一类SI种群模型解的定性性质及传染病传播应用分析

一类SI种群模型解的定性性质及传染病传播应用分析一、引言1.1研究背景与意义传染病的传播严重威胁着人类的健康与社会的稳定。从历史上的黑死病，到近代的SARS、甲型H1N1流感，再到当下的新冠疫情，每次大规模传染病的爆发都给人类社会带来了巨大的冲击，不仅造成大量人员患病和死亡，还对经济、社会秩序产生深远影响。例如，在新冠疫情期间，全球经济遭受重创，许多行业停滞不前，人们的生活方式和社交模式也发生了巨大改变。因此，深入研究传染病的传播规律，对于制定有效的防控策略、保障公众健康和维护社会稳定具有至关重要的意义。在传染病研究领域，SI种群模型作为一种基础且重要的数学模型，占据着关键地位。它将种群划分为易感者（Susceptible）和感染者（Infectious）两个仓室，通过建立数学方程来描述传染病在这两类人群中的传播过程。SI模型的假设条件虽然相对简化，如假设易感者一旦接触到感染者就会立即变成感染者，并且感染者始终保持感染状态，不会恢复健康或死亡，不考虑种群流动性以及自然出生和死亡等，但在一些特定场景下，它能够有效地捕捉传染病传播的核心特征，为传染病的研究提供了重要的基础和参考。定性研究SI种群模型具有多方面的重要作用。一方面，它有助于深入理解传染病的传播机制。通过分析模型的平衡点、稳定性等定性性质，可以揭示传染病在何种条件下会爆发、传播以及最终的发展趋势。例如，通过研究平衡点的稳定性，可以判断疾病是否会在人群中持续存在还是逐渐消亡。另一方面，定性研究对预测疫情发展起着关键作用。在疫情初期，准确预测疫情的发展趋势对于及时采取有效的防控措施至关重要。通过对SI模型的定性分析，结合实际的疫情数据，可以对疫情的传播速度、规模等进行预测，为疫情防控提供科学依据。例如，在甲型H1N1流感爆发初期，利用SI模型对疫情的传播进行预测，帮助相关部门提前做好防控准备，有效减少了疫情的扩散范围和影响程度。此外，定性研究SI种群模型还能为传染病防控策略的制定提供有力支持。根据模型的定性分析结果，可以评估不同防控措施的效果，如隔离、疫苗接种等措施对传染病传播的抑制作用，从而优化防控策略，提高防控效率，降低传染病流行风险，最大限度地减少传染病对人类社会的危害。1.2国内外研究现状在传染病动力学模型的研究领域中，SI种群模型作为一种基础且重要的模型，一直是国内外学者关注的焦点，相关研究成果丰硕。国外学者在SI模型的理论研究和应用方面开展了大量工作。早期，Kermack和McKendrick在传染病动力学模型的奠基性研究中，虽未专门针对SI模型，但为后续SI模型的发展奠定了理论基础，他们提出的传染病传播基本理论框架，使得后续对SI模型的深入研究成为可能。随着研究的深入，一些学者运用数学分析方法对SI模型的基本再生数R_0进行了深入探讨。例如，Anderson和May在其著作中详细阐述了R_0的计算方法和生物学意义，他们通过对多种传染病的研究，指出R_0是判断传染病传播态势的关键指标，当R_0>1时，疾病可能在人群中持续传播并引发疫情；当R_0<1时，疾病则难以大规模传播，最终会逐渐消亡。这一理论为SI模型在传染病传播预测中的应用提供了重要的理论依据。在应用方面，国外学者将SI模型广泛应用于实际传染病的研究。如在流感疫情的研究中，一些研究团队通过收集大量的流感疫情数据，对SI模型进行参数估计和拟合，从而预测流感的传播趋势，为流感的防控提供了科学依据。他们利用SI模型分析不同地区、不同季节流感的传播特征，发现传播率等参数在不同条件下的变化规律，进而提出针对性的防控建议，如在流感高发季节加强公共场所的通风和消毒措施，以降低传播率，减少流感的传播范围。国内学者在SI种群模型的研究中也取得了显著成果。在理论研究上，许多学者对SI模型进行了拓展和改进。例如，有学者考虑到实际传染病传播过程中人群的异质性，将SI模型中的种群划分为不同的亚群，如年龄、性别、职业等不同特征的亚群，建立了更为复杂的SI亚群模型。通过分析不同亚群之间的传播系数和接触率，研究传染病在不同亚群中的传播规律，发现某些高风险亚群在传染病传播中起到关键作用，这为制定精准的防控策略提供了理论支持。在传染病防控策略的研究中，国内学者利用SI模型评估不同防控措施的效果。通过数值模拟，对比分析隔离、疫苗接种等措施对传染病传播的抑制作用，发现隔离措施在疫情初期能够有效减少易感者与感染者的接触，从而降低传播率，延缓疫情的爆发；而疫苗接种则可以提高人群的免疫力，降低易感者的比例，从根本上控制传染病的传播。这些研究成果为我国传染病防控政策的制定提供了重要参考，如在新冠疫情防控中，我国根据不同地区的疫情形势和人口特征，综合运用隔离、疫苗接种等措施，有效地控制了疫情的传播。然而，现有研究仍存在一定的不足之处。一方面，大多数研究在建立SI模型时，对实际情况的简化程度较高，忽略了一些重要因素。例如，在现实中，传染病的传播往往受到地理空间因素的影响，不同地区的人口密度、交通便利性等因素会导致传染病传播速度和范围的差异，但目前的SI模型中对地理空间因素的考虑较少。