Lévy驱动的 epidemic 模型的随机阈值动力学:弱Allee效应与随机环境噪声对疾病传播的综合作用

《Communications in Nonlinear Science and Numerical Simulation》:Stochastic threshold dynamics of a Lévy driven epidemic model: Combined effects of weak Allee effect and random environmental noise on disease transmission

【字体: 大 中 小 】 时间:2026年09月25日 来源:Communications in Nonlinear Science and Numerical Simulation 3.8

编辑推荐:

   摘要:本文研究了一个随机SEI传染病模型,该模型捕捉了疾病传播中一个至关重要的非线性现象:弱Allee效应。环境波动通过结合布朗运动与Lévy跳跃来建模,而恢复率则由一个均值回归的Ornstein-Uhlenbeck过程驱动,以反映其真实波动。我们首先建立了任意初始条件下唯一

  

摘要:本文研究了一个随机SEI传染病模型,该模型捕捉了疾病传播中一个至关重要的非线性现象:弱Allee效应。环境波动通过结合布朗运动与Lévy跳跃来建模,而恢复率则由一个均值回归的Ornstein-Uhlenbeck过程驱动,以反映其真实波动。我们首先建立了任意初始条件下唯一全局解的存在性。利用Hasminskii遍历理论,我们进一步讨论了唯一遍历平稳分布的充分条件,揭示了Allee效应与随机噪声的相互作用如何塑造疾病的长期传播。此外,通过构造适当的Lyapunov函数,我们推导了感染个体的弱持久性准则。本文的一项关键理论贡献是显式地推导了随机系统在准地方性平衡点附近的概率密度函数——这一结果使得对疾病波动的定量预测成为可能。数值仿真验证了理论发现,生动地展示了弱Allee效应、Lévy跳跃和Ornstein-Uhlenbeck过程协同驱动下复杂的多稳定动力学。我们的分析为在生态现实且具有波动的环境中设计疾病控制策略提供了可操作的见解。

引言:Allee效应被广泛认为对传染病传播具有显著影响[1],[2],[3],[4],[5],[6]。这一现象源于以下机制:配偶寻找困难、稀疏种群中协同防御减弱以及觅食效率低下。经典的Logistic种群增长模型认为,由于种内竞争,人均增长率随种群密度单调递减。与此相反,Allee效应打破了这一范式,表明在低密度下种群密度与人均增长率呈正相关。因此,在种群密度极低时,增长率会下降。Allee效应主要分为两类:强Allee效应和弱Allee效应。强Allee效应的特征是存在一个临界种群阈值,低于该阈值时人均增长率为负,不可避免地驱动种群走向灭绝[7],[8],[9]。相比之下,弱Allee效应描述的场景是:低密度下的增长率虽然低于中等密度,但仍为正[3],[5]。这意味着只要环境承载力充足,种群可以从任意小的规模存活并增长。Allee效应的显著影响促使了大量研究探讨其在传染病动力学中的作用[10],[11],[12],[13],[14],[15],[16]。在此基础上,我们考虑了将弱Allee效应纳入易感种群增长的确定性SEI传染病模型[14],表达如下:

$$\begin{cases} dS(t) = \left[rS(t)\left(1-\frac{S(t)}{K}\right)\frac{S(t)}{S(t)+m_0} - \beta S(t)I(t) - \mu S(t) + \gamma I(t)\right]dt, \\ dE(t) = \left[\beta S(t)I(t) - (\mu+\delta)E(t)\right]dt, \\ dI(t) = \left[\delta E(t) - (\mu+d+\gamma)I(t)\right]dt, \end{cases}$$

其中,$S(t)$、$E(t)$、$I(t)$分别表示易感个体、暴露个体和感染个体的数量。$r$为内禀增长率,$K$为最大环境承载力,$\frac{S(t)}{S(t)+m_0}$(常数$m_0 > 0$)刻画了弱Allee效应。参数$m_0$代表了与配偶寻找限制相关的弱Allee效应所对应的特征种群规模。具体而言,Allee效应函数为:

$$C(S) = \frac{S}{S+m_0}$$

当易感种群数量足够大时,即$S \gg m_0$,有:

$$C(S) = \frac{S}{S+m_0} \approx 1$$

表明配偶寻找限制变得可以忽略不计。相反,当易感种群数量较小时,即$S \ll m_0$,有:

$$C(S) = \frac{S}{S+m_0} \approx \frac{S}{m_0}$$

因此,易感种群的繁殖增长大幅降低。因此,$m_0$可解释为配偶寻找限制对种群增长产生显著影响的特征种群规模。由Lévy跳跃表征的重大环境扰动可能导致种群规模骤降至$m_0$以下。在这种情况下,与Logistic模型不同,种群不会以非常高的增长率恢复;相反,其恢复速度甚至比以前更低。

