tau1,
gamma,
initial_infecteds=infected,
tmin=t1,
tmax=tmax,
return_full_data=True)
plt.plot(times0, I0, label='fast_SIS')
plt.plot(
times1, I1
) #the first two have the same parameters, so the transition should be as if it were a single simulation
plt.plot(times2,
I2) #the infectiousness reduced, so a sharp change should be visible
#now for fun, redo with Gillespie
times0, S0, I0, infection_time, recovery_time = EoN.Gillespie_SIS(
G, tau0, gamma, rho=rho, tmax=t0, return_full_data=True)
infected = set(node for node in infection_time if node not in recovery_time
or infection_time[node][-1] > recovery_time[node][-1])
times1, S1, I1, infection_time, recovery_time = EoN.Gillespie_SIS(
G,
tau0,
gamma,
initial_infecteds=infected,
tmin=t0,
tmax=t1,
return_full_data=True)
infected = set(node for node in infection_time if node not in recovery_time
or infection_time[node][-1] > recovery_time[node][-1])
times2, S2, I2, infection_time, recovery_time = EoN.Gillespie_SIS(
import EoN
import networkx as nx
import matplotlib.pyplot as plt
# генерируем граф малого мира, с n=100 вершинами,
# Каждый узел связан с k=4 ближайшими соседями в кольцевой топологии,
# p=0.6 вероятность повторного соединения
g=nx.watts_strogatz_graph(n=100, k=4, p=0.6)
gamma = 0.2
beta = 3.2
nx_kwargs = {}
# Выполняет моделирование SIS для эпидемий в сетях с взвешенными границами или без них
# в аргумента - граф, tau=скорость передачи, gamma=скорость восстановления
sim = EoN.Gillespie_SIS(g, tau = beta, gamma=gamma, return_full_data=True)
for i in range(0,5,1):
sim.display(time = i, **nx_kwargs)
plt.axis('off')
plt.title("Iteration {}".format(i))
plt.draw()
plt.show()
