difussion模型代码

扩散模型通常是指在计算机科学领域中用于模拟信息、疾病传播或其他现象随时间扩散过程的一种数学模型。这类模型常用于社交网络分析、流行病学预测等场景。基本的扩散模型代码可能会包括以下几个步骤：

# 导入必要的库
import numpy as np
import networkx as nx

# 定义扩散函数
def diffusion(G, initial_infected_nodes, transmission_rate):
    n_nodes = G.number_of_nodes()
    adjacency_matrix = nx.to_numpy_array(G)  # 转换为邻接矩阵
    susceptible = np.ones(n_nodes, dtype=bool)  # 初始状态下所有人都是易感者
    infected = np.zeros(n_nodes, dtype=bool)

    for node in initial_infected_nodes:
        susceptible[node] = False  # 将初始感染者标记为已感染

    while np.any(susceptible):  # 当还有易感者时持续迭代
        new_infections = susceptible * adjacency_matrix[infected, :] * transmission_rate
        infected = np.logical_or(infected, new_infections)
        susceptible = ~susceptible  # 易感者变为未感染，反之

    return infected  # 返回最终感染状态的节点列表

# 示例：在一个无向图上运行扩散模型
G = nx.barabasi_albert_graph(100, 3)  # 创建一个BA随机无环图
initial_infected_nodes = [0, 50]  # 设定两个节点作为初始感染者
transmission_rate = 0.8  # 感染概率
infection_results = diffusion(G, initial_infected_nodes, transmission_rate)
print(f"最终感染的节点数: {np.sum(infection_results)}")