此外,$m_0$的大小决定了弱Allee效应的强度。确实,当$S = m_0$时,Allee效应函数满足$C(S) = \frac{1}{2}$,这意味着有效繁殖贡献降低到无Allee效应时的一半。$m_0$的值越大,$C(S)$趋近于1所需的易感种群数量越大,从而对应更强的Allee效应。相反,$m_0$的值越小则表示Allee效应越弱。特别地,当$m_0 \to 0$时,$C(S) \to 1$,模型趋近于无Allee效应的对应系统。

疾病传播率表示为$\beta$,$\mu$为自然死亡率,$\gamma$表示恢复率,$\delta$为暴露个体转为感染个体的转变率,$d$为疾病诱导的死亡率。所有参数假定为正常数。

确定性传染病模型(1)假定所有人口学和流行病学参数不随时间变化。然而,现实世界的流行病系统持续受到环境变异性、社会活动、医疗干预及其他不确定因素的影响。这些不确定性可能影响种群增长、疾病传播和恢复过程,导致与确定性模型预测产生偏差。为捕捉此类随机效应,在系统(1)中引入了随机扰动。

首先,环境波动通常对种群动力学产生持续影响。气候条件、资源可用性以及个体行为模式的变化可能导致易感、暴露和感染种群的持续随机变化。由于这些扰动源于众多微小且独立的环境因素的共同作用,其累积影响可以合理地用高斯噪声来近似[17],[18],[19],[20],[21],[22],[23]。因此,我们在每个流行病学区室中引入了乘法布朗扰动。具体而言,在足够短的时间区间$[t, t+dt)$内,影响易感、暴露和感染种群的随机波动分别表示为$\sigma_1 S(t)dB_1(t)$、$\sigma_2 E(t)dB_2(t)$和$\sigma_3 I(t)dB_3(t)$,其中$B_i(t)$($i=1,2,3$)为相互独立的标准布朗运动,$\sigma_i > 0$($i=1,2,3$)表示相应的噪声强度。

除连续环境变化外,流行病系统还可能经历由极端事件引起的突发扰动,如自然灾害、大规模人口迁移、紧急公共卫生措施或社会接触模式的突然变化。此类事件可能引起种群密度的瞬时变化,无法由连续扩散过程充分描述。为刻画这些不连续扰动,我们在模型中引入了Lévy跳跃噪声[24],[25],[26],[27],[28],[29],[30],[31],[32],[33],[34]。设$Y$为$\mathbb{R}_+$的一个可测子集。设$U(dt,du)$为$Y$上的独立Poisson计数测度,具有有限Lévy测度$\psi$满足$\psi(Y) < +\infty$。相应的补偿Poisson随机测度定义为:

$$\tilde{U}(dt,du) = U(dt,du) - \psi(du)dt$$

在本文中,我们假定$c_i(u) > -1$,且存在正常数$\varpi_i$($i=1,2,3$)使得:

$$\max\left\{\int_Y \ln^2(1+c_i(u))\psi(du),\ \left|\int_Y \ln(1+c_i(u))\psi(du)\right|\right\} \leq \varpi_i, \quad i=1,2,3$$

近期的理论和实证研究表明,同时包含布朗扩散和Lévy跳跃的随机传染病模型比仅由布朗噪声驱动的系统提供了更真实、更灵活的描述环境变异性框架[28],[29],[31],[35],[36],[37]。

