反应扩散模型和亚种群模型 - 版本历史

2022年3月21日 (一) 16:58 Bnustv

2022-03-21T16:58:46Z

2022年3月16日 (三) 02:13 Bnustv

2022-03-16T02:13:09Z

2022年3月16日 (三) 02:05 Bnustv

2022-03-16T02:05:45Z

2022年3月16日 (三) 01:55 Bnustv

2022-03-16T01:55:37Z

2022年3月16日 (三) 01:47 Bnustv

2022-03-16T01:47:32Z

2022年3月16日 (三) 01:38 Bnustv

2022-03-16T01:38:33Z

2022年3月16日 (三) 01:37 Bnustv

2022-03-16T01:37:15Z

2022年3月16日 (三) 01:35 Bnustv

2022-03-16T01:35:50Z

2022年3月15日 (二) 01:54 Bnustv

2022-03-15T01:54:49Z

2022年3月15日 (二) 01:38 Bnustv

2022-03-15T01:38:02Z

←上一版本		2022年3月21日 (一) 16:58的版本
第1行：		第1行：
−	~~此词条暂由彩云小译翻译，Bnustv整理和审校。~~	+	此词条由Bnustv整理和审校。

←上一版本		2022年3月16日 (三) 02:13的版本
第1行：		第1行：
−	~~此词条暂由彩云小译翻译，Bnustv整理和审校（整理中...）。~~	+	此词条暂由彩云小译翻译，Bnustv整理和审校。


第8行：		第8行：


−	~~一般而言，社会行为和人类流动性的网络模型通常被构建为反应~~-扩散过程<font color="#ff8000"> Reaction-Diffusion Processes</font> ~~,在这个网络模型框架中，每个节点~~<math>i</math>~~可以容纳任何非负整数个粒子~~<math>\mathcal{N}(i)</math>~~，因此系统的总粒子数为~~<math>\mathcal{N}=\sum_i\mathcal{N}(i)</math>。该粒子-~~网络框架中节点内的每个粒子只能沿着网络中连接节点的连边进行扩散，并且扩散系数取决于节点的度~~<font color="#ff8000"> Node degree</font>~~或者节点的其他属性。对于不同的系统，节点内粒子的反应规则也不同。这样的粒子~~-~~网络框架模型的简单示意如图所示。~~	+	一般而言，社会行为和人类流动性的网络模型通常被构建为以反应-扩散过程<font color="#ff8000"> Reaction-Diffusion Processes</font> 为基础，这样的反应扩散模型同时考虑了系统的扩散、迁移和增长，并通常应用于分析空间经济过程之中。在这个网络模型框架中，每个网络中的节点<math>i</math>可以容纳任何数量为非负整数的粒子<math>\mathcal{N}(i)</math>，因此系统中的总粒子数为<math>\mathcal{N}=\sum_i\mathcal{N}(i)</math>。该粒子-网络框架中节点内的每个粒子只能沿着网络中节点之间的连边进行扩散，并且扩散系数取决于节点的度<font color="#ff8000"> Node degree</font>或者节点的其他属性。对于不同的系统，节点内粒子之间的反应规则也不同。这样的粒子-网络框架模型的简单示意如右图所示。

@@ 第48行： / 第48行： @@
-其中$\mathcal{V}(k)$表示度为$k$的节点集合。上面的两式表示的是度为$k$的节点的平均感染态和易感态个体数，显然有$\mathcal{N}_k=I_k+S_k$。因此，系统的动力学方程可以表示为
+其中<math>\mathcal{V}(k)</math>表示度为<math>k</math>的节点集合。上面的两式表示的是度为<math>k</math>的节点的平均感染态和易感态个体数，显然有<math>\mathcal{N}_k=I_k+S_k</math>。
 \begin{equation}
 I_k(t+1)=k\sum_{k'}P(k|k')\frac{1}{k'}[(1-\mu)I_{k'}(t)+\beta\Gamma_{k'}(t)]
 \end{equation}
-其中$\Gamma_{k'}(t)$为相互作用的核，是关于$I_{k'}$和$S_{k'}$的函数。该方程是通过考虑在每个时间步，度为$k$的节点上的粒子先发生反应，然后以1的概率从节点扩散出去得到的。在无关联网络的情况下，上式可以写为
 \begin{equation}
 I_k(t+1)=\frac{k}{\left<k\right>}[(1-\mu)\bar{I}(t)+\beta\Gamma]
 \end{equation}
-其中$\bar{I}(t)=\sum_k P(k)I_k$表示网络中每个节点的平均感染态个体的数量。$\Gamma=\sum_k P(k)\Gamma_k$。类似地，易感态个体的动力学方程可以表示为
+其中<math>\bar{I}(t)=\sum_k P(k)I_k</math>表示网络中每个节点的平均感染态个体的数量，并且网络中<math>\Gamma=\sum_k P(k)\Gamma_k</math>。
 \begin{equation}
 S_k(t+1)=\frac{k}{\left<k\right>}[\bar{S}(t)+\mu\bar{I}(t)-\beta\Gamma]
 \end{equation}
-其中$\bar{S}(t)=\sum_k P(k)S_k$。
+其中<math>\bar{S}(t)=\sum_k P(k)S_k</math>。
 ==参考文献 References==