此外，传染病的传播还可能受到气候、季节等因素的影响，如流感在冬季的传播速度通常比夏季更快，但现有研究在这方面的考虑也不够全面。另一方面，在SI模型的参数估计方面，目前的方法还存在一定的局限性。参数估计的准确性直接影响模型的预测精度和可靠性，但由于实际传染病数据的获取存在一定困难，且数据的质量和完整性参差不齐，导致现有的参数估计方法难以准确地反映传染病的真实传播特征，从而影响了模型的应用效果。基于以上研究现状和不足，本文将针对SI种群模型解的定性性质展开深入研究。考虑引入地理空间因素和季节因素对SI模型进行改进，建立更为符合实际情况的SI模型。通过分析改进后模型的平衡点、稳定性等定性性质，揭示传染病在不同地理空间和季节条件下的传播规律。同时，探索新的参数估计方法，提高模型参数估计的准确性，从而提升模型对传染病传播的预测能力，为传染病的防控提供更科学、更有效的理论支持。1.3研究方法与创新点为深入研究SI种群模型解的定性性质，本研究综合运用了多种研究方法，力求全面、准确地揭示传染病传播的规律，同时在研究过程中实现了多方面的创新。在数学分析方法上，通过构建精确的SI模型微分方程，利用稳定性理论对模型的平衡点进行深入分析。例如，运用线性化方法求解雅可比矩阵，根据其特征值的正负来判断平衡点的稳定性。当特征值全部为负时，平衡点是稳定的，意味着在该条件下传染病的传播会趋于稳定状态；若存在正特征值，则平衡点不稳定，传染病可能会持续传播或发生变化。通过这种严谨的数学推导，深入探讨了不同参数取值下模型的动力学行为，为理解传染病的传播机制提供了坚实的理论基础。计算机模拟方法也是本研究的重要手段。借助Matlab、Python等专业软件平台，对构建的SI模型进行数值模拟。通过设定不同的初始条件和参数值，如改变传播率、初始易感者和感染者的数量等，模拟传染病在不同场景下的传播过程。以流感传播为例，在模拟中设置不同的人群接触频率（反映传播率的变化），观察感染人数随时间的变化曲线，直观地展示传染病的传播趋势，包括感染人数的增长速度、达到峰值的时间以及最终的感染规模等信息。同时，利用模拟结果绘制图表，如感染人数随时间变化的折线图、易感者和感染者数量对比的柱状图等，使研究结果更加直观、清晰，便于分析和讨论。在创新点方面，本研究在模型拓展上取得了显著进展。充分考虑到地理空间因素和季节因素对传染病传播的重要影响，对传统SI模型进行了创新性改进。在地理空间因素的考量上，将研究区域划分为不同的子区域，每个子区域具有不同的人口密度和传播率。通过建立空间权重矩阵来描述不同子区域之间的人口流动和相互作用关系，从而更准确地模拟传染病在不同地理空间上的传播差异。以新冠疫情在城市中的传播为例，城市中心区域人口密度大，传播率相对较高；而郊区人口密度小，传播率较低。通过这种改进后的模型，可以更真实地反映疫情在城市不同区域的传播情况。在考虑季节因素时，根据传染病在不同季节传播率的变化规律，引入周期性变化的传播率函数。例如，对于流感这种具有明显季节性的传染病，在冬季传播率较高，夏季传播率较低。通过建立传播率随季节变化的数学模型，能够更准确地预测传染病在不同季节的传播趋势，为制定针对性的季节防控策略提供科学依据。在参数分析方面，本研究也提出了新的思路。传统的参数估计方法往往基于简单的线性回归或最小二乘法，难以准确反映传染病传播过程中的复杂非线性关系。本研究探索采用机器学习算法，如支持向量机回归、神经网络等方法进行参数估计。以支持向量机回归为例，通过将大量的传染病实际数据作为训练样本，让算法学习数据中的特征和规律，从而更准确地估计模型中的传播率、接触率等关键参数。与传统方法相比，这种基于机器学习的参数估计方法能够更好地适应传染病传播过程中的不确定性和复杂性，提高模型的预测精度和可靠性。此外，本研究还注重模型的实际应用价值。将改进后的SI模型与实际传染病防控案例相结合，通过对历史疫情数据的分析和验证，评估模型在实际应用中的效果。以某地区的麻疹疫情防控为例，运用改进后的模型对疫情的传播进行模拟和预测，并与实际疫情发展情况进行对比。根据对比结果，进一步优化模型参数和结构，使模型能够更好地服务于实际传染病防控工作，为疫情防控决策提供更具针对性和有效性的建议。二、SI种群模型基础2.1SI种群模型概述SI种群模型作为传染病动力学研究中的基础模型，在揭示传染病传播规律方面具有重要意义。该模型按照传染病的传播机制，将种群清晰地划分为两个基本仓室：易感者（Susceptible，用S表示）和染病者（Infectious，用I表示）。易感者是指那些对特定传染病缺乏免疫力，一旦与病原体接触就容易被感染的个体；而染病者则是已经感染了病原体并且能够将其传播给易感者的个体。在实际应用中，SI模型的假设条件虽然相对简化，但在某些特定场景下却能有效地捕捉传染病传播的核心特征。例如，在一些突发的急性传染病初期，当疫情迅速蔓延且人们对疾病的免疫状况相对单一，同时不考虑人口的自然出生、死亡以及大规模流动等复杂因素时，SI模型能够较为准确地描述传染病的传播态势。