用C模拟流感传播从信息学奥赛题到传染病模型入门当我们在计算机屏幕上看到一个个字符组成的网格时很少有人会想到这简单的二维数组背后隐藏着理解现实世界传染病传播的钥匙。那道经典的流感传染信息学奥赛题表面上考察的是递推算法和数组操作实际上却为我们打开了一扇通往流行病学建模的大门。传染病模型在公共卫生决策中扮演着关键角色而计算机模拟则是验证这些模型最有力的工具之一。本文将带您从这道竞赛题出发探索如何用C构建一个简单的传染病传播模拟器并理解其背后的SIR模型原理。无论您是刚开始接触算法的大学生还是对建模感兴趣的编程爱好者都能在这个过程中获得对疫情传播机制更直观的认识。1. 从竞赛题到现实模型理解基本传播规则那道奥赛题目描述了一个n×n的网格状宿舍区每个格子代表一个房间可能是健康的居民(.)、空房间(#)或流感患者()。规则很简单每天患者会感染其上下左右的健康邻居而空房间不会传播病毒。这种离散化的空间表示和传播规则恰好对应了流行病学中元胞自动机模型的核心思想。在现实中传染病的传播也遵循类似的模式空间邻近性病毒通常先感染与患者接触密切的人群时间离散性我们常以天为单位统计新增病例状态转换健康→感染的状态变化让我们看看题目给出的两种典型解法。第一种使用三维数组记录每天的状态char a[105][105][105]; // 天、行、列 for(int i 2; i m; i) { for(int j 1; j n; j) { for(int k 1; k n; k) { a[i][j][k]a[i-1][j][k]; if (a[i][j][k] .) { if (a[i-1][j-1][k] || ... ) { a[i][j][k]; } } } } }第二种更优化的解法使用二维数组但引入临时状态*表示当天被感染的人char a[105][105]; for(int i 2; i m; i) { for(int j 1; j n; j) { for(int k 1; k n; k) { if (a[j][k] .) { if (a[j-1][k] || ... ) { a[j][k]*; // 标记为当天被感染 } } } } // 统一更新状态 for(int j 1; j n; j) { for(int k 1; k n; k) { if (a[j][k] *) { a[j][k]; // 第二天才具有传染性 } } } }这两种实现方式反映了传染病建模中两个重要概念同步更新 vs 异步更新第一种方法同步更新所有单元格第二种分阶段更新更符合现实潜伏期建模使用中间状态*模拟了从感染到具有传染性的时间延迟2. 扩展基础模型向SIR模型靠拢经典的SIR模型将人群分为三类S (Susceptible)易感者I (Infectious)感染者R (Recovered/Removed)康复或免疫者我们可以基于原有代码框架逐步引入这些概念。首先定义更完整的状态枚举enum class HealthStatus { SUSCEPTIBLE, // 易感者 . INFECTIOUS, // 感染者 RECOVERED, // 康复者 # EMPTY // 空房间 };然后修改传播规则加入康复概率const double recovery_prob 0.1; // 每天10%康复概率 for(int day 2; day m; day) { // 传播阶段 for(int i 1; i n; i) { for(int j 1; j n; j) { if (grid[i][j] HealthStatus::SUSCEPTIBLE) { // 检查四个邻居 int infected_neighbors count_infected_neighbors(grid, i, j); if (infected_neighbors 0) { double infection_prob 1 - pow(1 - base_infection_rate, infected_neighbors); if (rand()/(double)RAND_MAX infection_prob) { next_grid[i][j] HealthStatus::INFECTIOUS; } } } } } // 康复阶段 for(int i 1; i n; i) { for(int j 1; j n; j) { if (grid[i][j] HealthStatus::INFECTIOUS) { if (rand()/(double)RAND_MAX recovery_prob) { next_grid[i][j] HealthStatus::RECOVERED; } } } } }这个扩展引入了几个关键流行病学参数参数描述典型值范围base_infection_rate单个感染者对单个易感者的日传播概率0.05-0.3recovery_prob感染者每日康复概率0.05-0.2initial_infected初始感染者比例0.001-0.013. 可视化与结果分析理解传播动力学单纯的数字输出难以直观展示传播过程。我们可以使用简单的字符图形来可视化每天的疫情分布void visualize(const Grid grid) { for(int i 1; i n; i) { for(int j 1; j n; j) { switch(grid[i][j]) { case HealthStatus::SUSCEPTIBLE: cout .; break; case HealthStatus::INFECTIOUS: cout ; break; case HealthStatus::RECOVERED: cout #; break; case HealthStatus::EMPTY: cout ; break; } } cout endl; } }运行模拟后我们通常会观察到三种典型传播模式快速消亡当传播率低或康复率高时疫情很快消失局部爆发中等传播率时疫情在局部区域传播后消退全面流行高传播率低康复率时疫情席卷整个系统通过修改参数我们可以研究这些模式之间的转变阈值这正是流行病学中基本再生数R0概念的核心——当R01时疫情会持续传播。