基于小世界网络模型的SEIR的实现python，并用二维折线图表示SEIR的人数

SEIR模型是一种常用的传染病传播模型，它将人群分为四类：易感者（Susceptible）、潜伏者（Exposed）、感染者（Infectious）和康复者（Recovered）。基于小世界网络模型的SEIR模型可以更好地模拟现实中的人际关系和社交网络，因此更加准确地预测疫情传播趋势。

下面是用Python实现基于小世界网络模型的SEIR模型，并用二维折线图表示SEIR的人数的代码：

import networkx as nx
import numpy as np
import matplotlib.pyplot as plt

def seir_model(N, beta, gamma, sigma, p, T):
    """
    :param N: 人口总数
    :param beta: 感染率
    :param gamma: 恢复率
    :param sigma: 潜伏期转化为感染期的概率
    :param p: 重连概率
    :param T: 模拟时间
    """
    G = nx.watts_strogatz_graph(N, 10, p)  # 生成小世界网络模型
    S = [N-1]  # 初始易感者人数
    E = [0]  # 初始潜伏者人数
    I = [1]  # 初始感染者人数
    R = [0]  # 初始康复者人数

    for t in range(T):
        S_t = S[-1]
        E_t = E[-1]
        I_t = I[-1]
        R_t = R[-1]

        # 计算每个人的状态转移概率
        p1 = beta * I_t / N
        p2 = sigma
        p3 = gamma

        # 随机选择一个人进行状态转移
        n = np.random.randint(N)
        if n in G.neighbors(n):
            k = np.random.choice(list(G.neighbors(n)))
        else:
            k = n
        if n not in I and n not in E:  # 易感者状态转移
            if np.random.random() < p1:
                S_t -= 1
                E_t += 1
        elif n in E:  # 潜伏者状态转移
            if np.random.random() < p2:
                E_t -= 1
                I_t += 1
        elif n in I:  # 感染者状态转移
            if np.random.random() < p3:
                I_t -= 1
                R_t += 1

        # 小世界网络模型重连
        if np.random.random() < p:
            edges = list(G.edges(n))
            if len(edges) > 0:
                new_k = np.random.choice(list(G.neighbors(n)))
                G.remove_edge(n, k)
                G.add_edge(n, new_k)

        # 更新人数
        S.append(S_t)
        E.append(E_t)
        I.append(I_t)
        R.append(R_t)

    # 画图表示SEIR的人数
    plt.plot(range(T+1), S, label='Susceptible')
    plt.plot(range(T+1), E, label='Exposed')
    plt.plot(range(T+1), I, label='Infectious')
    plt.plot(range(T+1), R, label='Recovered')
    plt.legend()
    plt.title('SEIR Model')
    plt.xlabel('Time')
    plt.ylabel('Number of People')
    plt.show()

# 设置参数
N = 1000  # 人口总数
beta = 0.3  # 感染率
gamma = 0.1  # 恢复率
sigma = 0.2  # 潜伏期转化为感染期的概率
p = 0.3  # 重连概率
T = 100  # 模拟时间

seir_model(N, beta, gamma, sigma, p, T)

运行上述代码，即可查看基于小世界网络模型的SEIR模型的人数变化情况。