基于 50 个 Netlogo Simulation_Agent 的模拟的平均结果
Average result of 50 Netlogo Simulation_Agent Based Simulation
我运行一个类似于模型库中“病毒”模型的传染病传播模型改变了“传染性”。
我为传染性值 98%、95%、93 每个做了 20 运行s % 和 最大感染 计数是 74.05 , 73 ,78.9 分别。 （所有 3 个传染性值的峰值都在第 38 个刻度）
[我取了每个滴答的感染计数的平均值，并将这些平均值的最大值作为“最大感染数”。]
我原以为当传染性降低时最大感染数会减少，但事实并非如此。根据我的理解，会发生这种情况，因为我考虑了每次模拟的平均值 运行。 （这就像我正在考虑一个新的模拟 运行 每个刻度的平均感染数）。
我想说的是，我正在考虑所有20个模拟运行。除了我使用平均值的方式之外，还有其他方法可以做到这一点吗？
在模型库病毒模型中，默认参数设置为其他值，以及那些高传染性值，当我 运行 模型时，我看到的是数字三的周期性变化 类的人。查看左下角的绘图，您会看到这一点。我相信发生的事情是这样的：
当有很多健康的、没有免疫力的人时，就意味着有很多人会被感染，所以被感染的人数会增加，而健康人的人数会减少.
在那之后不久，生病、感染的人数下降，因为他们要么死亡，要么变得免疫。
由于现在有免疫力的人多了，被传染的人少了，没有免疫力的健康人越来越多；他们正在繁殖。 （请参阅“信息”选项卡中的“工作原理”。）但现在我们又回到了步骤 1 中的情况，...因此循环继续。
如果您的模型与模型库病毒模型非常相似，我敢打赌这是正在发生的事情的一部分。如果你没有像病毒模型那样的情节window，我建议添加它。
此外，您没有说明您要运行模型的刻度数是多少。如果你 运行 它的时间很短，你不会注意到周期性行为，但这并不意味着它还没有开始。
这一切意味着增加传染性不一定会增加最大感染人数：更快的感染率意味着可以感染的人数下降得更快。我不确定整个 运行 的最大感染数是一个有趣的数字，具有这种模型和高传染性值。这取决于你想了解什么。
NetLogo 和其他一些 ABM 系统的一大优点是您可以使用各种工具（例如绘图、监视器等）观察系统随时间的演变，以及只观察代理移动或随着时间的推移改变状态。这可以帮助您了解正在发生的事情，而像平均值这样的单个数字则无法做到这一点。然后，您可以利用这种洞察力找出一种信息量更大的方法来衡量正在发生的事情。
另一种可以看到类似周期性模式的模型是狼羊捕食。我建议看看那个。可能更容易理解该模式。 （如果你对这种现象的数学模型感兴趣，可以查阅Lotka-Volterra模型。）
(真正的病毒传播可能更复杂，因为人（或其他动物）是一个大“岛”，病毒可以在其中快速繁殖。如果繁殖太快，可以杀死宿主，并防止病毒的进一步传播。有时，一种复制速度较慢的病毒会伤害更多的人，因为它们有时间感染其他人。Elliott Sober 的 This blog post 对所涉及的一些问题给出了相对简单的数学介绍，但是他的简单数学模型没有考虑到真实病毒传播中涉及的所有并发症。）
编辑：您添加了评论 Lawan，表示您对 COVID-19 传播建模感兴趣。 Blackstone、Blackstone 和 Berg 的这篇论文 Variation and multilevel selection of SARS‐CoV‐2 表明，我在前面的评论中提到的一些动态可能是 COVID-19 传播的特征。那篇论文现在大约有六个月了，它根据有限的信息提供了一些推测。现在可能知道更多，但这可能会建议进一步调查的途径。
如果您有兴趣，还可以考虑在 Biology Stackexchange 网站上询问有关病毒传播的一般问题。
我运行一个类似于模型库中“病毒”模型的传染病传播模型改变了“传染性”。
我为传染性值 98%、95%、93 每个做了 20 运行s % 和 最大感染 计数是 74.05 , 73 ,78.9 分别。 （所有 3 个传染性值的峰值都在第 38 个刻度）
[我取了每个滴答的感染计数的平均值，并将这些平均值的最大值作为“最大感染数”。]
我原以为当传染性降低时最大感染数会减少，但事实并非如此。根据我的理解，会发生这种情况，因为我考虑了每次模拟的平均值 运行。 （这就像我正在考虑一个新的模拟 运行 每个刻度的平均感染数）。
我想说的是，我正在考虑所有20个模拟运行。除了我使用平均值的方式之外，还有其他方法可以做到这一点吗？
在模型库病毒模型中，默认参数设置为其他值，以及那些高传染性值，当我 运行 模型时，我看到的是数字三的周期性变化 类的人。查看左下角的绘图，您会看到这一点。我相信发生的事情是这样的：
当有很多健康的、没有免疫力的人时，就意味着有很多人会被感染，所以被感染的人数会增加，而健康人的人数会减少.
在那之后不久，生病、感染的人数下降，因为他们要么死亡，要么变得免疫。
由于现在有免疫力的人多了，被传染的人少了，没有免疫力的健康人越来越多；他们正在繁殖。 （请参阅“信息”选项卡中的“工作原理”。）但现在我们又回到了步骤 1 中的情况，...因此循环继续。
如果您的模型与模型库病毒模型非常相似，我敢打赌这是正在发生的事情的一部分。如果你没有像病毒模型那样的情节window，我建议添加它。
此外，您没有说明您要运行模型的刻度数是多少。如果你 运行 它的时间很短，你不会注意到周期性行为，但这并不意味着它还没有开始。
这一切意味着增加传染性不一定会增加最大感染人数：更快的感染率意味着可以感染的人数下降得更快。我不确定整个 运行 的最大感染数是一个有趣的数字，具有这种模型和高传染性值。这取决于你想了解什么。
NetLogo 和其他一些 ABM 系统的一大优点是您可以使用各种工具（例如绘图、监视器等）观察系统随时间的演变，以及只观察代理移动或随着时间的推移改变状态。这可以帮助您了解正在发生的事情，而像平均值这样的单个数字则无法做到这一点。然后，您可以利用这种洞察力找出一种信息量更大的方法来衡量正在发生的事情。
另一种可以看到类似周期性模式的模型是狼羊捕食。我建议看看那个。可能更容易理解该模式。 （如果你对这种现象的数学模型感兴趣，可以查阅Lotka-Volterra模型。）
(真正的病毒传播可能更复杂，因为人（或其他动物）是一个大“岛”，病毒可以在其中快速繁殖。如果繁殖太快，可以杀死宿主，并防止病毒的进一步传播。有时，一种复制速度较慢的病毒会伤害更多的人，因为它们有时间感染其他人。Elliott Sober 的 This blog post 对所涉及的一些问题给出了相对简单的数学介绍，但是他的简单数学模型没有考虑到真实病毒传播中涉及的所有并发症。）
编辑：您添加了评论 Lawan，表示您对 COVID-19 传播建模感兴趣。 Blackstone、Blackstone 和 Berg 的这篇论文 Variation and multilevel selection of SARS‐CoV‐2 表明，我在前面的评论中提到的一些动态可能是 COVID-19 传播的特征。那篇论文现在大约有六个月了，它根据有限的信息提供了一些推测。现在可能知道更多，但这可能会建议进一步调查的途径。
如果您有兴趣，还可以考虑在 Biology Stackexchange 网站上询问有关病毒传播的一般问题。