@@ 第37行： / 第37行： @@
 ==亚种群模型==
 \begin{equation}
 I_k=\frac{1}{N_k}\sum_{i\in\mathcal{V}(k)}I(i)
@@ 第49行： / 第46行： @@
 S_k=\frac{1}{N_k}\sum_{i\in\mathcal{V}(k)}S(i)
 \end{equation}
 where the sums $\sum_{i\in\mathcal{V}(k)}$ are performed over nodes of degree $k$. These two quantities express the average number of susceptible and infectious individuals in nodes with degree $k$. Clearly, $\mathcal{N}_k=I_k+S_k$ is the average number of individuals in nodes with degree $k$. These quantities allow one to write the discrete-time equation describing the time evolution of $I_k(t)$ for each class of degree k as

@@ 第12行： / 第12行： @@
-为了对网络中的反应扩散系统进行理论上的分析描述，我们允许节点之间具有异质的连接模式。对这些系统的第一种分析方法是考虑将基于节点度的平均场理论方法Degree-based mean-field approach（简称为DBMF方法）扩展到具有任意度分布的反应扩散系统网络中。为简单起见，我们首先考虑在一个简化的系统上应用DBMF方法，这样具有简单网络结构的系统可以描述为：系统的粒子之间没有相互作用或反应，粒子只会在网络上扩散，并且网络可以具有任意的拓扑形式。以这样的描述构建这个系统，我们如果以度<math> k </math>作为量化指标定义分类的话，可以将系统简单表示为：
+为了对网络中的反应扩散系统进行理论上的分析描述，我们允许节点之间具有异质的连接模式。对这些系统的第一种分析方法是考虑将基于节点度的平均场理论方法<font color="#ff8000">Degree-based mean-field approach</font> （简称为DBMF方法）扩展到具有任意度分布的反应扩散系统网络中。为简单起见，我们首先考虑在一个简化的系统上应用DBMF方法，这样具有简单网络结构的系统可以描述为：系统的粒子之间没有相互作用或反应，粒子只会在网络上扩散，并且网络可以具有任意的拓扑形式。以这样的描述构建这个系统，我们如果以度<math> k </math>作为量化指标定义分类的话，可以将系统简单表示为：
 \begin{equation}
@@ 第41行： / 第41行： @@
 This modeling scheme describes spatially structured interacting subpopulations, such as city locations, urban areas, or defined geographical regions <ref>Grenfell B, Harwood J. (Meta) population dynamics of infectious diseases[J]. Trends in ecology & evolution, 1997, 12(10): 395-399.</ref><ref>Ecology, genetics and evolution of metapopulations[M]. Academic Press, 2004.</ref> and is usually referred to as the metapopulation approach. Each node of the network represents a subpopulation and the compartment dynamics accounts for the possibility that individuals in the same location may get into contact and change their state according to the infection dynamics. The interaction among subpopulations is the result of the movement of individuals from one subpopulation to the other. We have thus to associate with each individual’s class a diffusion probability $p_I$ and $p_S$ that indicates the probability for any individual to leave its node and move to a neighboring node of the network. In general the diffusion probabilities are heterogeneous and can be node dependent; however, for simplicity we assume that individuals diffuse with probability $p_I=p_S=1$ along any of the links departing from the node in which they are. This implies that at each time step an individual sitting on a node with degree k will diffuse into one of its nearest neighbors with probability $1/k$. In order to write the dynamical equations of the system we define the following quantities:
-通过将反应项添加到上述方程中，可以将上述方法推广到具有不同状态的粒子发生反应的情形（Colizza等，2007b）。现在，我们描述在该情形下的SIS模型情况，其中单位时间的感染概率为$\beta$，恢复概率为$\mu$。我们考虑在具有$N$个节点和度分布为$P(k)$的异质网络中扩散的$\mathcal{N}$个个体。网络的每个节点$i$分别具有$I(i)$个感染态个体和$S(i)$个易感态个体（取值为非负整数值）。这种建模体系描述了空间结构相互作用的亚种群，例如城市位置、城市区域或确定的地理区域（Gren fall和Harwood，1997； Hanski和Gaggiotti，2004），并且通常被称为亚种群方法。网络中的每个节点代表一个亚种群，仓室动力学表示了处于相同位置的个体可能会相互接触并根据系统对应的感染动力学改变自身的状态的可能性。亚群之间的相互作用是个体从一个亚种群迁移到另一个亚种群的结果。为简单起见，我们可以假设个体从他们所在的节点离开沿着任意一条连边扩散的概率为$p_I=p_S=1$。这意味着每个时间步，度为$k$的节点上的一个个体将以概率$1/k$扩散到其最近的邻居之一。为了得到系统的动力学方程，我们定义如下的量：
 \begin{equation}
 I_k=\frac{1}{N_k}\sum_{i\in\mathcal{V}(k)}I(i)
@@ 第47行： / 第48行： @@
 \begin{equation}
 S_k=\frac{1}{N_k}\sum_{i\in\mathcal{V}(k)}S(i)
 \end{equation}
 where the sums $\sum_{i\in\mathcal{V}(k)}$ are performed over nodes of degree $k$. These two quantities express the average number of susceptible and infectious individuals in nodes with degree $k$. Clearly, $\mathcal{N}_k=I_k+S_k$ is the average number of individuals in nodes with degree $k$. These quantities allow one to write the discrete-time equation describing the time evolution of $I_k(t)$ for each class of degree k as
@@ 第71行： / 第72行： @@
 其中$\bar{S}(t)=\sum_k P(k)S_k$。
-==参考文献 References ==
+==参考文献 References==
 {{reflist}}

