病毒扩散仿真java程序，仿真模拟新冠肺炎病毒扩散

╰+攻爆jí腚メ 2023-07-04 11:15 53阅读 0赞

GitHub 地址如下：https://github.com/KikiLetGo/VirusBroadcast

源码结构

源码结构比较简单，我们来一起看一下：

![format_png][]

模型讲解

我对仿真模型做了一个抽象和概括，我们一起对照着源码分析模型的整个模拟过程和思路。

模型前提设置

首先，假设 C(400，400) 是城市的中心，整个城市是以 C 为中心的圆，L=100 是圆的半径。

假设 P(x，y) 就表示城市中的人，人受疫情影响有不同的状态 S：

*  S.NORMAL=0：正常。
 *  S.SUSPECTED=1：疑似。
 *  S.SHADOW=2：病毒携带潜伏者。
 *  S.CONFIRMED=3：确诊。
 *  S.FREEZE=4：隔离。
 *  S.CURED=5：治愈。

对应于感染者，和确诊者分别设置 infectedTime(被感染的时刻)和 confirmedTime(确诊的时刻)。

其次，假设医院是高为 H，宽为 W 的长方形区域，其中矩形左下角坐标为 H(800，110)。

为了表示医院容量的大小，我们把 H=606 设为常量，则 W 越大表示医院的可容纳量越大(也即床位越多);然后，假设 B(x，y) 就表示位于医院内的床位。

![aHR0cHM6Ly9pbWcwLnR1aWNvb2wuY29tL05aSlY3akUuZ2lm][]

最后我们要设置一些启动参数：

*  int ORIGINAL\_COUNT=50：初始感染数量。
 *  float BROAD\_RATE=0.8f：传播率。
 *  float SHADOW\_TIME=140：潜伏时间。
 *  int HOSPITAL\_RECEIVE\_TIME=10：医院收治响应时间。
 *  int BED\_COUNT=1000：医院床位。
 *  float u=0.99f：流动意向平均值。

模型启动初始化

模型启动时，我们在以 C 为中心 L 为半径的圆内随机产生 5000 个 P：

/** 
         * 以（400，400）为城市中心，在方圆100单位长度以内， 
         * 伪随机（近似正态分布）出5000人； 
         * 如果person的x轴坐标超过了700，则就按700算（为了限制到一定范围内） 
         */ 
        private PersonPool() { 
            City city = new City(400,400); 
            for (int i = 0; i < 5000; i++) { 
                /** 
                 * random.nextGaussian() 
                 * 返回均值0.0和标准差1的伪随机（近似）正态分布的double。 
                 */ 
                Random random = new Random(); 
                int x = (int) (100 * random.nextGaussian() + city.getCenterX()); 
                int y = (int) (100 * random.nextGaussian() + city.getCenterY()); 
                if(x>700){ 
                    x=700; 
                } 
                Person person = new Person(city,x,y); 
                personList.add(person); 
            } 
        }

并根据 ORIGINAL\_COUNT=50：初始感染数量，初始化 50 个感染者(状态为 S.SHADOW 的 P)：

List<Person> people = PersonPool.getInstance().getPersonList(); 
            for(int i=0;i<Constants.ORIGINAL_COUNT;i++){ 
                //生成人口规模范围内的随机整数 
                int index = new Random().nextInt(people.size()-1); 
                Person person = people.get(index); 
                //避免随机值碰撞 
                while (person.isInfected()){ 
                    index = new Random().nextInt(people.size()-1); 
                    person = people.get(index); 
                } 
                //生成感染者 
                person.beInfected(); 
            }

模型运行

启动之后模型就开始模拟人员流动，模拟病毒随人群如何传播，以及医院如何收治，我这里着重讲解一下。

①模拟人员流动

首先要知道，P 是否流动与 P 的状态 S 和流动意愿值有关系，如果 S=S.FREEZE(也即被医院隔离)则无法流动，如果 P 不想动则也不会流动。其中这里流动意愿值如何计算的呢?