以流感疫情在学校等相对封闭环境中的传播为例，在疫情爆发初期，学生们的免疫状态可大致分为易感和已感染两类，此时SI模型就能通过建立数学方程，对流感在学生群体中的传播过程进行有效的模拟和分析。从传染病建模的发展历程来看，SI模型是传染病动力学模型的重要基石。早期的传染病研究中，SI模型的出现为后续更为复杂的模型发展奠定了基础。它的简单性和直观性使得研究者能够快速地理解传染病传播的基本原理，通过对SI模型的深入研究，为后续引入更多实际因素，如人口动态、免疫反应、传播途径的多样性等，建立更完善的传染病模型提供了思路和方法。例如，在SIR模型（易感者-感染者-康复者模型）的发展中，就是在SI模型的基础上，进一步考虑了感染者康复后获得免疫力的情况，从而使模型更符合实际传染病的传播过程。SI模型在计算传播能力（传播阈值）方面具有独特的优势。通过对模型中传播率等参数的分析，可以准确地计算出传染病的基本再生数R_0，R_0表示在完全易感人群中，一个感染者平均能传染给多少人，是判断传染病传播态势的关键指标。当R_0>1时，疾病可能在人群中持续传播并引发疫情；当R_0<1时，疾病则难以大规模传播，最终会逐渐消亡。在实际疫情防控中，利用SI模型计算出的R_0值，可以帮助决策者快速判断疫情的潜在风险，从而及时采取有效的防控措施，如加强隔离、限制人员流动等，以降低R_0值，控制疫情的传播。2.2模型假设与建立SI种群模型的构建基于一系列合理且具有针对性的假设，这些假设旨在简化复杂的传染病传播过程，从而更清晰地揭示其核心规律。假设一，模型假设染病者一旦与易感者接触即具有一定传染力，传染率系数为\beta。这意味着在传播过程中，只要易感者与染病者发生接触，就存在被感染的风险，且这种风险的大小由传染率系数\beta决定。\beta值越大，表明单位时间内一个染病者能够传染给易感者的能力越强，疾病的传播速度也就越快。在流感的传播中，若\beta值较高，意味着在人群密集的场所，如学校、商场等，流感病毒能够迅速在易感者之间传播，导致大量人员感染。假设二，染病者在研究期间一直处于染病状态。这一假设忽略了染病者可能出现的康复、死亡等情况，虽然与实际情况存在一定差异，但在某些传染病传播初期，或者对于那些康复周期长、死亡率低的传染病，该假设能够在一定程度上简化模型，突出传染病传播的主要特征。例如，在一些慢性传染病的初期研究中，由于患者在短时间内基本不会出现康复或死亡的情况，这一假设能够帮助我们快速了解疾病的传播趋势。假设三，不考虑种群流动性，不考虑自然出生和死亡。此假设将研究对象视为一个相对封闭且稳定的种群，避免了种群动态变化对传染病传播的干扰，使得我们能够专注于传染病在易感者和染病者之间的传播机制。在一些相对封闭的社区或机构中，当传染病爆发时，在短时间内可以近似认为不存在人员的大量流动以及自然出生和死亡，此时该假设具有较高的合理性。基于以上假设，我们可以用如下微分方程组来表示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)分别表示t时刻易感者和染病者的数量，\frac{dS(t)}{dt}和\frac{dI(t)}{dt}分别表示t时刻易感者和染病者数量的变化速率，\beta为传染率系数。在这个方程组中，第一个方程表示易感者数量的变化，由于易感者与染病者接触后会被感染，所以其数量变化率为负，且与易感者和染病者的数量乘积成正比；第二个方程表示染病者数量的变化，因为易感者不断被感染成为染病者，所以染病者数量变化率为正，同样与易感者和染病者的数量乘积成正比。在实际应用中，模型参数\beta通常通过实际传染病疫情数据与模型进行拟合获得。例如，在研究某地区的流感疫情时，收集该地区不同时间点的易感者和染病者数量数据，利用最小二乘法等拟合方法，调整\beta的值，使得模型模拟的结果与实际数据尽可能接近，从而确定出适合该地区流感传播的\beta值，以便更准确地预测和分析流感的传播趋势。2.3常见SI模型类型及特点在传染病动力学研究中，SI模型根据传染率的不同形式，可分为具有线性传染率的SI模型和具有非线性传染率的SI模型，它们各自具有独特的特点和适用场景。具有线性传染率的SI模型，其传播率通常表示为\betaSI，这种形式简单直观，意味着单位时间内易感者被感染的速率与易感者数量S和感染者数量I的乘积成正比。例如，在流感病毒传播初期，当人群之间的接触模式相对简单且均匀时，线性传染率的SI模型能够较好地描述其传播情况。在一个相对封闭的学校环境中，学生之间的日常接触较为频繁且规律，此时流感病毒在学生群体中的传播，用线性传染率的SI模型进行模拟，能得到与实际情况较为吻合的结果。其优点在于数学处理相对简便，易于进行理论分析和求解，能够快速地对传染病的传播趋势进行初步预测。通过简单的数学推导，可以清晰地得到传染病的基本再生数R_0，并根据R_0的值判断疾病是否会大规模传播。