@@ 第26行： / 第26行： @@
 方程中的第一项表示在每个单位时间内有比例为<math> d_k </math>的粒子从度为<math> k </math>的节点中离开，第二项表示外部粒子从邻居节点扩散到度为<math> k </math>的节点中，该项与节点的连边数<math> k </math>成正比，也就是说一个节点与其邻居节点的连接越多，外部粒子扩散进入该节点的可能性越大。条件概率<math>P(k'|k)</math>表示的是一条边的一端连接度为<math>k</math>的节点时，其另一端指向度为<math>k'</math>的概率。<math>d_{k'k}</math>表示的是两端连接了度为<math>k</math>和<math>k'</math>节点的连边的扩散率。在均匀扩散的最简单情况下，每个粒子从其所在的节点以速率<math>r</math>扩散，因此沿着每条连边的扩散率为<math>d_{k'k}=r/k'</math>。在无关联的网络上，<math>P(k'|k)=k'P(k')/\left<k\right></math>，因此在稳态<math>d\mathcal{N}/dt=0</math>时，很容易得到解（Colizza等，2007b； Noh和Rieger，2004）：
@@ 第34行： / 第33行： @@
 \end{equation} 	</nowiki>
-上面的公式显式地给出了系统中粒子扩散的描述，并指出网络拓扑结构在反应扩散过程中的重要性。从式中可以看到，如果一个节点的度越大，则其被扩散中的粒子访问到的可能性就越大。<ref name=":0" /><ref name=":1" />
+上面的公式显式地给出了系统中粒子扩散的描述，并指出网络拓扑结构在反应扩散过程中的重要性。从式中可以看到，如果一个节点的度越大，则其被扩散中的粒子访问到的可能性就越大。<ref name=":0">Noh J D, Rieger H. Random walks on complex networks[J]. Physical review letters, 2004, 92(11): 118701.</ref><ref name=":1">Colizza V, Pastor-Satorras R, Vespignani A. Reaction–diffusion processes and metapopulation models in heterogeneous networks[J]. Nature Physics, 2007, 3(4): 276-282.</ref>
 ==亚种群模型==