4. 进一步扩展方向构建更真实的模型有了基础框架后我们可以考虑更多现实因素人口流动模拟引入随机行走模型模拟人员移动// 随机选择两个相邻格子交换状态 void random_movement(Grid grid) { int i rand() % n 1; int j rand() % n 1; int direction rand() % 4; int ni i, nj j; switch(direction) { case 0: ni--; break; // 上 case 1: ni; break; // 下 case 2: nj--; break; // 左 case 3: nj; break; // 右 } if(ni 1 ni n nj 1 nj n) { std::swap(grid[i][j], grid[ni][nj]); } }多年龄段模型不同年龄组有不同的易感性和传播率struct Person { HealthStatus status; AgeGroup age; // CHILD, ADULT, ELDERLY int days_infected; }; double get_infection_prob(Person p, int infected_neighbors) { double base base_rates[p.age].infection; return 1 - pow(1 - base, infected_neighbors); }疫苗接种效果模拟部分人群具有免疫力enum class HealthStatus { SUSCEPTIBLE, INFECTIOUS, RECOVERED, VACCINATED, // 接种疫苗者 EMPTY }; // 接种疫苗者有较低感染概率 if (grid[i][j] HealthStatus::VACCINATED rand()/(double)RAND_MAX vaccine_failure_rate) { next_grid[i][j] HealthStatus::INFECTIOUS; }这些扩展让我们的小模拟器越来越接近专业的流行病学工具虽然简化但已能揭示传染病传播的关键动态特性。5. 从模拟到现实模型局限性与应用价值虽然我们的模型还很基础但它已经体现了计算流行病学的核心思想用可控的模拟环境理解复杂系统的行为。在教学和科研中这类简单模型有独特价值教学演示直观展示传播过程和各种干预效果快速验证在开发复杂模型前验证基本假设算法训练培养系统思维和建模能力当然真实世界的传染病传播要复杂得多需要考虑网络结构人际关系不是均匀网格而是复杂网络时空异质性传播率随时间地点变化多重干预隔离、口罩、社交限制等措施的综合影响但这些复杂性不应成为初学者的障碍。正如这道奥赛题所示从简单模型入手逐步增加复杂度才是掌握建模艺术的正确路径。
用C++模拟流感传播：从信息学奥赛题到传染病模型入门
用C模拟流感传播从信息学奥赛题到传染病模型入门当我们在计算机屏幕上看到一个个字符组成的网格时很少有人会想到这简单的二维数组背后隐藏着理解现实世界传染病传播的钥匙。那道经典的流感传染信息学奥赛题表面上考察的是递推算法和数组操作实际上却为我们打开了一扇通往流行病学建模的大门。传染病模型在公共卫生决策中扮演着关键角色而计算机模拟则是验证这些模型最有力的工具之一。本文将带您从这道竞赛题出发探索如何用C构建一个简单的传染病传播模拟器并理解其背后的SIR模型原理。无论您是刚开始接触算法的大学生还是对建模感兴趣的编程爱好者都能在这个过程中获得对疫情传播机制更直观的认识。1. 从竞赛题到现实模型理解基本传播规则那道奥赛题目描述了一个n×n的网格状宿舍区每个格子代表一个房间可能是健康的居民(.)、空房间(#)或流感患者()。规则很简单每天患者会感染其上下左右的健康邻居而空房间不会传播病毒。这种离散化的空间表示和传播规则恰好对应了流行病学中元胞自动机模型的核心思想。在现实中传染病的传播也遵循类似的模式空间邻近性病毒通常先感染与患者接触密切的人群时间离散性我们常以天为单位统计新增病例状态转换健康→感染的状态变化让我们看看题目给出的两种典型解法。第一种使用三维数组记录每天的状态char a[105][105][105]; // 天、行、列 for(int i 2; i m; i) { for(int j 1; j n; j) { for(int k 1; k n; k) { a[i][j][k]a[i-1][j][k]; if (a[i][j][k] .) { if (a[i-1][j-1][k] || ... ) { a[i][j][k]; } } } } }第二种更优化的解法使用二维数组但引入临时状态*表示当天被感染的人char a[105][105]; for(int i 2; i m; i) { for(int j 1; j n; j) { for(int k 1; k n; k) { if (a[j][k] .) { if (a[j-1][k] || ... ) { a[j][k]*; // 标记为当天被感染 } } } } // 统一更新状态 for(int j 1; j n; j) { for(int k 1; k n; k) { if (a[j][k] *) { a[j][k]; // 第二天才具有传染性 } } } }这两种实现方式反映了传染病建模中两个重要概念同步更新 vs 异步更新第一种方法同步更新所有单元格第二种分阶段更新更符合现实潜伏期建模使用中间状态*模拟了从感染到具有传染性的时间延迟2. 扩展基础模型向SIR模型靠拢经典的SIR模型将人群分为三类S (Susceptible)易感者I (Infectious)感染者R (Recovered/Removed)康复或免疫者我们可以基于原有代码框架逐步引入这些概念。