其他地区之间的迁移率相对较高。同时，假设迁移过程是双向的，即人员既可以从一个局部种群迁移到另一个局部种群，也可以反向迁移。以城市间的人口流动为例，既有乡村人口向城市迁移寻求更好的发展机会，也有城市居民因工作变动、生活环境等因素迁移到其他城市或乡村地区。对于个体行为，假定个体在局部种群内部的活动具有一定的规律性。例如，在一个城市中，人们的日常活动范围主要集中在居住区域、工作场所、学校、商场等几个固定的场所，且每天在这些场所之间的移动路径相对稳定。个体与其他个体的接触并非完全随机，而是受到社交圈子、工作关系、家庭关系等多种因素的制约。在工作场景中，同事之间的接触频率较高；在社交生活中，朋友、家人之间的接触更为密切。并且假设个体具有一定的自我保护意识，在传染病流行期间，部分个体可能会主动采取防护措施，如佩戴口罩、减少不必要的外出、保持社交距离等。这些防护措施的实施概率与个体对传染病的认知程度、当地的疫情严重程度等因素相关。当疫情严重时，人们的自我保护意识会增强，采取防护措施的概率也会相应提高。在传播机制上，假设传染病的传播主要通过直接接触和间接接触两种方式进行。直接接触包括人与人之间的面对面交流、身体接触等；间接接触则涉及通过空气、物体表面等媒介传播病原体。例如，新冠病毒可以通过飞沫传播，当感染者咳嗽、打喷嚏时，飞沫中的病毒会传播给周围近距离接触的人，这属于直接接触传播；同时，病毒也可以在空气中悬浮一段时间，其他人吸入含有病毒的空气后可能被感染，或者病毒附着在物体表面，健康人接触后再触摸口鼻等部位也可能感染，这属于间接接触传播。假设传播概率与个体之间的接触频率、接触时长以及病原体的传染性等因素有关。接触频率越高、接触时长越长，传播概率就越大；病原体的传染性越强，传播概率也相应增加。例如，流感病毒在人群密集、通风不良的环境中，由于人们接触频繁且时间较长，传播概率会明显提高。此外，还假设每个局部种群具有相对独立的生态环境和人口特征。不同局部种群的人口密度、年龄结构、免疫力水平等存在差异，这些差异会对传染病的传播产生影响。在人口密度高的局部种群中，个体之间的接触机会增多，传染病更容易传播；年龄结构不同，对传染病的易感性也不同，老年人和儿童往往更容易感染某些传染病；免疫力水平较低的人群，感染传染病的风险相对较高。假设局部种群内部的资源（如医疗资源、生活物资等）有限，在传染病爆发时，资源的分配和利用情况会影响疫情的发展。如果医疗资源不足，无法及时对感染者进行治疗和隔离，会导致疫情的扩散；生活物资短缺可能影响人们的正常生活，降低人们的抵抗力，间接促进传染病的传播。3.2模型构建过程3.2.1考虑迁移的模型构建在集合种群网络框架下，构建基于个体迁移的传染病传播模型，首先需要明确网络的基本构成要素。将集合种群网络视为由多个局部种群组成的复杂网络结构，每个局部种群可看作网络中的一个节点，节点之间通过个体迁移形成连接。以城市间的人口流动与传染病传播为例，不同城市就是一个个局部种群，城市之间的人员往来（如出差、旅游、探亲等）构成了网络中的连接。假设在集合种群网络中，存在n个局部种群，分别用i=1,2,\cdots,n表示。对于每个局部种群i，将其中的个体划分为易感者（S_i(t)）、感染者（I_i(t)）和康复者（R_i(t)）三个类别。其中，S_i(t)表示在时刻t，局部种群i中未感染传染病但有感染风险的个体数量；I_i(t)表示时刻t局部种群i中已感染传染病且具有传染性的个体数量；R_i(t)表示时刻t局部种群i中已经康复且具有免疫力（或死亡）的个体数量。并且满足N_i=S_i(t)+I_i(t)+R_i(t)，N_i为局部种群i的总人口数量。考虑个体在不同局部种群之间的迁移，设从局部种群i迁移到局部种群j的迁移率为\omega_{ij}，其取值范围在0到1之间。\omega_{ij}的大小受到多种因素的影响，如两个局部种群之间的地理距离、交通便利程度、经济联系紧密程度等。例如，两个相邻且交通发达、经济往来频繁的城市之间，人员迁移率可能较高；而距离较远、交通不便且经济联系较少的城市之间，迁移率则较低。同时，\omega_{ij}并非固定不变，会随着时间和各种因素的变化而动态调整。在疫情期间，政府实施的交通管制、隔离措施等政策会显著影响迁移率。当某个城市出现疫情爆发时，其他城市可能会限制来自该城市的人员流入，导致迁移率降低。基于上述假设，建立描述传染病在集合种群网络中传播的微分方程组：\begin{cases}\frac{dS_i(t)}{dt}=-\beta_iS_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}S_j(t)-\sum_{j=1}^{n}\omega_{ij}S_i(t)\\\frac{dI_i(t)}{dt}=\beta_iS_i(t)I_i(t)-\gamma_iI_i(t)+\sum_{j=1}^{n}\omega_{ji}I_j(t)-\sum_{j=1}^{n}\omega_{ij}I_i(t)\\\frac{dR_i(t)}{dt}=\gamma_iI_i(t)+\sum_{j=1}^{n}\omega_{ji}R_j(t)-\sum_{j=1}^{n}\omega_{ij}R_i(t)\end{cases}其中，\beta_i表示局部种群i中传染病的传播率，反映了在单位时间内，一个感染者与易感者发生有效接触并导致易感者感染的概率。