@@ 第4行： / 第4行： @@
 ==反应扩散过程==
-[[File:Snipaste_2020-10-23_22-40-33.png|thumb|right|(a)基于粒子网络方案的简化建模框架示意图。在宏观层面上，系统是由一个异质性的亚种群网络组成。由于粒子在亚群间的扩散，一个亚群内的传染过程可以传播到其他亚群。(b)在微观水平上，每个亚种群包含一个个体种群。例如，动态过程，一种传染现象，可以用简单的划分来描述(图中不同颜色的点表示这些划分)。在每个子种群中，个体可以均匀地或根据一个子网络进行混合，并且可以沿着网络的边缘以概率<math>p</math>的方式从一个子种群扩散到另一个子种群。(c)个体或粒子扩散的临界值<math>p_c</math>确定了在传染影响系统的大部分和只影响一小部分的状态之间的相变。]]
+[[File:Snipaste_2020-10-23_22-40-33.png|thumb|right|(a)基于粒子-网络方案的简化建模框架示意图。在宏观层面上，系统是由一个异质性的亚种群网络组成。由于粒子在亚种群间的扩散，一个亚种群内的传染过程可以传播到其他亚种群。(b)在微观水平上，每个亚种群包含一个个体种群。例如，一种传染现象的动态过程，可以用简单的划分区间来描述(图中不同颜色的点表示这些划分区间)。在每个亚种群中，个体可以均匀地混合扩散，或者基于一个子网络进行混合，在网络混合的方式中个体可以沿着网络的边缘以概率<math>p</math>的方式从一个亚种群扩散到另一个亚种群。(c)个体或粒子扩散的临界值<math> p_c </math>确定了在传染影响系统内大部分节点和只影响系统内一小部分节点这两种状态之间的相变。]]
 一般而言，社会行为和人类流动性的网络模型通常被构建为反应-扩散过程<font color="#ff8000"> Reaction-Diffusion Processes</font> ,在这个网络模型框架中，每个节点<math>i</math>可以容纳任何非负整数个粒子<math>\mathcal{N}(i)</math>，因此系统的总粒子数为<math>\mathcal{N}=\sum_i\mathcal{N}(i)</math>。该粒子-网络框架中节点内的每个粒子只能沿着网络中连接节点的连边进行扩散，并且扩散系数取决于节点的度<font color="#ff8000"> Node degree</font>或者节点的其他属性。对于不同的系统，节点内粒子的反应规则也不同。这样的粒子-网络框架模型的简单示意如图所示。
-[[File:Snipaste_2020-10-23_22-40-33.png|thumb|right|(a) Schematic illustration of the simplified modeling framework based on the particle-network scheme. At the macroscopic level the system is composed of a heterogeneous network of subpopulations. The contagion process in one subpopulation can spread to other subpopulations because of particles diffusing across subpopulations. (b) At the microscopic level, each subpopulation contains a population of individuals. The dynamical process, for instance, a contagion phenomenon, is described by a simple compartmentalization (compartments are indicated by different colored dots in the picture). Within each subpopulation, individuals can mix homogeneously or according to a subnetwork and can diffuse with probability p from one subpopulation to another following the edges of the network. (c) A critical value $p_c$ of the individuals or particles diffusion identifies a phase transition between a regime in which the contagion affects a large fraction of the system and one in which only a small fraction is affected.]]
 In order to have an analytic description of reaction-diffusion systems in networks one has to allow the possibility of heterogeneous connectivity patterns among nodes. A first analytical approach to these systems considers the extension of the degree-based mean-field approach to reaction-diffusion systems in networks with arbitrary degree distribution. For simplicity, we first consider the DBMF approach to the case of a simple system in which noninteracting particles (individuals) diffuse on a network with arbitrary topology. A convenient representation of the system is therefore provided by quantities defined in terms of the degree k:
-为了对网络中的反应扩散系统进行理论上的分析描述，我们允许节点之间具有异质的连接模式。对这些系统的第一种分析方法是考虑将基于度的平均场理论方法扩展到具有任意度分布的网络中的反应扩散系统。简单起见，首先考虑一个任意网络结构的简单系统，其中粒子间没有相互作用或反应，粒子只会在网络上扩散的的情况。因此，通过以度$k$来分类的话，可以将系统简单表示为：
+为了对网络中的反应扩散系统进行理论上的分析描述，我们允许节点之间具有异质的连接模式。对这些系统的第一种分析方法是考虑将基于度的平均场理论方法扩展到具有任意度分布的网络中的反应扩散系统。简单起见，首先考虑一个任意网络结构的简单系统，其中粒子间没有相互作用或反应，粒子只会在网络上扩散的的情况。因此，通过以度<math> k </math>来分类的话，可以将系统简单表示为：
 \begin{equation}
 \mathcal{N}_k=\frac{1}{N_k}\sum_{i\in\mathcal{V}(k)}\mathcal{N}(i)
@@ 第20行： / 第20行： @@