然而，该模型的局限性也较为明显，它假设传播率是一个固定的常数，这在实际情况中往往难以满足。在现实世界中，传染病的传播受到多种因素的影响，如人群的行为模式、社交距离的变化等，传播率并非一成不变。随着人们对传染病的认识加深，在疫情期间采取佩戴口罩、保持社交距离等防护措施，会显著降低传播率，而线性传染率的SI模型无法准确反映这种变化。具有非线性传染率的SI模型则考虑了更复杂的传播机制，其传播率形式多样，常见的如饱和传染率\frac{\betaSI}{1+\alphaI}、标准传染率\frac{\betaSI}{S+I}等。以饱和传染率为例，分母中的1+\alphaI体现了随着感染者数量I的增加，传播过程会受到一定的抑制，这更符合实际情况。在一些传染病传播过程中，当感染者数量达到一定程度时，易感者会更加警惕，采取更多的防护措施，从而导致传播效率下降。在新冠疫情大规模爆发阶段，随着感染人数的不断增加，人们的防护意识增强，社交活动减少，病毒的传播速度逐渐减缓，饱和传染率的SI模型能够较好地捕捉到这种传播特征。非线性传染率的SI模型能够更准确地描述传染病在复杂环境下的传播过程，考虑了更多实际因素对传播率的影响，提高了模型的真实性和可靠性。但该模型在数学处理上较为复杂，求解难度较大，需要运用更高级的数学方法进行分析和研究，这在一定程度上限制了其应用范围。对比这两种类型的SI模型，在实际应用中需要根据具体的传染病特点和研究目的进行选择。对于传播机制相对简单、传播环境较为稳定的传染病，线性传染率的SI模型能够快速提供有效的传播预测和分析；而对于传播过程受到多种因素干扰、传播机制复杂的传染病，非线性传染率的SI模型则更能准确地揭示其传播规律，为疫情防控提供更科学的依据。三、模型解的定性分析方法3.1平衡点分析在动力学系统中，平衡点是一个关键的概念，它对于理解系统的行为和长期趋势具有重要意义。对于SI种群模型而言，平衡点是指系统中易感者和感染者数量不再随时间变化的状态，即满足\frac{dS(t)}{dt}=0且\frac{dI(t)}{dt}=0的点(S^*,I^*)。在这种状态下，传染病的传播达到了一种相对稳定的局面，不再有新的感染发生，或者感染与恢复等过程达到了平衡。对于SI模型，其微分方程组为：\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，得到方程组：\begin{cases}-\betaS(t)I(t)=0\\\betaS(t)I(t)=0\end{cases}求解上述方程组，可得到SI模型的平衡点。当I(t)=0时，无论S(t)取何值，方程组都成立。所以，SI模型存在平衡点(S^*,0)，其中S^*可以为任意非负实数。这个平衡点表示疾病最终被消除，所有个体都为易感者，传染病在人群中不再传播。平衡点存在的条件与模型中的参数密切相关。在SI模型中，传染率系数\beta起着关键作用。由于在实际的传染病传播过程中，\beta表示易感者与感染者接触后被感染的概率，所以\beta必须大于0，否则传染病无法传播，也就不存在有意义的平衡点。同时，易感者和感染者的数量S(t)和I(t)都应为非负实数，这是由实际情况所决定的。在求解平衡点的过程中，我们假设了S(t)和I(t)满足这些条件，从而得到了相应的平衡点。以流感在一个相对封闭的社区中传播为例，假设该社区初始有S_0个易感者和I_0个感染者。如果在传播过程中，由于采取了有效的防控措施，如隔离感染者、加强社区消毒等，使得传染率系数\beta降低到一定程度，满足平衡点存在的条件，那么最终可能会达到平衡点(S^*,0)，即流感在该社区被成功控制，不再传播。3.2稳定性分析方法3.2.1线性稳定性分析线性稳定性分析是研究SI种群模型稳定性的重要方法之一，它通过在非平衡解附近对模型进行线性化处理，将复杂的非线性模型转化为相对简单的线性系统，从而深入探讨系统在平衡点附近的局部稳定性。对于SI模型的微分方程组：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)\\\frac{dI(t)}{dt}=\betaS(t)I(t)\end{cases}设平衡点为(S^*,I^*)，为了分析该平衡点的稳定性，我们在其附近对模型进行线性化。令S(t)=S^*+\deltaS(t)，I(t)=I^*+\deltaI(t)，其中\deltaS(t)和\deltaI(t)表示相对于平衡点的微小扰动。将其代入原方程组，并忽略高阶小项，得到线性化后的方程组：\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}该线性化方程组可以写成矩阵形式：\frac{d}{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，系数矩阵J=\begin{pmatrix}-\betaI^*&-\betaS^*\\\betaI^*&\betaS^*\end{pmatrix}被称为雅可比矩阵。