\beta_i的大小受到局部种群内部的人口密度、社交活动频繁程度、个体防护措施等多种因素的影响。在人口密集、社交活动频繁且个体防护意识薄弱的局部种群中，传染病的传播率往往较高。\gamma_i表示局部种群i中感染者的恢复率，即单位时间内感染者恢复健康（或死亡）的概率。不同的传染病以及不同的局部种群，其恢复率可能存在差异。一些轻症传染病在医疗资源充足的局部种群中，恢复率可能较高；而重症传染病在医疗条件有限的地区，恢复率则较低。在这个模型中，第一个方程描述了易感者数量的变化。-\beta_iS_i(t)I_i(t)表示由于与感染者接触而导致易感者被感染的数量，这是导致易感者数量减少的主要因素；\sum_{j=1}^{n}\omega_{ji}S_j(t)表示从其他局部种群j迁移到局部种群i的易感者数量，这会使局部种群i的易感者数量增加；\sum_{j=1}^{n}\omega_{ij}S_i(t)表示从局部种群i迁移到其他局部种群j的易感者数量，导致局部种群i的易感者数量减少。第二个方程描述了感染者数量的变化。\beta_iS_i(t)I_i(t)表示由于易感者被感染而新增的感染者数量，这是感染者数量增加的主要来源；-\gamma_iI_i(t)表示在单位时间内恢复健康（或死亡）的感染者数量，使感染者数量减少；\sum_{j=1}^{n}\omega_{ji}I_j(t)表示从其他局部种群j迁移到局部种群i的感染者数量，会增加局部种群i的感染者数量；\sum_{j=1}^{n}\omega_{ij}I_i(t)表示从局部种群i迁移到其他局部种群j的感染者数量，导致局部种群i的感染者数量减少。第三个方程描述了康复者数量的变化。\gamma_iI_i(t)表示在单位时间内从感染者恢复为康复者（或死亡）的数量，这是康复者数量增加的主要途径；\sum_{j=1}^{n}\omega_{ji}R_j(t)表示从其他局部种群j迁移到局部种群i的康复者数量，会使局部种群i的康复者数量增加；\sum_{j=1}^{n}\omega_{ij}R_i(t)表示从局部种群i迁移到其他局部种群j的康复者数量，导致局部种群i的康复者数量减少。通过这个微分方程组，可以全面地描述传染病在集合种群网络中的传播过程，以及个体迁移对传染病传播的影响。通过对该模型的分析和求解，可以深入研究传染病在不同局部种群之间的传播规律，预测传染病的传播趋势，为制定有效的传染病防控策略提供理论依据。3.2.2引入其他因素的模型拓展为了使基于集合种群网络的传染病模型更加贴近现实情况，更准确地描述传染病的传播过程，需要进一步考虑引入潜伏期、免疫期、环境因素等多种复杂因素，对模型进行拓展。在现实的传染病传播过程中，许多传染病存在潜伏期，即个体感染病原体后，并不会立即发病并具有传染性，而是需要经过一段时间的潜伏。考虑潜伏期因素，将局部种群中的个体进一步细分为易感者（S_i(t)）、暴露者（E_i(t)）、感染者（I_i(t)）和康复者（R_i(t)）四类。其中，暴露者是指已经感染病原体但尚未发病，不具有传染性的个体。引入潜伏期后，模型的微分方程组扩展为：\begin{cases}\frac{dS_i(t)}{dt}=-\beta_iS_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}S_j(t)-\sum_{j=1}^{n}\omega_{ij}S_i(t)\\\frac{dE_i(t)}{dt}=\beta_iS_i(t)I_i(t)-\sigma_iE_i(t)+\sum_{j=1}^{n}\omega_{ji}E_j(t)-\sum_{j=1}^{n}\omega_{ij}E_i(t)\\\frac{dI_i(t)}{dt}=\sigma_iE_i(t)-\gamma_iI_i(t)+\sum_{j=1}^{n}\omega_{ji}I_j(t)-\sum_{j=1}^{n}\omega_{ij}I_i(t)\\\frac{dR_i(t)}{dt}=\gamma_iI_i(t)+\sum_{j=1}^{n}\omega_{ji}R_j(t)-\sum_{j=1}^{n}\omega_{ij}R_i(t)\end{cases}在这个扩展模型中，\sigma_i表示暴露者转化为感染者的速率，即单位时间内暴露者发病并具有传染性的概率。