个人流动意愿值=流动意向平均值+随机流动意向：

public boolean wantMove(){ 
           //流动意向平均值+随机流动意向 
           double value = sig*new Random().nextGaussian()+Constants.u; 
           return value>0; 
       }

P(x1，y1) 初次流动时会随机产生一个 T(x2，y2) 目标地，且 T 是限制在以 P 为圆心的一定范围内的。

那么 P 是如何向 T 流动的呢?这里不是简单的直接 moveTo(T)，为了更真实模拟实际情况，P 其实是逐渐靠近 T 的。

假设 D 是 P 到 T 之间的距离，则 D = sqrt(pow(x1-x2，2)+pow(y1-y2，2)) ：

*  若 D<1，则认为 P 已经到达 T。
 *  若 D>1，则下一次 P 到达的坐标是 \[(x2-x1)/|x2-x1|，(y2-y1)/|y2-y1|\]，其实就是超过了 -1，还没到 +1。

P 到达目的地后就不动了吗?不是的，P 到达目的地后会在随机产生下一个目的地，然后以同样的算法趋近目的地。

private void action(){ 
            //已隔离，无法行动 
            if(state==State.FREEZE){ 
                return; 
            } 
            //不想动，也无法行动 
            if(!wantMove()){ 
                return; 
            } 
            //如果还没有行动过，或者目标地已经到达，则重新随机产生下一个目标地 
            if(moveTarget==null||moveTarget.isArrived()){ 
     
                double targetX = targetSig*new Random().nextGaussian()+targetXU; 
                double targetY = targetSig*new Random().nextGaussian()+targetYU; 
                moveTarget = new MoveTarget((int)targetX,(int)targetY); 
     
            } 
     
            /** 
             * dX : 目标地与当前位置的相对x轴坐标差 
             * dY : 目标地与当前位置的相对y轴坐标差 
             * length : 目标地与当前位置的距离 
             */ 
            int dX = moveTarget.getX()-x; 
            int dY = moveTarget.getY()-y; 
            double length=Math.sqrt(Math.pow(dX,2)+Math.pow(dY,2)); 
            //如果目标地与当前位置误差在1步长内，则视为已经到达目的地 
            if(length<1){ 
                moveTarget.setArrived(true); 
                return; 
            } 
            //否则，缩小每次移动的步长，控制在（1，根号2）以内 
            int udX = (int) (dX/length); 
            if(udX==0&&dX!=0){ 
                if(dX>0){ 
                    udX=1; 
                }else{ 
                    udX=-1; 
                } 
            } 
            int udY = (int) (dY/length); 
            if(udY==0&&dY!=0){ 
                if(dY>0){ 
                    udY=1; 
                }else{ 
                    udY=-1; 
                } 
            } 
            //如果当前位置已经超出边界，则重新规划目的地，并往回走udx个步长 
            if(x>700){ 
                moveTarget=null; 
                if(udX>0){ 
                    udX=-udX; 
                } 
            } 
            moveTo(udX,udY); 
        }

②模拟病毒传播与医院收治

因为有没有感染病毒，有没有隔离病毒，其实都是和人有关系，所以模拟病毒传播其实就是模拟 P 的状态 S 的变迁。

这里有一个前提说明：设置 worldTime 表示当前时刻，初始化为 0，JPanel 面板每刷新一次，worldTime+1。

*  若 S=S.FREEZE，则 P 已经被医院收治，已被隔离。状态不更新。
 *  若 S=S.CONFIRMED，且 worldTime-confirmedTime>=Constants.HOSPITAL\_RECEIVE\_TIME，也即 P 已确诊且距确诊时间已经超过医院反应时间，则说明 P 应该被医院收治。
 *  但是如果医院有床位，则将 P(x1，y1) 移动到 B(x2，y2)，即表示已收容;如果医院没有床位了，则 P(x1，y1) 无法收容，依然参与人员流动过程。
 *  若 S=S.SHADOW，且 worldTime-infectedTime>Constants.SHADOW\_TIME，也即 P 是已被感染者，且感染期限超出潜伏期，则此时应转为 CONFIRMED(确诊)状态。

状态迁移搞清楚了，那还有一个问题，正常人是如何被感染的?这与两个参数有关：

*  BROAD\_RATE，这个是我们上面提到过的传播率参数，表示人是否被感染有一定概率。
 *  SAFE\_DIST，表示正常人和疑似者/感染者/确诊者等之间的安全距离。