接下来，求解雅可比矩阵J的特征值方程\det(J-\lambdaI)=0，其中\lambda为特征值，I为单位矩阵。即：\begin{vmatrix}-\betaI^*-\lambda&-\betaS^*\\\betaI^*&\betaS^*-\lambda\end{vmatrix}=0展开行列式可得：(-\betaI^*-\lambda)(\betaS^*-\lambda)+\beta^2S^*I^*=0，进一步化简为\lambda^2+(\betaI^*-\betaS^*)\lambda=0，解这个二次方程，得到特征值\lambda_{1,2}=0,\beta(S^*-I^*)。根据特征值的性质来判断平衡点的稳定性：当所有特征值的实部均小于0时，平衡点是渐近稳定的。这意味着在平衡点附近的微小扰动会随着时间的推移逐渐衰减，系统最终会回到平衡点状态。例如，若\beta(S^*-I^*)<0，即S^*<I^*时，平衡点(S^*,I^*)是渐近稳定的，在这种情况下，即使传染病在传播过程中受到一些小的干扰，如偶然的人员流动导致感染人数的小波动，最终传染病的传播也会趋于稳定，感染人数和易感人数会回到平衡点对应的数值。若存在特征值的实部大于0，平衡点是不稳定的。此时，平衡点附近的微小扰动会不断放大，系统会偏离平衡点，传染病的传播状态会发生变化。比如，当\beta(S^*-I^*)>0，即S^*>I^*时，平衡点(S^*,I^*)不稳定，这表明在这种条件下，一旦传染病传播过程中出现微小的扰动，如病毒发生变异导致传播率略有增加，感染人数和易感人数会不断变化，传染病可能会进一步扩散或出现新的传播趋势。当存在实部为0的特征值时，线性稳定性分析无法确定平衡点的稳定性，需要进一步采用非线性稳定性分析方法。在我们得到的特征值中，有一个特征值\lambda_1=0，这种情况下就需要借助非线性稳定性分析来更准确地判断平衡点的稳定性。线性稳定性分析在SI模型研究中具有重要的应用价值。它能够快速地判断模型在平衡点附近的局部稳定性，为传染病传播的初步分析提供了有效的手段。在研究流感在一个小型社区中的传播时，通过线性稳定性分析可以快速判断在当前的易感者和感染者数量下，流感传播是否稳定，从而为社区采取相应的防控措施提供依据。若分析结果表明平衡点不稳定，社区可以及时加强防控力度，如增加消毒频次、限制人员聚集等，以防止流感的进一步传播。3.2.2非线性稳定性分析尽管线性稳定性分析在研究SI种群模型时具有重要作用，能够初步判断平衡点附近的稳定性，但它存在一定的局限性，对于存在实部为0的特征值的情况无法准确判断稳定性，且只能反映平衡点附近的局部特性。为了更全面、深入地研究SI模型解的稳定性，尤其是在非线性情况下的全局稳定性，我们需要引入非线性稳定性分析方法，其中构造Lyapunov函数是一种常用且有效的手段。Lyapunov函数的基本思想源于能量的概念，它通过构造一个与系统状态相关的标量函数V(S,I)，来描述系统的“能量”状态。若在系统演化过程中，该“能量”函数始终不增加，即\frac{dV(S,I)}{dt}\leq0，则系统是稳定的；若\frac{dV(S,I)}{dt}<0，除了平衡点外，系统是渐近稳定的，意味着系统状态最终会收敛到平衡点。对于SI模型，我们尝试构造合适的Lyapunov函数。考虑到模型中易感者和感染者的数量关系以及传染病传播的特点，构造如下Lyapunov函数：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是初始时刻的易感者和感染者数量，S^*和I^*是平衡点处的易感者和感染者数量。接下来，对V(S,I)求关于时间t的导数\frac{dV(S,I)}{dt}，利用复合函数求导法则和SI模型的微分方程：\begin{align*}\frac{dV(S,I)}{dt}&=\frac{d}{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，对\frac{dV(S,I)}{dt}进行分析：当\frac{dV(S,I)}{dt}<0时，系统是渐近稳定的。这意味着随着时间的推移，系统的“能量”不断减少，最终会趋向于平衡点。在SI模型中，如果\beta(S^*I-SI^*)<0，即S^*I<SI^*，说明系统在非线性情况下是渐近稳定的，无论初始状态如何，传染病的传播最终会趋于稳定，易感者和感染者的数量会趋近于平衡点的数值。当\frac{dV(S,I)}{dt}\leq0时，系统是稳定的，但可能存在一些特殊情况，如存在一些状态使得\frac{dV(S,I)}{dt}=0，这些状态可能是边界稳定的。在这种情况下，虽然系统不会远离平衡点，但也不一定会收敛到平衡点，可能会在平衡点附近的某个区域内波动。若存在某些状态使得\frac{dV(S,I)}{dt}>0，则系统是不稳定的，这表明在这些状态下，系统的“能量”会增加，传染病的传播会发生变化，可能会导致感染人数不断增加，传播范围不断扩大。