潜伏期的存在使得传染病的传播更加复杂，因为在潜伏期内，感染者不易被察觉，容易在不知不觉中传播病原体。通过引入暴露者类别和相关参数，能够更准确地描述传染病在集合种群网络中的传播过程，为疫情防控提供更有针对性的建议。例如，在疫情防控中，加强对潜伏期人群的监测和排查，可以有效减少传染病的传播风险。免疫期也是影响传染病传播的重要因素。一些传染病患者在康复后，会在一段时间内获得免疫力，这段时间即为免疫期。在免疫期内，个体再次感染该传染病的概率较低。为了在模型中考虑免疫期因素，对康复者类别进行进一步细分，将康复者分为具有免疫力的康复者（R_{1i}(t)）和免疫期结束后重新成为易感者的康复者（R_{2i}(t)）。假设免疫期的平均时长为\tau_i，则模型的微分方程组进一步扩展为：\begin{cases}\frac{dS_i(t)}{dt}=-\beta_iS_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}S_j(t)-\sum_{j=1}^{n}\omega_{ij}S_i(t)+\frac{R_{1i}(t)}{\tau_i}\\\frac{dE_i(t)}{dt}=\beta_iS_i(t)I_i(t)-\sigma_iE_i(t)+\sum_{j=1}^{n}\omega_{ji}E_j(t)-\sum_{j=1}^{n}\omega_{ij}E_i(t)\\\frac{dI_i(t)}{dt}=\sigma_iE_i(t)-\gamma_iI_i(t)+\sum_{j=1}^{n}\omega_{ji}I_j(t)-\sum_{j=1}^{n}\omega_{ij}I_i(t)\\\frac{dR_{1i}(t)}{dt}=\gamma_iI_i(t)-\frac{R_{1i}(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{1j}(t)-\sum_{j=1}^{n}\omega_{ij}R_{1i}(t)\\\frac{dR_{2i}(t)}{dt}=\frac{R_{1i}(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{2j}(t)-\sum_{j=1}^{n}\omega_{ij}R_{2i}(t)\end{cases}在这个模型中，\frac{R_{1i}(t)}{\tau_i}表示在单位时间内，免疫期结束，从具有免疫力的康复者转变为重新成为易感者的康复者的数量。考虑免疫期因素后，模型能够更真实地反映传染病在人群中的传播动态，因为免疫期的长短会影响人群中易感者和免疫者的比例，进而影响传染病的传播趋势。例如，对于一些免疫期较短的传染病，康复者在免疫期结束后很快重新成为易感者，容易导致传染病的再次爆发。环境因素对传染病的传播也有着重要影响。环境因素包括温度、湿度、空气质量、卫生条件等多个方面。这些因素会直接影响病原体的存活、传播能力以及人群的易感性。例如，在高温高湿的环境中，一些病毒的存活时间可能会缩短，传播能力也会受到一定影响；而在卫生条件较差的环境中，传染病更容易传播。为了在模型中考虑环境因素，引入环境因子\theta_i(t)，该因子综合反映了局部种群i所处环境对传染病传播的影响。假设环境因子\theta_i(t)对传播率\beta_i和恢复率\gamma_i产生影响，即\beta_i=\beta_{i0}\theta_i(t)，\gamma_i=\gamma_{i0}\theta_i(t)，其中\beta_{i0}和\gamma_{i0}分别为在标准环境条件下的传播率和恢复率。则模型的微分方程组变为：\begin{cases}\frac{dS_i(t)}{dt}=-\beta_{i0}\theta_i(t)S_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}S_j(t)-\sum_{j=1}^{n}\omega_{ij}S_i(t)+\frac{R_{1i}(t)}{\tau_i}\\\frac{dE_i(t)}{dt}=\beta_{i0}\theta_i(t)S_i(t)I_i(t)-\sigma_iE_i(t)+\sum_{j=1}^{n}\omega_{ji}E_j(t)-\sum_{j=1}^{n}\omega_{ij}E_i(t)\\\frac{dI_i(t)}{dt}=\sigma_iE_i(t)-\gamma_{i0}\theta_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}I_j(t)-\sum_{j=1}^{n}\omega_{ij}I_i(t)\\\frac{dR_{1i}(t)}{dt}=\gamma_{i0}\theta_i(t)I_i(t)-\frac{R_{1i}(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{1j}(t)-\sum_{j=1}^{n}\omega_{ij}R_{1i}(t)\\\frac{dR_{2i}(t)}{dt}=\frac{R_{1i}(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{2j}(t)-\sum_{j=1}^{n}\omega_{ij}R_{2i}(t)\end{cases}通过引入环境因子，模型能够更全面地考虑环境因素对传染病传播的影响，为制定更有效的防控策略提供依据。