 where $N_k=NP(k)$ is the number of nodes with degree $k$ and the sum runs over the set of nodes $\mathcal{V}(k)$ having degree equal to k. The degree block variable $\mathcal{N}_k$ represents the average number of particles in nodes with degree k. The use of the DBMF approach amounts to the assumption that nodes with degree k, and thus the particles in those nodes, are statistically equivalent. In this approximation the dynamics of particles randomly diffusing on the network is given by a mean-field dynamical equation expressing the variation in time of the particle subpopulation N kðtÞ in each degree block k. This can be easily written as
-其中$N_k=NP(k)$表示度为k的节点数量，$\mathcal{V}(k)$表示度为$k$的节点集合，$\mathcal{N}_k$表示度为$k$的节点的平均粒子数。基于度的平均场理论假设度为$k$的节点，同理节点中的粒子，在统计上是等效的。在这种近似的假设下，粒子随机扩散的动力学可以由如下平均场理论方程表示：
+其中<math>N_k=NP(k)</math>表示度为k的节点数量，<math>\mathcal{V}(k)</math>表示度为$k$的节点集合，<math>\mathcal{N}_k</math>表示度为<math>k</math>的节点的平均粒子数。基于度的平均场理论假设度为<math>k</math>的节点，同理节点中的粒子，在统计上是等效的。在这种近似的假设下，粒子随机扩散的动力学可以由如下平均场理论方程表示：
 \begin{equation}
 \frac{d\mathcal{N}_k}{dt}=-d_k\mathcal{N}_k(t)+k\sum_{k'}P(k'|k)d_{k'k}\mathcal{N}_{k'}(t)
@@ 第26行： / 第26行： @@
 The first term of the equation considers that only a fraction $d_k$ of particles moves out of the node per unit time. The second term instead accounts for the particles diffusing from the neighbors into the node of degree k. This term is proportional to the number of links k times the average number of particles coming from each neighbor. This is equal to the average over all possible degrees $k'$ of the fraction of particles moving on that edge, $d_{k'k}$, according to the conditional probability $P(k'|k)$ that an edge belonging to a node of degree k is pointing to a node of degree $k'$. Here the term $d_{k'k}$ is the diffusion rate along the edges connecting nodes of degree k and $k'$. In the simplest case of homogeneous diffusion each particle diffuses with rate $r$ from the node in which it is and thus the diffusion per link $d_{k'k}=r/k'$. On uncorrelated networks $P(k'|k)=k'P(k')/\left<k\right>$ and hence one easily gets in the stationary state $d\mathcal{N}/dt=0$ the solution <ref>Noh J D, Rieger H. Random walks on complex networks[J]. Physical review letters, 2004, 92(11): 118701.</ref><ref>Colizza V, Pastor-Satorras R, Vespignani A. Reaction–diffusion processes and metapopulation models in heterogeneous networks[J]. Nature Physics, 2007, 3(4): 276-282.</ref>
-<nowiki>方程中的第一项表示每单位时间内有$d_k$部分的粒子从度为$k$的节点中离开，第二项表示粒子从邻居节点扩散到度为$k$的节点中，该项与连边数$k$成正比。条件概率$P(k'|k)$表示的是一条边的一端连接度为$k$的节点时，其另一端指向度为$k'$的概率。$d_{k'k}$表示的是两端连接了度为$k$和$k'$节点的连边的扩散率。在均匀扩散的最简单情况下，每个粒子从其所在的节点以速率$r$扩散，因此沿着每条连边的扩散率为$d_{k'k}=r/k'$。在无关联的网络上，$P(k'|k)=k'P(k')/\left<k\right>$，因此在稳态$d\mathcal{N}/dt=0$时，很容易得到解（Colizza等，2007b； Noh和Rieger，2004）：
+<nowiki>方程中的第一项表示每单位时间内有<math> d_k </math>部分的粒子从度为<math> k </math>的节点中离开，第二项表示粒子从邻居节点扩散到度为<math> k </math>的节点中，该项与连边数<math> k </math>成正比。条件概率<math>P(k'|k)</math>表示的是一条边的一端连接度为<math>k</math>的节点时，其另一端指向度为<math>k'</math>的概率。<math>d_{k'k}</math>表示的是两端连接了度为<math>k</math>和<math>k'</math>节点的连边的扩散率。在均匀扩散的最简单情况下，每个粒子从其所在的节点以速率<math>r</math>扩散，因此沿着每条连边的扩散率为<math>d_{k'k}=r/k'</math>。在无关联的网络上，<math>P(k'|k)=k'P(k')/\left<k\right></math>，因此在稳态<math>d\mathcal{N}/dt=0</math>时，很容易得到解（Colizza等，2007b； Noh和Rieger，2004）：
 \begin{equation}
 \mathcal{N}_k=\frac{k}{\left<k\right>}\frac{\mathcal{N}}{N}

