当前位置：首页 > news >正文

Repast Simphony实战：如何用‘僵尸感染’模型验证流行病传播规律？

news 2026/4/18 14:26:56

Repast Simphony在流行病传播建模中的创新实践：从僵尸模型到公共卫生洞察

当我们需要理解流行病如何在社会网络中传播时，传统的数学方程往往难以捕捉个体行为的复杂性。这正是基于主体的建模（Agent-Based Modeling, ABM）工具如Repast Simphony展现独特价值的地方。想象一下，如果能把整个城市的居民和病毒传播动态浓缩在一个可交互的虚拟实验室里，会怎样改变我们制定公共卫生策略的方式？

1. 流行病学建模的技术演进与Repast Simphony定位

流行病传播模型经历了从微分方程到复杂网络再到多主体系统的演变过程。经典的SEIR（易感-暴露-感染-康复）模型虽然能描述群体层面的传播动态，却无法模拟个体异质性行为对传播过程的影响。这就是为什么越来越多的研究者转向基于主体的建模方法。

Repast Simphony作为ABM领域的标杆工具，提供了三个关键优势：

可视化建模环境：无需从零开始构建仿真框架
灵活的空间表示：支持连续空间、网格和网络三种投影方式
丰富的数据采集：内置数据集和图表功能可自动记录关键指标

在最近的COVID-19疫情期间，约翰霍普金斯大学研究团队就曾使用类似工具模拟不同社交距离政策的效果，其成果直接影响了部分地区的防控策略制定。

2. 僵尸感染模型的核心架构设计

将僵尸-人类互动转化为流行病学模型需要精心设计几个核心组件：

2.1 主体行为建模

僵尸主体的设计映射了病毒传播的关键特性：

@ScheduledMethod(start = 1, interval = 1) public void step() { // 寻找人群密集区域 GridPoint target = findHighestHumanDensity(); moveTowards(target); infect(); }

关键参数对应流行病学指标：

移动速度 → 接触频率
感知范围 → 传播距离
感染概率 → 每次接触的传播率

人类主体则反映了防控措施的影响：

@Watch(watcheeClassName = "jzombies.Zombie", watcheeFieldNames = "moved", query = "within_moore 1") public void run() { if(energy > 0) { GridPoint safestPoint = findLowestZombieDensity(); moveTowards(safestPoint); // 消耗能量逃避 } else { rest(); // 能量耗尽时暂停活动 } }

2.2 空间投影配置

三种空间表示的典型应用场景：

投影类型	适用场景	流行病学对应
Continuous	精确位置移动	个体活动轨迹
Grid	邻域交互计算	社区传播
Network	关系传播路径	社交网络传播

构建示例：

// 连续空间 ContinuousSpace<Object> space = spaceFactory.createContinuousSpace( "space", context, new RandomCartesianAdder<>(), new WrapAroundBorders(), 50, 50); // 网络关系 NetworkBuilder<Object> netBuilder = new NetworkBuilder<>( "infection network", context, true); netBuilder.buildNetwork();

3. 从仿真实验到科学洞察的关键步骤

3.1 参数化实验设计

通过Repast的参数调节界面，可以系统性地探索不同场景：

传播动力学参数
- 初始感染数量（zombie_count）
- 人群密度（human_count）
- 移动速度（在Agent代码中调整）
干预措施模拟
- 将人类移动速度提高 → 模拟社交警示效果
- 限制僵尸感知范围 → 相当于隔离措施

提示：使用Parameters类动态获取界面参数值，避免硬编码

3.2 数据采集与可视化

Repast内置的数据集功能让关键指标追踪变得简单：

// 创建感染人数计数器 DataSetBuilder<Integer> dsBuilder = new DataSetBuilder<>( "infected_count", context); dsBuilder.addAggregateDataSource(new IDataSource() { public Object get(Object obj) { return countInfected(context); } }); DataSet dataSet = dsBuilder.build();

常用图表类型选择：

时间序列图：展示感染人数随时间变化
直方图：分析R0（基本再生数）的分布
网络图：可视化传播链关系

4. 模型验证与结果解读

4.1 校准经典流行病学参数

通过调整模型参数，可以使其输出与已知流行病学数据吻合：

基本再生数R0估算
- 记录每个僵尸平均感染人数
- 多次运行取统计平均值
传播曲线拟合
- 对比仿真感染曲线与理论SEIR曲线
- 调整接触率参数使两者匹配

4.2 干预策略效果评估

下表展示了不同参数设置对应的公共卫生解读：

实验条件	流行病学解释	典型应用场景
僵尸速度降低30%	减少人群接触频率	宵禁政策评估
人类感知范围扩大	提高风险意识	公共卫生宣传效果
能量恢复时间延长	模拟医疗资源紧张	应急能力压力测试