SI传染模型的单个节点感染延迟率代码案例

以下是一个基于SI传染模型的单个节点感染延迟率的Python代码案例，该模型使用了NetworkX库来构建图形和模拟传播过程：

import networkx as nx
import random

# Parameters
n = 1000 # Number of nodes
p = 0.2 # Infection probability

# Construct graph
G = nx.erdos_renyi_graph(n, 0.1)

# Infect random node
start_node = random.randint(0, n-1)
infected_nodes = [start_node]

# Simulate infection
while True:
    new_infected_nodes = []
    for node in infected_nodes:
        for neighbor in G.neighbors(node):
            if neighbor not in infected_nodes and random.random() < p:
                new_infected_nodes.append(neighbor)
    if len(new_infected_nodes) == 0:
        break
    else:
        infected_nodes += new_infected_nodes

infection_rate = len(infected_nodes) / n

print("Infection rate:", infection_rate)

在这个例子中，我们使用 `nx.erdos_renyi_graph()` 函数构建一个随机图形，并使用 `random.randint()` 函数随机选择一个节点进行感染。然后，我们使用一个 `while` 循环来模拟传播过程，直到没有新的节点被感染为止。在每个迭代中，我们遍历所有已感染的节点并尝试感染其邻居节点。如果邻居节点还没有被感染，并且以概率 `p` 被感染，则将其添加到新感染节点列表中。最终，我们计算感染率并输出结果。

值得注意的是，这个例子中使用了比较简单的传播模型和感染机制。在实际应用中，传播模型和感染机制往往会更加复杂，需要根据具体情况进行调整。