@@ 第8行： / 第8行： @@
 More in general models of social behavior and human mobility are often framed as reaction-diffusion processes where each node $i$ is allowed to host any nonnegative integer number of particles $\mathcal{N}(i)$, so that the total particle population of the system is $\mathcal{N}=\sum_i\mathcal{N}(i)$. This particle-network framework considers that each particle diffuses along the edges connecting nodes with a diffusion coefficient that depends on the node degree and/or other node attributes. Within each node particles may react according to different schemes characterizing the interaction dynamics of the system. A simple sketch of the particle-network framework is represented in the Figure.
-一般而言，社会行为和人类流动性的模型通常被构建为反应-扩散过程<font color="#ff8000"> Reaction-Diffusion Processes</font> ,在这个模型框架中，每个节点<math>i</math>可以容纳任何非负整数个粒子<math>\mathcal{N}(i)</math>，因此系统的总粒子数为<math>\mathcal{N}=\sum_i\mathcal{N}(i)</math>。该粒子-网络框架中节点内的每个粒子只能沿着连接节点的连边扩散，且扩散系数取决于节点的度<font color="#ff8000"> Node degree</font>或者节点的其他属性。对于不同的系统，节点内的粒子的反应规则也不同。这样的粒子-网络框架模型的简单示意如图所示。
+一般而言，社会行为和人类流动性的网络模型通常被构建为反应-扩散过程<font color="#ff8000"> Reaction-Diffusion Processes</font> ,在这个网络模型框架中，每个节点<math>i</math>可以容纳任何非负整数个粒子<math>\mathcal{N}(i)</math>，因此系统的总粒子数为<math>\mathcal{N}=\sum_i\mathcal{N}(i)</math>。该粒子-网络框架中节点内的每个粒子只能沿着网络中连接节点的连边进行扩散，并且扩散系数取决于节点的度<font color="#ff8000"> Node degree</font>或者节点的其他属性。对于不同的系统，节点内粒子的反应规则也不同。这样的粒子-网络框架模型的简单示意如图所示。
 [[File:Snipaste_2020-10-23_22-40-33.png|thumb|right|(a) Schematic illustration of the simplified modeling framework based on the particle-network scheme. At the macroscopic level the system is composed of a heterogeneous network of subpopulations. The contagion process in one subpopulation can spread to other subpopulations because of particles diffusing across subpopulations. (b) At the microscopic level, each subpopulation contains a population of individuals. The dynamical process, for instance, a contagion phenomenon, is described by a simple compartmentalization (compartments are indicated by different colored dots in the picture). Within each subpopulation, individuals can mix homogeneously or according to a subnetwork and can diffuse with probability p from one subpopulation to another following the edges of the network. (c) A critical value $p_c$ of the individuals or particles diffusion identifies a phase transition between a regime in which the contagion affects a large fraction of the system and one in which only a small fraction is affected.]]