pMCMC-SIR算法

MATLAB SIR模型代码pMCMC-SIR是Rasmussen, DA, Ratmann, O., & Koelle, K. (2011)中使用的粒子MCMC算法的R版本。提供了从MATLAB到R的代码转换，保留了原始代码和模拟数据的结构。要运行SIR流行病学模型的粒子MCMC算法，请在R终端中输入以下命令：source('main_Inference.R')。

此存储库包含Matlab代码，用于描述无标度随机网络上的随机SIR动力学。该模型的详细描述可以在Matia Sensi合著的论文“网络属性和流行病参数如何影响无标度随机网络上的随机SIR动态”中找到。我们欢迎您提供反馈意见和建议。如果您发现错误或有任何问题，请通过以下邮箱联系我们：sara.sottile@unitn.it, ozan.kah@gmail.com, mattia.sensi@unitn.it。通过配置模型，您可以选择幂律分布的指数来生成无标度网络，并决定传播速度、感染节点的初始数量及其位置（如中心、平均程度、外围或随机）。运行程序的方法是键入：./configuration.py [FLAG] [P]。设置参数的方法是：N [节点数量] alpha [幂律指数] number_of_infected [起始时的感染数量] end_time [最大时间]

这个Matlab代码基于小世界网络实现，是经典的SIR传播模型。模型中，个体状态经历S（易感）、I（感染）、R（康复）三种阶段。康复者具有免疫力，不再感染。尽管代码实现基本功能，其简洁性有待提高，适合学习SIR传播模型的代码设计思路。

MATLAB Guide模块提供了一种动态仿真SIR模型的方法，用户可以通过调整各种参数来观察不同情况下的仿真结果，从而更清楚地理解和展示SIR模型的特性。

在本项目中，我们将对某市新型冠状病毒疫情进行分析，采用SIR模型对数据进行建模。数据时间范围为2020年6月至12月，代码和数据集已包含。该分析通过数学模型帮助理解疫情趋势，并为疫情防控提供参考。

作为算法领域的奠基性著作，《算法导论》为读者打开了通往算法世界的大门。它以清晰的思路、严谨的逻辑，深入浅出地阐释了各种基本算法的设计与分析方法。

智能算法是各个领域如路线规划、深度学习中广泛使用的优化算法，是算法进阶的必备工具。主要涵盖遗传算法、粒子群算法、模拟重复算法、免疫算法、蚁群算法等一系列核心算法。实现版本包括Java、Python和MatLab多种选择。详细内容请访问TeaUrn微信公众号了解更多。

美赛可能会用到分治算法，代码如下。

算法精粹 数据结构 数组 链表 栈 队列 树 图 算法 排序 搜索 动态规划 回溯 分治

运用 Java 编程语言以 MapReduce 技术实现 Pagerank 算法，数据集源于 web-Google.txt 文件。