病毒扩散仿真程序火了，其实模型很简单!

前几天，天气回暖，阳光和煦，虽然疫情依然严重，但是已经震慑不住某些人蠢蠢欲动的内心了，这不 B 站上的一大佬就用技术来告诉人们 “为什么现在还没到出门的时候?”，然后这位大佬就火了。

u2qy2aE.jpg!web

图片来自 Pexels

事情是这样的，B 站 UP 主 @ele实验室，用了一夜的时间，写了一个简单的疫情传播仿真程序，告诉大家在家待着的重要性，视频如下：

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

我在家闲着无聊便去把代码下载下来研究了一下，这里算是做个解析，废话不多说，我们开始。

源码结构

源码结构比较简单，我们来一起看一下：

3EZzu2Q.jpg!web

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。

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：熊饲

编辑：陶家龙、孙淑娟

出处：https://juejin.im/post/5e3ab6d3518825491d320a38

模型启动初始化

①模拟人员流动

②模拟病毒传播与医院收治

Recommend

消失的情人节档：电影网络首映是昙花一现吗

Kotlin Coroutines Flow 系列(一) Flow 基本使用 - 简书

Raft算法原理 - codedump的网络日志

PyTorch实现经典分类网络 | 鸢尾花开

肺炎能否刺激房地产

SaaS系统业务调研复盘：以美容院信息管理系统为例

高阶产品经理：用系统解决问题

创投圈先疯了：NCP分裂了微信群、朋友圈

滴滴:疫情高发区返程司机须隔离期满无恙后才可复工

向死而生：这是一个程序员的创业故事

About Joyk