当概率随机值超过 BROAD\_RATE，且正常人和疑似者/感染者/确诊者等之间的距离小于 SAFE\_DIST 时，正常人会被成为感染者，状态 S=S.SHADOW(潜伏者)：

public void update(){ 
            //已隔离，状态不更新 
            if(state>=State.FREEZE){ 
                return; 
            } 
            //若已确诊时长超过医院反应时间，则表示此确诊者已被隔离到医院 
            if(state==State.CONFIRMED&&MyPanel.worldTime-confirmedTime>=Constants.HOSPITAL_RECEIVE_TIME){ 
                Bed bed = Hospital.getInstance().pickBed(); 
                if(bed==null){ 
                    System.out.println("隔离区没有空床位"); 
                }else{ 
                    //被隔离起来了 
                    state=State.FREEZE; 
                    x=bed.getX(); 
                    y=bed.getY(); 
                    bed.setEmpty(false); 
                } 
            } 
            //若已感染时长超过潜伏期，则潜伏者就会确诊，确诊时间就是当前时间 
            if(MyPanel.worldTime-infectedTime>Constants.SHADOW_TIME&&state==State.SHADOW){ 
                state=State.CONFIRMED; 
                confirmedTime = MyPanel.worldTime; 
            } 
     
            action(); 
     
            List<Person> people = PersonPool.getInstance().personList; 
            if(state>=State.SHADOW){ 
                return; 
            } 
           for(Person person:people){ 
               if(person.getState()== State.NORMAL){ 
                   continue; 
               } 
               /** 
                * Random().nextFloat() 
                * 用于获取下一个从这个伪随机数生成器的序列中均匀分布的0.0和1.0之间的float值 
                */ 
               float random = new Random().nextFloat(); 
               //随机float值小于传播率，且与感染者安全距离小于SAFE_DIST时，此人就会别感染 
               if(random<Constants.BROAD_RATE&&distance(person)<SAFE_DIST){ 
                   this.beInfected(); 
               } 
           } 
        }

调节参数来模拟效果

我们上面提到了启动仿真所需的那些参数：

public class Constants { 
        public static int ORIGINAL_COUNT=50;//初始感染数量 
        public static float BROAD_RATE = 0.8f;//传播率 
        public static float SHADOW_TIME = 140;//潜伏时间 
        public static int HOSPITAL_RECEIVE_TIME=10;//医院收治响应时间 
        public static int BED_COUNT=1000;//医院床位 
        public static float u=0.99f;//流动意向平均值 
    }

根据模拟效果可以明显看出来，流动意愿平均值是一个很重要的参数，即使是传播率较大，医院资源紧缺，潜伏期较长的情况下，只要大家都不出门，有效控制人群流动，那么疫情很快就可以被消灭。

所以“防疫的中坚力量其实是广大的人民群众，忍一时风平浪静，别在往出去跑给国家添麻烦了!”

模型优化

其实这个模型并不复杂，简单总结一下：

*  这里模拟的是一个城市，且城市模型是理想化的。
 *  人群分布是伪随机正态分布的。
 *  人的流动模型很简单，就是一个点向另一个点以小步长趋近。
 *  病毒传播模型就是根据一定概率加上安全距离的限定来模拟人传人。
 *  医院收治模型就是根据感染时长和确诊时长来模拟收治。

针对这几个点，想到的优化思路：

*  多个城市中心(这也是程序作者的意见之一)。
 *  人群分布可以调参，可以根据实际情况来确定分布密度。
 *  在加上收治病人治愈出院的情况，更加符合实际。
 *  病毒传染更加科学准确的模型(因为一个人染上病是多方面因素的综合叠加)，作者尝试使用DNN对病毒进行建模（包括病毒变异）。

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWcwLnR1aWNvb2wuY29tLzNFWnp1MlEuanBnIXdlYg?x-oss-process=image/format,png
[aHR0cHM6Ly9pbWcwLnR1aWNvb2wuY29tL05aSlY3akUuZ2lm]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWcwLnR1aWNvb2wuY29tL05aSlY3akUuZ2lm