本篇博客介绍了SEIR这个传染病模型，并对该模型使用Anylpgic进行仿真建模，给出了实验结果。讨论了当接触率变化时，实验结果的变化，从而对采取什么措施有指导意义。

基于SIR传染病模型的突发事件网络舆情演变分析 基于SIR传染病模型的突发事件网络舆情演变分析，张秦，谢乃明，本文以突发事件网络舆情演化为对象展开研究,系统综述了网络舆情演化的相关方法研究,并对突发事件网络舆情的特征进行了定义和阐述

基于SIR传染病模型的突发事件网络舆情演变分析 基于SIR传染病模型的突发事件网络舆情演变分析，张秦，谢乃明，本文以突发事件网络舆情演化为对象展开研究,系统综述了网络舆情演化的相关方法研究,并对突发事件网络舆情的特征进行了定义和阐述

生物控制模型，包括各种类型介绍及相应，包括最优控制，传染病模型 ｚ备注（某宝上需要好几百呢）

具有非线性发生率的SIR传染病模型的全局稳定性，宋修朝，宋昊， 讨论了一类具有非线性发生率的SIR传染病模型，利用再生矩阵得到了基本再生数，通过构造Lyapunov函数，证明了当基本再生数小于等于1�

Modeling Infectious Diseases in Humans and Animals.pdf

第五章 微分方程模型 描述对象特征随时间(空间)的演变过程 研究控制对象特征的手段 根据函数及其变化率之间的关系确定函数

数学建模

2019年年底，一场突如其来的疫情打破了所有人的生活，经高通量测序发现这是一种新型冠状病毒—— [1],自疫情爆发以来，世界各地科研机构纷纷展开对 的研究，本文基于流行传染病 模型的基础上展开研究。 问题一：针对如何定量界定“流行”与“大流行”，本文在传统 模型的基础上，根据实际疫情数据计算出模型的死亡率、治愈率、感染率、确诊患者转化率以及确诊患者的自然增长率并求解出模型，并通过模型模拟数据与实际数据的对比，进而分析得出 的一个整体发展态势。在 模型的基础上求出 的基本再生数R_0，通过基本再生数R_0并与其他“流行”传染病(以 和 为例)对比，进而直接得到界定“流行”与“大流行”的一个量化指标。此外，疫情的覆盖范围、潜伏周期和投入资金也可以间接的作为界定“流行”与“大流行”的量化指标。 问题二： 本文首先通过对无症状感染者所占群体内部的一个比例来衡量该地区的疫情爆发趋势。针对这个问题，本文在传统流行病模型的基础上，判断流行病“无病平衡点”和“地方病平衡点”的稳定性以及“流行病传播的必要条件”入手。结合模型一的相关参数，推测出无症状感染者所占的比重，从而划分出不同风险等级的区域。由于所选区域较为灵活，对于范围较大的区域可以运用“统计学”原理和生物学的“抽样原理”，从宏观角度上分析无症状感染者的比重，当无症状感染者的比例大于1，则疫情随时可能爆发；当无症状感染者比例小于1时，疫情即使爆发也会很快控制下来，且疫情发展系数P_e的值越小，爆发的概率越大。以湖北、天津、浙江、北京和云南为例，计算得湖北的无症状感染者的比重1.1145，P_e的值是五个样本区域最小的，会有大爆发的趋势；其次是浙江的1.0025，有小范围爆发的趋势；随后是天津的0.8664，会有局部疫情爆发的可能，应当适当增强管控手段和隔离强度；云南和北京的无症状感染者比重都远远小于1，可以把更多的人力和资源投入到其他省的疫情管控。 问题三： 本文从疫情造成的影响和总体发展态势分析疫情，根据模型一提供相关数据分析管控措施和理论依据，并根据模型二的计算结果的模型原理提供如何高效的对地区采取管控政策。

该文档内容包括传染病动力学基本知识和发展方向、模型意义、基本形式、原理等举例方法等等，适于数学建模竞赛方法学习。