首页
/ SciML/JumpProcesses.jl 教程:离散随机过程与Gillespie方法详解

SciML/JumpProcesses.jl 教程:离散随机过程与Gillespie方法详解

2025-06-04 15:20:50作者:董宙帆

引言

本文将深入讲解如何使用SciML生态系统中的JumpProcesses.jl包来定义和模拟连续时间跳跃过程(也称为点过程)。在生物学领域,这类模型常被称为随机化学动力学模型或Gillespie模型。我们将通过一个经典的SIR传播模型示例,全面介绍JumpProcesses.jl的核心功能和使用方法。

模型背景:SIR传播动力学

SIR模型是流行病学中描述传播动态的经典模型,它将人群分为三类:

  • 易感者(Susceptible, S):可能被影响的健康人群
  • 感染者(Infected, I):已影响并可传播的群体
  • 康复者(Recovered, R):已恢复并获得免疫力的群体

模型包含两个基本反应过程:

  1. 传播过程:易感者与感染者接触后转变为感染者
  2. 康复过程:感染者康复并获得免疫力

数学建模

在数学上,SIR模型可以用跳跃过程来描述。设S(t)、I(t)、R(t)分别表示t时刻三类人群的数量,模型可表示为:

\begin{aligned}
S(t) &= S(0) - Y_1\left(\int_0^t \beta S(s^-)I(s^-)ds\right) \\
I(t) &= I(0) + Y_1\left(\int_0^t \beta S(s^-)I(s^-)ds\right) - Y_2\left(\int_0^t \nu I(s^-)ds\right) \\
R(t) &= R(0) + Y_2\left(\int_0^t \nu I(s^-)ds\right)
\end{aligned}

其中Y₁和Y₂是独立的单位泊松过程,β是传播率参数,ν是康复率参数。

实现方法一:使用Catalyst构建反应网络

对于化学/生物系统,推荐使用Catalyst.jl来方便地构建模型:

using Catalyst
sir_model = @reaction_network begin
    β, S + I --> 2I  # 传播过程
    ν, I --> R       # 康复过程
end

定义参数和初始条件:

p = (:β => 0.1/1000, :ν => 0.01)
u₀ = [:S => 990, :I => 10, :R => 0]
tspan = (0.0, 250.0)

构建离散问题并转换为跳跃问题:

prob = DiscreteProblem(sir_model, u₀, tspan, p)
jump_prob = JumpProblem(sir_model, prob, Direct())

求解并可视化:

sol = solve(jump_prob, SSAStepper())
plot(sol)

实现方法二:直接使用JumpProcesses底层接口

JumpProcesses提供了三种跳跃类型,按性能从高到低排序:

  1. MassActionJump:性能最佳,适用于质量作用定律的反应
  2. ConstantRateJump:中等性能,适用于速率恒定的跳跃
  3. VariableRateJump:最灵活但性能最低,适用于速率随时间变化的跳跃

使用ConstantRateJump

定义传播和康复两个跳跃过程:

β = 0.1/1000.0
ν = 0.01
p = (β, ν)

# 传播过程
rate1(u, p, t) = p[1] * u[1] * u[2]  # β*S*I
function affect1!(integrator)
    integrator.u[1] -= 1  # S减少1
    integrator.u[2] += 1  # I增加1
end
jump1 = ConstantRateJump(rate1, affect1!)

# 康复过程
rate2(u, p, t) = p[2] * u[2]  # ν*I
function affect2!(integrator)
    integrator.u[2] -= 1  # I减少1
    integrator.u[3] += 1  # R增加1
end
jump2 = ConstantRateJump(rate2, affect2!)

构建并求解问题:

u₀ = [999, 10, 0]
tspan = (0.0, 250.0)
prob = DiscreteProblem(u₀, tspan, p)
jump_prob = JumpProblem(prob, Direct(), jump1, jump2)
sol = solve(jump_prob, SSAStepper())
plot(sol, label=["S(t)" "I(t)" "R(t)"])

性能优化建议

  1. 对于符合质量作用定律的反应,优先使用MassActionJump
  2. 当跳跃速率在跳跃间恒定不变时,使用ConstantRateJump
  3. 只有当速率显式依赖时间时才考虑使用VariableRateJump
  4. 对于VariableRateJump,如果可以提供速率上界,使用有界版本提高性能

扩展应用

JumpProcesses.jl还支持:

  • 混合跳跃过程和连续动态(ODE/SDE)的混合系统
  • 近似模拟的τ-leaping方法(通过RegularJump)
  • 复杂的时间依赖速率函数
  • 各种保存控制以减少内存使用

结论

本文详细介绍了使用JumpProcesses.jl构建和模拟离散随机过程的两种主要方法:通过Catalyst.jl的高级接口和直接使用JumpProcesses的底层接口。通过SIR传播模型的示例,我们展示了如何定义跳跃过程、设置模拟参数以及可视化结果。理解不同跳跃类型的性能特点和适用场景,可以帮助用户在模型复杂性和计算效率之间做出合理的选择。

JumpProcesses.jl作为SciML生态系统的重要组成部分,为复杂随机系统的建模和仿真提供了强大而灵活的工具,特别适合生物化学、流行病学、系统生物学等领域的研究应用。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
858
511
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
258
298
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
kernelkernel
deepin linux kernel
C
22
5