例如，在传染病流行期间，可以通过改善环境条件，如加强通风、提高卫生水平等，来降低环境因子的值，从而减少传染病的传播风险。3.3模型数学表达式基于前文的假设与构建过程，得到完整的基于集合种群网络的传染病模型的数学表达式如下：\begin{cases}\frac{dS_i(t)}{dt}=-\beta_{i0}\theta_i(t)S_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}S_j(t)-\sum_{j=1}^{n}\omega_{ij}S_i(t)+\frac{R_{1i}(t)}{\tau_i}\\\frac{dE_i(t)}{dt}=\beta_{i0}\theta_i(t)S_i(t)I_i(t)-\sigma_iE_i(t)+\sum_{j=1}^{n}\omega_{ji}E_j(t)-\sum_{j=1}^{n}\omega_{ij}E_i(t)\\\frac{dI_i(t)}{dt}=\sigma_iE_i(t)-\gamma_{i0}\theta_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}I_j(t)-\sum_{j=1}^{n}\omega_{ij}I_i(t)\\\frac{dR_{1i}(t)}{dt}=\gamma_{i0}\theta_i(t)I_i(t)-\frac{R_{1i}(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{1j}(t)-\sum_{j=1}^{n}\omega_{ij}R_{1i}(t)\\\frac{dR_{2i}(t)}{dt}=\frac{R_{1i}(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{2j}(t)-\sum_{j=1}^{n}\omega_{ij}R_{2i}(t)\end{cases}在这个模型中，各个变量和参数具有明确的定义：变量定义：S_i(t)：表示在时刻t，局部种群i中的易感者数量，即尚未感染传染病但有感染风险的个体数量。E_i(t)：代表时刻t局部种群i中的暴露者数量，这些个体已经感染病原体，但处于潜伏期，尚未发病且不具有传染性。I_i(t)：指时刻t局部种群i中的感染者数量，即已经发病并且具有传染性的个体数量。R_{1i}(t)：表示时刻t局部种群i中处于免疫期的康复者数量，这些康复者在免疫期内对该传染病具有免疫力。R_{2i}(t)：是时刻t局部种群i中免疫期结束后重新成为易感者的康复者数量。参数定义：\beta_{i0}：在标准环境条件下，局部种群i中传染病的传播率，反映了单位时间内，在理想环境中一个感染者与易感者发生有效接触并导致易感者感染的概率。\theta_i(t)：环境因子，它综合反映了局部种群i所处环境在时刻t对传染病传播的影响，取值范围通常在0到1之间。当\theta_i(t)=1时，表示环境对传染病传播没有额外的促进或抑制作用；当\theta_i(t)\gt1时，说明环境因素有利于传染病的传播；当\theta_i(t)\lt1时，则表明环境因素对传染病传播起到抑制作用。\sigma_i：暴露者转化为感染者的速率，即单位时间内局部种群i中暴露者发病并具有传染性的概率。\gamma_{i0}：在标准环境条件下，局部种群i中感染者的恢复率，即单位时间内感染者恢复健康（或死亡）的概率。\tau_i：局部种群i中康复者的平均免疫期时长，单位为时间单位（如天、周等）。\omega_{ij}：从局部种群i迁移到局部种群j的迁移率，取值范围在0到1之间，它反映了两个局部种群之间人口迁移的频繁程度。例如，当\omega_{ij}=0.1时，表示在单位时间内，局部种群i中有10\%的个体迁移到局部种群j。这些变量和参数相互作用，共同决定了传染病在集合种群网络中的传播动态。通过对这个数学模型的深入分析，可以揭示传染病在不同局部种群之间的传播规律，预测传染病的传播趋势，评估各种防控措施的效果，为传染病的防控工作提供科学的理论依据。