以麻疹在一个城市中的传播为例，通过构造合适的Lyapunov函数并分析其导数，可以判断在考虑人口流动、人群聚集等复杂因素（这些因素使得模型呈现非线性特征）的情况下，麻疹传播的稳定性。如果分析结果表明系统是渐近稳定的，说明在当前的防控措施下，麻疹的传播能够得到有效控制，最终会趋于稳定；若系统不稳定，则需要进一步加强防控措施，如扩大疫苗接种范围、加强对疫情高发区域的管控等，以改变系统的稳定性，控制麻疹的传播。3.3动态行为分析3.3.1局部和全局稳定性分析研究SI种群模型解的局部稳定性，是深入理解传染病传播初期动态行为的关键。在平衡点附近，通过线性化方法将非线性的SI模型转化为线性系统，从而利用线性系统理论来分析其稳定性。对于SI模型的微分方程组：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)\\\frac{dI(t)}{dt}=\betaS(t)I(t)\end{cases}设平衡点为(S^*,I^*)，在其附近进行线性化处理。令S(t)=S^*+\deltaS(t)，I(t)=I^*+\deltaI(t)，将其代入原方程组并忽略高阶小项，得到线性化后的方程组：\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}该线性化方程组可写成矩阵形式：\frac{d}{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，系数矩阵J=\begin{pmatrix}-\betaI^*&-\betaS^*\\\betaI^*&\betaS^*\end{pmatrix}为雅可比矩阵。求解雅可比矩阵J的特征值方程\det(J-\lambdaI)=0，得到特征值\lambda_{1,2}=0,\beta(S^*-I^*)。根据特征值的性质判断平衡点的局部稳定性：当\beta(S^*-I^*)<0，即S^*<I^*时，除了一个零特征值外，另一个特征值为负，此时平衡点是局部渐近稳定的，意味着在平衡点附近的微小扰动会随着时间的推移逐渐衰减，系统最终会回到平衡点状态。例如，在流感疫情初期，如果初始易感者数量相对较少，而感染者数量相对较多，且满足S^*<I^*的条件，那么在这个平衡点附近，即使出现一些小的波动，如个别人员的流动导致感染人数的小变化，疫情的传播也会逐渐趋于稳定，感染人数和易感人数会回到平衡点对应的数值。若\beta(S^*-I^*)>0，即S^*>I^*，存在正特征值，平衡点是不稳定的，此时平衡点附近的微小扰动会不断放大，系统会偏离平衡点，传染病的传播状态会发生变化，感染人数和易感人数会不断变化，传染病可能会进一步扩散。全局稳定性分析则从更宏观的角度，考虑整个相空间内系统的稳定性，它对于预测传染病的长期传播趋势至关重要。利用Lyapunov函数方法，构造合适的Lyapunov函数V(S,I)来研究系统的全局稳定性。对于SI模型，构造Lyapunov函数：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是初始时刻的易感者和感染者数量，S^*和I^*是平衡点处的易感者和感染者数量。对V(S,I)求关于时间t的导数\frac{dV(S,I)}{dt}：\begin{align*}\frac{dV(S,I)}{dt}&=\frac{d}{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*}当\frac{dV(S,I)}{dt}<0，即\beta(S^*I-SI^*)<0，也就是S^*I<SI^*时，系统是全局渐近稳定的，无论初始状态如何，随着时间的推移，传染病的传播最终会趋于稳定，易感者和感染者的数量会趋近于平衡点的数值。在新冠疫情的传播中，如果通过各种防控措施，使得系统满足全局渐近稳定的条件，那么即使疫情在初期有较大的传播范围和感染人数，最终疫情也会得到有效控制，感染人数和易感人数会稳定在平衡点附近。当\frac{dV(S,I)}{dt}\leq0时，系统是稳定的，但可能存在一些特殊情况，如存在一些状态使得\frac{dV(S,I)}{dt}=0，这些状态可能是边界稳定的，系统可能会在平衡点附近的某个区域内波动。若存在某些状态使得\frac{dV(S,I)}{dt}>0，则系统是不稳定的，传染病的传播会发生变化，可能会导致感染人数不断增加，传播范围不断扩大。3.3.2关键因素对动态行为的影响在SI种群模型中，传染率\beta和种群扩散速度等关键因素对传染病的动态行为有着显著的影响。传染率\beta作为决定传染病传播速度和范围的核心参数，其变化直接改变着模型解的动态行为。当\beta增大时，意味着单位时间内一个感染者能够传染给易感者的能力增强。