admin 前几天，天气变暖，阳光和煦，传染病仍然很严重，但已经抑制不住一些人蠢蠢欲动的心。B站的大佬用技术说：“为什么还没到出门的时候？”说。然后这个大家伙生气了。
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：
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：
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() + ci()); int y = (int) (100 * random.nextGaussian() + ci()); if(x>700){ x=700; } Person person = new Person(city,x,y); (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 = Per().getPersonList(); for(int i=0;i<Con;i++){ //生成人口规模范围内的随机整数 int index = new Random().nextIn()-1); Person person = (index); //避免随机值碰撞 while ()){ index = new Random().nextIn()-1); person = (index); } //生成感染者 (); } 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()+Con; 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==S){ 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()){ 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=Ma(dX,2)+Ma(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>=Con，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>Con，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>=S){ 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==S;&MyPanel.worldTime-confirmedTime>=Con){ Bed bed = Ho().pickBed(); if(bed==null){ Sy("隔离区没有空床位"); }else{ //被隔离起来了 state=S; 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 i;Con&&state==S){ state=S; confirmedTime = MyPanel.worldTime; } action(); List<Person> people = Per().personList; if(state>=S){ return; } for(Person person:people){ i()== S){ 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<Con;&distance(person)<SAFE_DIST){ (); } } } 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)。