四、模型动力学分析4.1平衡点分析4.1.1无病平衡点的求解与稳定性对于构建的基于集合种群网络的传染病模型，无病平衡点是指传染病在集合种群网络中未发生传播时的状态，即所有局部种群中感染者数量为零的状态。在该状态下，模型中的易感者、暴露者、感染者和康复者的数量保持不变。令I_i(t)=0，E_i(t)=0，R_{1i}(t)=0，R_{2i}(t)=0，i=1,2,\cdots,n，代入模型的微分方程组：\begin{cases}\frac{dS_i(t)}{dt}=-\beta_{i0}\theta_i(t)S_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}S_j(t)-\sum_{j=1}^{n}\omega_{ij}S_i(t)+\frac{R_{1i}(t)}{\tau_i}\\\frac{dE_i(t)}{dt}=\beta_{i0}\theta_i(t)S_i(t)I_i(t)-\sigma_iE_i(t)+\sum_{j=1}^{n}\omega_{ji}E_j(t)-\sum_{j=1}^{n}\omega_{ij}E_i(t)\\\frac{dI_i(t)}{dt}=\sigma_iE_i(t)-\gamma_{i0}\theta_i(t)I_i(t)+\sum_{j=1}^{n}\omega_{ji}I_j(t)-\sum_{j=1}^{n}\omega_{ij}I_i(t)\\\frac{dR_{1i}(t)}{dt}=\gamma_{i0}\theta_i(t)I_i(t)-\frac{R_{1i}(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{1j}(t)-\sum_{j=1}^{n}\omega_{ij}R_{1i}(t)\\\frac{dR_{2i}(t)}{dt}=\frac{R_{1i}(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{2j}(t)-\sum_{j=1}^{n}\omega_{ij}R_{2i}(t)\end{cases}可得：\begin{cases}\frac{dS_i(t)}{dt}=\sum_{j=1}^{n}\omega_{ji}S_j(t)-\sum_{j=1}^{n}\omega_{ij}S_i(t)\\\frac{dE_i(t)}{dt}=0\\\frac{dI_i(t)}{dt}=0\\\frac{dR_{1i}(t)}{dt}=0\\\frac{dR_{2i}(t)}{dt}=0\end{cases}由于\sum_{j=1}^{n}\omega_{ji}S_j(t)-\sum_{j=1}^{n}\omega_{ij}S_i(t)=0，且\sum_{i=1}^{n}S_i(t)=N（N为集合种群网络的总人口数），可以求解出无病平衡点S_i^0（i=1,2,\cdots,n）。假设\omega_{ij}满足一定的条件，使得\sum_{j=1}^{n}\omega_{ji}=\sum_{j=1}^{n}\omega_{ij}，则无病平衡点为S_i^0=\frac{N_i}{\sum_{i=1}^{n}N_i}N，其中N_i为局部种群i的初始人口数量。这意味着在无病平衡点时，易感者在各个局部种群中的分布与局部种群的初始人口数量成正比。接下来分析无病平衡点的稳定性，采用线性稳定性分析方法。对模型的微分方程组在无病平衡点处进行线性化，得到线性化后的系统矩阵。设x_i=S_i-S_i^0，y_i=E_i，z_i=I_i，u_i=R_{1i}，v_i=R_{2i}，将模型的微分方程组在无病平衡点(S_1^0,E_1^0,I_1^0,R_{11}^0,R_{21}^0,\cdots,S_n^0,E_n^0,I_n^0,R_{1n}^0,R_{2n}^0)处进行泰勒展开，并忽略高阶项，得到线性化后的方程组：\begin{cases}\frac{dx_i(t)}{dt}=-\beta_{i0}\theta_i(t)S_i^0z_i(t)+\sum_{j=1}^{n}\omega_{ji}x_j(t)-\sum_{j=1}^{n}\omega_{ij}x_i(t)\\\frac{dy_i(t)}{dt}=\beta_{i0}\theta_i(t)S_i^0z_i(t)-\sigma_iy_i(t)+\sum_{j=1}^{n}\omega_{ji}y_j(t)-\sum_{j=1}^{n}\omega_{ij}y_i(t)\\\frac{dz_i(t)}{dt}=\sigma_iy_i(t)-\gamma_{i0}\theta_i(t)z_i(t)+\sum_{j=1}^{n}\omega_{ji}z_j(t)-\sum_{j=1}^{n}\omega_{ij}z_i(t)\\\frac{du_i(