从模型的微分方程\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}的绝对值增大，即易感者数量减少的速度加快；同时\frac{dI(t)}{dt}增大，感染者数量增长的速度也加快。在流感传播中，如果人群之间的接触频率增加，或者病毒的传染性增强，导致传染率\beta上升，那么流感将以更快的速度在人群中传播，感染人数会迅速增加，疫情的爆发可能更为迅猛，传播范围也会更广。相反，当\beta减小时，传染病的传播速度会减缓，感染人数的增长速度变慢，疫情的发展会相对平缓。例如，在采取有效的防控措施，如加强个人防护、减少人群聚集等，降低了人群之间的接触概率，从而使传染率\beta降低，流感的传播速度就会受到抑制，感染人数的增长幅度会减小。种群扩散速度也是影响模型动态行为的重要因素。在考虑种群扩散的SI模型中，扩散速度决定了传染病在不同区域之间的传播快慢。假设种群在空间上存在扩散，其扩散速度用扩散系数D表示，此时模型的微分方程可能变为：\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)分别表示位置x和时间t时的易感者和感染者数量，D_S和D_I分别是易感者和感染者的扩散系数。当种群扩散速度增大，即扩散系数D增大时，传染病能够更快地在不同区域传播。在一个城市中，如果人口流动频繁，人员在城市各个区域之间的扩散速度加快，那么传染病就更容易从疫情高发区域传播到其他区域，导致疫情在整个城市范围内迅速蔓延，感染人数在更广泛的区域内增加。相反，当种群扩散速度减小，如实施交通管制、限制人员流动等措施，使得扩散系数D减小，传染病的传播范围会受到限制，疫情的扩散速度会减缓，有利于控制疫情的传播。传染率\beta和种群扩散速度对SI模型的动态行为有着至关重要的影响，深入研究这些关键因素的变化对模型解的影响，有助于我们更好地理解传染病的传播规律，为制定有效的防控策略提供科学依据。四、一类SI种群模型解的定性性质4.1平衡点的存在性与稳定性对于具有一般形式的SI种群模型，其微分方程组可表示为：\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)分别为t时刻易感者和感染者的数量，\beta为传染率系数，f(S)和g(I)分别表示与易感者和感染者相关的其他因素，如种群的自然增长、外部输入等。令\frac{dS(t)}{dt}=0且\frac{dI(t)}{dt}=0，求解方程组以确定平衡点。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)，这是确定平衡点的关键条件。当I(t)=0时，代入\frac{dS(t)}{dt}=0，可得f(S)=0，设其解为S^*，则此时模型存在平衡点(S^*,0)，该平衡点表示疾病最终被消除，所有个体都为易感者。当f(S)和g(I)满足一定条件时，还可能存在正平衡点(S_0,I_0)，即S_0>0且I_0>0，这个平衡点表示疾病在人群中达到了一种相对稳定的传播状态。以具有密度制约的SI模型为例，假设f(S)=rS(1-\frac{S}{K})，g(I)=-\muI，其中r为种群的固有增长率，K为环境容纳量，\mu为感染者的死亡率。则由则由\betaS(t)I(t)=rS(1-\frac{S}{K})和\betaS(t)I(t)=\muI联立求解。当当I=0时，rS(1-\frac{S}{K})=0，解得S=0或S=K，得到平衡点(0,0)和(K,0)。当当I\neq0时，由\betaS=\mu和rS(1-\frac{S}{K})=\muI，消去S可得关于I的方程，进而求解出正平衡点。接下来分析平衡点的稳定性。利用线性稳定性分析方法，在平衡点(S^*,I^*)附近对模型进行线性化。设S(t)=S^*+\deltaS(t)，I(t)=I^*+\deltaI(t)，代入原方程组并忽略高阶小项，得到线性化后的方程组：\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}该线性化方程组的系数矩阵（雅可比矩阵）为：J=\begin{pmatrix}-\betaI^*+f'(S^*)&-\betaS^*\\\betaI^*&\betaS^*+g'(I^*)\end{pmatrix}求解雅可比矩阵J的特征值方程\det(J-\lambdaI)=0，其中\lambda为特征值，I为单位矩阵。\begin{vmatrix}-\betaI^*+f'(S^*)-\lambda&-\betaS^*\\\betaI^*&\betaS^*+g'(I^*)-\lambda\end{vmatrix}=0展开行列式可得：(-\betaI^*+f'(S^*)-\lambda)(\betaS^*+g'(I^*)-\lambda)+\beta^2S^*I^*=0。根据特征值的性质判断平衡点的稳定性：根据特征值的性质判断平衡点的稳定性：若所有特征值的实部均小于0，则平衡点是渐近稳定的。