首先定义更完整的状态枚举enum class HealthStatus { SUSCEPTIBLE, // 易感者 . INFECTIOUS, // 感染者 RECOVERED, // 康复者 # EMPTY // 空房间 };然后修改传播规则加入康复概率const double recovery_prob 0.1; // 每天10%康复概率 for(int day 2; day m; day) { // 传播阶段 for(int i 1; i n; i) { for(int j 1; j n; j) { if (grid[i][j] HealthStatus::SUSCEPTIBLE) { // 检查四个邻居 int infected_neighbors count_infected_neighbors(grid, i, j); if (infected_neighbors 0) { double infection_prob 1 - pow(1 - base_infection_rate, infected_neighbors); if (rand()/(double)RAND_MAX infection_prob) { next_grid[i][j] HealthStatus::INFECTIOUS; } } } } } // 康复阶段 for(int i 1; i n; i) { for(int j 1; j n; j) { if (grid[i][j] HealthStatus::INFECTIOUS) { if (rand()/(double)RAND_MAX recovery_prob) { next_grid[i][j] HealthStatus::RECOVERED; } } } } }这个扩展引入了几个关键流行病学参数参数描述典型值范围base_infection_rate单个感染者对单个易感者的日传播概率0.05-0.3recovery_prob感染者每日康复概率0.05-0.2initial_infected初始感染者比例0.001-0.013. 可视化与结果分析理解传播动力学单纯的数字输出难以直观展示传播过程。我们可以使用简单的字符图形来可视化每天的疫情分布void visualize(const Grid grid) { for(int i 1; i n; i) { for(int j 1; j n; j) { switch(grid[i][j]) { case HealthStatus::SUSCEPTIBLE: cout .; break; case HealthStatus::INFECTIOUS: cout ; break; case HealthStatus::RECOVERED: cout #; break; case HealthStatus::EMPTY: cout ; break; } } cout endl; } }运行模拟后我们通常会观察到三种典型传播模式快速消亡当传播率低或康复率高时疫情很快消失局部爆发中等传播率时疫情在局部区域传播后消退全面流行高传播率低康复率时疫情席卷整个系统通过修改参数我们可以研究这些模式之间的转变阈值这正是流行病学中基本再生数R0概念的核心——当R01时疫情会持续传播。4. 进一步扩展方向构建更真实的模型有了基础框架后我们可以考虑更多现实因素人口流动模拟引入随机行走模型模拟人员移动// 随机选择两个相邻格子交换状态 void random_movement(Grid grid) { int i rand() % n 1; int j rand() % n 1; int direction rand() % 4; int ni i, nj j; switch(direction) { case 0: ni--; break; // 上 case 1: ni; break; // 下 case 2: nj--; break; // 左 case 3: nj; break; // 右 } if(ni 1 ni n nj 1 nj n) { std::swap(grid[i][j], grid[ni][nj]); } }多年龄段模型不同年龄组有不同的易感性和传播率struct Person { HealthStatus status; AgeGroup age; // CHILD, ADULT, ELDERLY int days_infected; }; double get_infection_prob(Person p, int infected_neighbors) { double base base_rates[p.age].infection; return 1 - pow(1 - base, infected_neighbors); }疫苗接种效果模拟部分人群具有免疫力enum class HealthStatus { SUSCEPTIBLE, INFECTIOUS, RECOVERED, VACCINATED, // 接种疫苗者 EMPTY }; // 接种疫苗者有较低感染概率 if (grid[i][j] HealthStatus::VACCINATED rand()/(double)RAND_MAX vaccine_failure_rate) { next_grid[i][j] HealthStatus::INFECTIOUS; }这些扩展让我们的小模拟器越来越接近专业的流行病学工具虽然简化但已能揭示传染病传播的关键动态特性。5. 从模拟到现实模型局限性与应用价值虽然我们的模型还很基础但它已经体现了计算流行病学的核心思想用可控的模拟环境理解复杂系统的行为。在教学和科研中这类简单模型有独特价值教学演示直观展示传播过程和各种干预效果快速验证在开发复杂模型前验证基本假设算法训练培养系统思维和建模能力当然真实世界的传染病传播要复杂得多需要考虑网络结构人际关系不是均匀网格而是复杂网络时空异质性传播率随时间地点变化多重干预隔离、口罩、社交限制等措施的综合影响但这些复杂性不应成为初学者的障碍。正如这道奥赛题所示从简单模型入手逐步增加复杂度才是掌握建模艺术的正确路径。