t)}{dt}=\gamma_{i0}\theta_i(t)z_i(t)-\frac{u_i(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}u_j(t)-\sum_{j=1}^{n}\omega_{ij}u_i(t)\\\frac{dv_i(t)}{dt}=\frac{u_i(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}v_j(t)-\sum_{j=1}^{n}\omega_{ij}v_i(t)\end{cases}其对应的系统矩阵A为：A=\begin{pmatrix}A_{11}&A_{12}&A_{13}&A_{14}&A_{15}\\A_{21}&A_{22}&A_{23}&A_{24}&A_{25}\\A_{31}&A_{32}&A_{33}&A_{34}&A_{35}\\A_{41}&A_{42}&A_{43}&A_{44}&A_{45}\\A_{51}&A_{52}&A_{53}&A_{54}&A_{55}\end{pmatrix}其中，A_{11}、A_{12}、\cdots、A_{55}为分块矩阵，其元素由模型中的参数\beta_{i0}、\theta_i(t)、\sigma_i、\gamma_{i0}、\tau_i、\omega_{ij}等组成。例如，A_{11}的对角元素a_{11ii}=-\sum_{j=1}^{n}\omega_{ij}，非对角元素a_{11ij}=\omega_{ji}（i\neqj）；A_{13}的元素a_{13ii}=-\beta_{i0}\theta_i(t)S_i^0等。根据线性稳定性理论，无病平衡点的稳定性取决于系统矩阵A的特征值。若系统矩阵A的所有特征值的实部均小于零，则无病平衡点是局部渐近稳定的；若存在特征值的实部大于零，则无病平衡点是不稳定的。计算系统矩阵A的特征方程\vert\lambdaI-A\vert=0，其中\lambda为特征值，I为单位矩阵。通过求解特征方程，可以得到系统矩阵A的特征值。在实际计算中，由于系统矩阵A的维度较高，直接求解特征方程可能较为困难，可以采用数值方法，如QR算法等进行求解。假设通过计算得到系统矩阵A的特征值为\lambda_1,\lambda_2,\cdots,\lambda_{5n}。当所有特征值的实部\text{Re}(\lambda_k)\lt0（k=1,2,\cdots,5n）时，无病平衡点是局部渐近稳定的。这意味着在无病平衡点附近，若系统受到微小的扰动，模型的解会随着时间的推移逐渐回到无病平衡点，即传染病不会在集合种群网络中传播开来。例如，当某个局部种群中突然出现少量感染者（即对无病平衡点产生微小扰动），由于无病平衡点的稳定性，这些感染者数量会逐渐减少，最终消失，传染病不会扩散到其他局部种群。相反，若存在特征值\lambda_{k_0}，使得\text{Re}(\lambda_{k_0})\gt0，则无病平衡点是不稳定的。此时，在无病平衡点附近的微小扰动会导致系统的解偏离无病平衡点，传染病可能会在集合种群网络中传播并扩散。例如，当某个局部种群中出现少量感染者时，由于无病平衡点不稳定，感染者数量会不断增加，并通过个体迁移传播到其他局部种群，引发传染病的流行。无病平衡点的稳定性还与模型中的参数密切相关。例如，传播率\beta_{i0}、环境因子\theta_i(t)、迁移率\omega_{ij}等参数的变化会影响系统矩阵A的元素，进而影响特征值的大小和实部。当传播率\beta_{i0}增大时，A_{13}和A_{23}中的相关元素会增大，可能导致部分特征值的实部增大，从而增加无病平衡点的不稳定性，使传染病更容易传播。迁移率\omega_{ij}的变化会影响A_{11}、A_{22}、A_{33}、A_{44}、A_{55}等分块矩阵中的元素，进而影响特征值的分布，对无病平衡点的稳定性产生影响。若迁移率增大，可能会使不同局部种群之间的联系更加紧密，当某个局部种群出现传染病时，更容易传播到其他局部种群，从而降低无病平衡点的稳定性。4.1.2地方病平衡点的存在与稳定性地方病平衡点是指传染病在集合种群网络中持续存在且传播达到一种相对稳定状态时的平衡点。在地方病平衡点处，各个局部种群中的易感者、暴露者、感染者和康复者的数量不再随时间变化，即模型的微分方程组的导数为零。