import random
from .run_monte_carlo_diffusion import run_monte_carlo_diffusion
from ..graph import IMGraph
from .base_diffusion_model import BaseDiffusionModel
from ...utils import infection_threshold
[docs]
class SusceptibleInfectedRecoveredModel(BaseDiffusionModel):
"""
SIR模型（Susceptible-Infected-Recovered Model）。
实现了经典的SIR传播模型，该模型是一种传染病传播模型，
节点有三种状态：易感(S)、感染(I)和康复(R)。
易感节点可被感染节点感染，感染节点可以康复为免疫状态。
参考文献:
- Kermack, W. O., & McKendrick, A. G. (1927). "A contribution to the mathematical theory of epidemics."
Proceedings of the Royal Society of London. Series A, 115(772), 700-721.
DOI: 10.1098/rspa.1927.0118
URL: https://royalsocietypublishing.org/doi/10.1098/rspa.1927.0118
Attributes:
infected_nodes (set): 所有已被感染的节点集合
recovered_nodes (set): 所有已康复的节点集合
graph (IMGraph): 表示传播网络结构（继承自BaseDiffusionModel）
init_seeds (list): 初始感染节点集（继承自BaseDiffusionModel）
record_states (bool): 指示是否记录传播过程中的状态变化（继承自BaseDiffusionModel）
states (list): 当record_states为True时存储传播过程的状态历史（继承自BaseDiffusionModel）
gamma (float): 康复率
beta (float): 感染率
"""
def __init__(self, graph: IMGraph, init_seeds: list, gamma: float, beta: float = None,
record_states: bool = False):
"""
初始化SIR模型。
Args:
graph (IMGraph): 定义了节点和边的网络结构
init_seeds (list): 初始感染的节点集合
gamma (float): 康复率，每个时间步感染节点康复的概率
beta (float, optional): 感染率，如果为None则使用基于图结构计算的感染阈值
record_states (bool): 控制是否记录每一步的状态，默认为False
"""
super(SusceptibleInfectedRecoveredModel, self).__init__(graph, init_seeds, record_states)
self.infected_nodes = set(init_seeds)
self.recovered_nodes = set()
self.gamma = gamma
if beta is None:
self.beta = infection_threshold(self.graph.nx_graph)
else:
self.beta = beta
[docs]
def update(self):
"""
执行一次传播更新。
在当前轮次中，先处理感染节点的康复，然后已感染的节点尝试感染它们的易感邻居节点。
Returns:
set: 本轮新感染的节点集合
"""
# 先执行恢复过程 - 所有感染节点都有一定概率康复
new_recovered_nodes = set()
for node in self.infected_nodes:
if random.random() < self.gamma:
new_recovered_nodes.add(node)
self.recovered_nodes.add(node)
# 从感染节点集合中移除已康复的节点
self.infected_nodes -= new_recovered_nodes
# 再执行感染过程 - 所有当前感染节点尝试感染邻居
new_infected_nodes = set()
for node in list(self.infected_nodes): # 使用list复制避免在迭代时修改集合
for neighbor in self.graph.neighbors(node):
# 只有易感节点（既未感染也未康复）才能被感染
if neighbor not in self.infected_nodes and neighbor not in self.recovered_nodes:
if random.random() < self.beta: # 使用beta作为感染概率
new_infected_nodes.add(neighbor)
self.infected_nodes.update(new_infected_nodes)
# 记录每轮的状态
if self.record_states and (new_infected_nodes or new_recovered_nodes):
self.states.append({
'newly_infected': new_infected_nodes.copy(),
'newly_recovered': new_recovered_nodes.copy()
})
return new_infected_nodes
[docs]
def diffusion(self, update_counts=None):
"""
执行完整的扩散过程。
进行指定轮次的传播更新，直到达到最大轮次或没有新的节点被感染。
Args:
update_counts (int, optional): 最大更新轮次数。如果为None则持续传播直到无新节点感染
Returns:
dict: 包含最终各状态节点集合的字典
- 'infected': 最终被感染的节点集合
- 'recovered': 最终已康复的节点集合
- 'susceptible': 最终仍处于易感状态的节点集合
"""
if update_counts is not None and update_counts <= 0:
raise ValueError("update_counts must be a positive integer.")
count = 0
while True:
_ = self.update()
count += 1
# 当没有新的感染节点或者达到指定轮次时停止
if len(self.infected_nodes) == 0 or (update_counts and count >= update_counts):
break
return self.recovered_nodes
[docs]
def run_monte_carlo_diffusion(self, rounds: int, update_counts: int = None, multi_process: bool = False,
processes: int = None, seed: int = None):
"""
执行蒙特卡洛模拟扩散过程。
Args:
rounds (int): 总模拟轮数
update_counts (int, optional): 更新轮次数，适用于SI模型等需要限制传播轮次的模型
multi_process (bool): 是否启用多进程模式，默认为False
processes (int, optional): 多进程模式下的进程数，为None时使用CPU核心数
seed (int, optional): 模拟时的随机种子
Returns:
float: 所有模拟轮次的平均激活节点数
"""
return run_monte_carlo_diffusion(self, rounds, update_counts, multi_process, processes, seed)
[docs]
def reset(self, init_seeds=None):
"""
重置模型状态。
将模型恢复到初始状态，如果启用状态记录则清空已记录的状态历史，
并重新设置初始感染节点状态。
Args:
init_seeds (list, optional): 新的初始感染节点集合，若为None则使用原有种子集
"""
if init_seeds is None:
init_seeds = self.init_seeds
self.init_seeds = init_seeds
self.infected_nodes = set(init_seeds)
self.recovered_nodes = set()
if self.record_states:
self.states = []