SEIRS +模型框架 该软件包实现了带有扩展功能的广义SEIRS传染病动态模型，使我们能够研究社交联系网络结构，异质性，随机性和干预措施（如社交距离，测试，联系追踪和隔离）的影响。 最新版本：v1.0（2020年8月9日） 全面推出， 以及面向和人口的。 示例笔记本，其中包含复杂的和模拟的深入演练。 和类已被重构，以符合约定。 动态和核心实现保持不变，但是某些变量名称已更改，等等。 2020年8月9日之前的这些类的版本现在位于legacy_models.py模块中。 启动新的以全面记录模型和包装特征 总览 可以上找到该软件包的模型，代码，用例，示例等的完整文档。 SEIRS动力学 该软件包中模型的基础是经典的传染病SEIR模型。 SEIR模型是标准的隔离模型，其中将种群分为易感（S） ，暴露（E） ，传染性（I）和恢复（R）个体。 与感染个体进行传染性接触时，该种群中的易感成员被感染（暴露），然后进入感染状态，最终恢复。 在SEIRS模型中，恢复的个体可能在恢复后的某个时间变得易感（尽管如果不适用或不期望，则可以排除易感性）。 扩展的SEIRS模型 该模型扩展了经典的传染病S

随机图上的流行病 介绍 这里的代码旨在模拟的疾病爆发。 包含的功能可以通过可修改的部署将通过疫苗的干预措施纳入进来。 注意：此项目已被所取代。 目录 基本信息 我们用一个经典的随机图G（n，p_adj）建模一个简单的社交网络，该图由n个节点组成，其中任意两个节点的连接概率为p_adj。 一个随机选择的节点感染了病毒V（p_inf，tau），成为零号患者。 在一个时间步中，每个受感染的节点以p_inf的概率将病毒传播到其每个连接的节点。 节点从感染中恢复的预期时间步长为tau。 为了数学上的方便，我们忽略了生命动力学，并假设网络中没有出生或死亡。 有关更多信息，请阅读相应的论文上的 。 用法 可以使用带有命令行参数的simRGSIR来运行大多数核心功能。 前六个命令行参数是： 人口：要模拟的节点数。 p_adjacent ：连接两个节点的概率。 p_infect ：感染者在一个时