令\frac{dS_i(t)}{dt}=0，\frac{dE_i(t)}{dt}=0，\frac{dI_i(t)}{dt}=0，\frac{dR_{1i}(t)}{dt}=0，\frac{dR_{2i}(t)}{dt}=0，i=1,2,\cdots,n，代入模型的微分方程组：\begin{cases}0=-\beta_{i0}\theta_i(t)S_iI_i+\sum_{j=1}^{n}\omega_{ji}S_j-\sum_{j=1}^{n}\omega_{ij}S_i+\frac{R_{1i}}{\tau_i}\\0=\beta_{i0}\theta_i(t)S_iI_i-\sigma_iE_i+\sum_{j=1}^{n}\omega_{ji}E_j-\sum_{j=1}^{n}\omega_{ij}E_i\\0=\sigma_iE_i-\gamma_{i0}\theta_i(t)I_i+\sum_{j=1}^{n}\omega_{ji}I_j-\sum_{j=1}^{n}\omega_{ij}I_i\\0=\gamma_{i0}\theta_i(t)I_i-\frac{R_{1i}}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{1j}-\sum_{j=1}^{n}\omega_{ij}R_{1i}\\0=\frac{R_{1i}}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}R_{2j}-\sum_{j=1}^{n}\omega_{ij}R_{2i}\end{cases}这是一个包含5n个方程的非线性方程组，求解该方程组可以得到地方病平衡点(S_i^*,E_i^*,I_i^*,R_{1i}^*,R_{2i}^*)，i=1,2,\cdots,n。然而，由于方程组的非线性性质，一般情况下很难得到其解析解，通常需要采用数值方法进行求解。为了分析地方病平衡点的存在条件，引入基本再生数R_0。基本再生数是衡量传染病传播能力的一个重要指标，它表示在完全易感人群中，一个典型感染者在整个传染期内平均能够传染的易感个体数量。对于基于集合种群网络的传染病模型，基本再生数R_0的计算较为复杂，通常可以通过下一代矩阵法等方法进行计算。假设通过计算得到基本再生数R_0，当R_0\gt1时，模型存在地方病平衡点。这是因为当R_0\gt1时，一个感染者平均能够传染超过一个易感者，传染病在集合种群网络中有持续传播的动力，从而能够达到一种相对稳定的传播状态，即存在地方病平衡点。当R_0\leq1时，传染病在集合种群网络中不具备持续传播的条件，最终会逐渐消失，不存在地方病平衡点。分析地方病平衡点的稳定性，同样采用线性稳定性分析方法。对模型的微分方程组在地方病平衡点(S_1^*,E_1^*,I_1^*,R_{11}^*,R_{21}^*,\cdots,S_n^*,E_n^*,I_n^*,R_{1n}^*,R_{2n}^*)处进行线性化，得到线性化后的系统矩阵B。设x_i=S_i-S_i^*，y_i=E_i-E_i^*，z_i=I_i-I_i^*，u_i=R_{1i}-R_{1i}^*，v_i=R_{2i}-R_{2i}^*，将模型的微分方程组在地方病平衡点处进行泰勒展开，并忽略高阶项，得到线性化后的方程组：\begin{cases}\frac{dx_i(t)}{dt}=-\beta_{i0}\theta_i(t)(S_i^*z_i(t)+I_i^*x_i(t))+\sum_{j=1}^{n}\omega_{ji}x_j(t)-\sum_{j=1}^{n}\omega_{ij}x_i(t)+\frac{u_i(t)}{\tau_i}\\\frac{dy_i(t)}{dt}=\beta_{i0}\theta_i(t)(S_i^*z_i(t)+I_i^*x_i(t))-\sigma_iy_i(t)+\sum_{j=1}^{n}\omega_{ji}y_j(t)-\sum_{j=1}^{n}\omega_{ij}y_i(t)\\\frac{dz_i(t)}{dt}=\sigma_iy_i(t)-\gamma_{i0}\theta_i(t)z_i(t)+\sum_{j=1}^{n}\omega_{ji}z_j(t)-\sum_{j=1}^{n}\omega_{ij}z_i(t)\\\frac{du_i(t)}{dt}=\gamma_{i0}\theta_i(t)z_i(t)-\frac{u_i(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}u_j(t)-\sum_{j=1}^{n}\omega_{ij}u_i(t)\\\frac{dv_i(t)}{dt}=\frac{u_i(t)}{\tau_i}+\sum_{j=1}^{n}\omega_{ji}v_j(t)-\sum_{j=1}^{n}\omega_{ij}v_i(t)\end{cases}其对应的系统矩阵B为：B=\begin{pmatrix}B_{11}&B_{12\##\#4.2基本再生数计算\##\##4.2.1基本再生数的推导方法基本再生数（<spandata-type="inline-math"data-value="Ul8w"></span>）是衡量ä¼