在具有密度制约的SI模型中，对于平衡点(K,0)，若-\beta\times0+f'(K)<0且\betaK+g'(0)>0，则该平衡点是渐近稳定的，意味着在这种情况下，疾病很可能被消除，即使出现一些小的扰动，系统最终也会回到所有个体为易感者的状态。若存在特征值的实部大于0，则平衡点是不稳定的。对于某个平衡点，若计算得到的雅可比矩阵的特征值中有实部大于0的，那么在该平衡点附近，系统的微小扰动会不断放大，疾病的传播状态会发生变化，可能导致感染人数持续增加。若存在实部为0的特征值，则线性稳定性分析无法确定平衡点的稳定性，需进一步采用非线性稳定性分析方法。4.2解的渐近行为当时间t趋于无穷时，深入研究SI种群模型解的渐近行为，对于准确把握传染病的长期传播趋势以及最终的发展状态具有关键意义。对于一般形式的SI种群模型：\begin{cases}\frac{dS(t)}{dt}=-\betaS(t)I(t)+f(S)\\\frac{dI(t)}{dt}=\betaS(t)I(t)+g(I)\end{cases}从理论分析的角度来看，当t\to+\infty时，若模型存在稳定的平衡点(S^*,I^*)，那么解(S(t),I(t))将渐近趋向于该平衡点。这意味着随着时间的无限推移，传染病的传播会逐渐趋于一种稳定的状态，易感者和感染者的数量会稳定在平衡点所对应的数值上。在一个相对封闭的社区中发生传染病传播，若通过分析模型得到存在稳定的平衡点，且该平衡点表示疾病被有效控制，感染人数趋近于零，易感者数量趋近于一个稳定值，那么随着时间的增长，该社区的传染病传播最终会达到这种稳定状态，疫情得到平息。然而，若模型不存在稳定的平衡点，或者平衡点不稳定，解的渐近行为将变得更为复杂。在这种情况下，传染病的传播可能不会趋于稳定，而是呈现出周期性变化、无规律波动甚至持续增长等不同的态势。以流感在一个大城市中的传播为例，若由于人口流动频繁、防控措施不到位等原因，导致模型的平衡点不稳定，那么流感的传播可能会出现反复爆发的情况，感染人数和易感人数会不断波动，难以达到稳定状态。为了更直观地理解解的渐近行为，我们通过数值模拟进行深入研究。利用Matlab软件，设定具体的参数值，如\beta=0.3，f(S)=0.05S(1-\frac{S}{1000})，g(I)=-0.02I，初始条件为S(0)=800，I(0)=10。通过编写相应的程序代码，对模型进行数值求解：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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;dydt=[dSdt;dIdt];end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;end[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;[t,y]=ode45(@simodel,[0100],[800,10]);figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;figure;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;subplot(2,1,1);plot(t,y(:,1),'b','DisplayName','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;plot(t,y(:,1),'b','DisplayName','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');legend;xlabel('时间t');ylabel('感染者数量');legend;ylabel('感染者数量');legend;legend;运行上述代码，得到易感者和感染者数量随时间变化的曲线。从模拟结果可以清晰地看到，随着时间的增加，易感者数量逐渐减少，感染者数量先增加后减少，最终两者都趋近于稳定的值，这与理论分析中存在稳定平衡点时解的渐近行为相符合。再改变参数值，如将\beta增大到0.5，重新进行数值模拟：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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)');xlabel('时间t');ylabel('易感者数量');legend;subplot(2,1,2);plot(t,y(:,2),'r','DisplayName','感染者数量I(t)');xlabel('时间t');ylabel('感染者数量');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','易感者数量S(t)'