染病ä¼

播能力的关键指æ

‡ï¼Œå…¶å‡†ç¡®æŽ¨å¯¼å¯¹äºŽç†è§£ä¼

染病的ä¼

播动态和制定防控策略至关重要。在基于集合种群网络的ä¼

染病模型中，采用下一代矩阵法来推导基本再生数。下一代矩阵法的æ

¸å¿ƒæ€æƒ³æ˜¯é€šè¿‡åˆ†æžä¼

染病ä¼

播过程中，新感染个体的产生情况来确定基本再生数。首先，明确模型中ä¼

染病ä¼

播的主要过程和相关变量。在构建的模型中，ä¼

染病ä¼

播主要涉及易感者与感染者之间的接触感染，以及个体在不同局部种群之间的迁移等过程。设<spandata-type="inline-math"data-value="eCA9ICh4XzEsIHhfMiwgXGNkb3RzLCB4X20pXlQ="></span>为系统中与ä¼

染病ä¼

播相关的状态变量，其中<spandata-type="inline-math"data-value="eF9p"></span>可以表示不同局部种群中的易感者、感染者、暴露者等数量。æ

¹æ®æ¨¡åž‹çš„微分方程组，将ä¼

染病ä¼

播过程分为两个部分：新感染个体的产生（用矩阵<spandata-type="inline-math"data-value="Rg=="></span>表示）和感染个体状态的转移（用矩阵<spandata-type="inline-math"data-value="Vg=="></span>表示）。对于新感染个体的产生矩阵<spandata-type="inline-math"data-value="Rg=="></span>，其元ç´

<spandata-type="inline-math"data-value="Rl97aWp9"></span>表示在单位时间内，由状态<spandata-type="inline-math"data-value="eF9q"></span>产生的新感染个体进入状态<spandata-type="inline-math"data-value="eF9p"></span>的速率。例如，在考虑迁移的ä¼

染病模型中，对于局部种群<spandata-type="inline-math"data-value="aQ=="></span>，<spandata-type="inline-math"data-value="Rl97aWl9"></span>可能表示在该局部种群内，由感染者<spandata-type="inline-math"data-value="SV9p"></span>感染易感者<spandata-type="inline-math"data-value="U19p"></span>产生新感染个体的速率，即<spandata-type="inline-math"data-valu