此外,传染病模型中的关键参数并非静态不变,而是随环境噪声持续波动。恢复率$\gamma$就是这样一个关键参数,已知其围绕均值$\bar{\gamma}$振荡[38],[39],[40],[41]。将$\gamma$视为随机变量而非常数,从而增强了模型的生物真实性。目前,参数扰动的两种主流方法为:引入高斯白噪声的线性函数,以及采用均值回归的Ornstein-Uhlenbeck过程。大量文献表明,Ornstein-Uhlenbeck过程可以使系统参数在生物范围内合理波动。这是因为该过程避免了$t>0$时参数方差无限大的不真实现象,并捕捉了生态参数回归长期均值的趋势[42],[43],[44],[45],[46],[47],[48],[49],[50],[51],[52],[53]。

综合考虑以上所有因素,将模型(1)改写为以下形式:

$$\begin{cases} dS(t) = \left[rS(t)\left(1-\frac{S}{K}\right)\frac{S(t)}{S(t)+m_0} - \beta S(t)I(t) - \mu S(t) + \gamma(t)I(t)\right]dt + \sigma_1 S(t)dB_1(t) + \int_Y c_1(u)S(t^-)\tilde{U}(dt,du) \\ dE(t) = \left[\beta S(t)I(t) - (\mu+\delta)E(t)\right]dt + \sigma_2 E(t)dB_2(t) + \int_Y c_2(u)E(t^-)\tilde{U}(dt,du) \\ dI(t) = \left[\delta E(t) - (\mu+d+\gamma(t))I(t)\right]dt + \sigma_3 I(t)dB_3(t) + \int_Y c_3(u)I(t^-)\tilde{U}(dt,du) \\ d\gamma(t) = \rho(\bar{\gamma} - \gamma(t))dt + \sigma_4 dB_4(t) \end{cases}$$

其中$S(t^-)$、$E(t^-)$和$I(t^-)$分别表示这些变量的左极限。Ornstein-Uhlenbeck过程由以下随机微分方程描述:

$$d\gamma(t) = \rho(\bar{\gamma} - \gamma(t))dt + \sigma_4 dB_4(t)$$

为方便后续计算,我们定义:

$$\lim_{t\to\infty} \frac{1}{t}\int_0^t |\gamma(\tau) - \bar{\gamma}|d\tau = \frac{\sigma_4}{\sqrt{\pi\rho}} = \int_{-\infty}^{+\infty} |x - \bar{\gamma}|\phi(x)dx$$

注1:随机过程,尤其是Lévy跳跃[24],[25],[26],[27],[28],[29],[30],[31],[32],[54]和Ornstein-Uhlenbeck过程[42],[43],[44],[45],[46],[47]的整合,极大地推动了随机传染病建模理论。然而,文献中缺乏一个关键的综合:在表现出弱Allee效应的系统中,Lévy跳跃与Ornstein-Uhlenbeck过程的相互作用。鉴于这些噪声类型的互补性,这一空白尤为突出——Lévy跳跃建模突发重大事件,而Ornstein-Uhlenbeck过程捕捉连续的、均值回归的参数波动。此前的开创性工作从不同角度切入这一问题。Liu等人[55],[56],[57]在推导具有Ornstein-Uhlenbeck过程噪声的系统在准地方性平衡点附近的概率密度函数方面取得了重大进展,但其框架遗漏了Lévy跳跃这一关键维度。相反,Wang等人[58]成功地刻画了具有Lévy跳跃系统的该密度,但未纳入Ornstein-Uhlenbeck过程的生物合理参数扰动。因此,人口学Allee现象与此混合随机扰动对疾病持久性的综合动态影响仍未被探索。

我们研究的一个核心焦点是弱持久性。与强持久性不同,弱持久性表明,尽管系统轨迹可能经历剧烈的瞬态下降,但它们不会被灭绝边界所吸收。这捕捉了许多现实世界疾病具有韧性却岌岌可危的本质——它们可以在低水平下持续存在,并不断存在重新爆发的潜力。尽管具有深远的生物学意义,与强持久性相比,弱持久性在随机传染病理论中受到的关注明显不足。

在准地方性平衡点附近推导概率密度函数构成本文的主要目标之一,也是我们工作的一个重要贡献。概率密度函数不仅刻画了状态变量在平衡点附近的分布行为,还提供了有价值的统计信息,如矩、方差和相关结构,从而为理解系统的长期统计行为和随机动力学提供更深入的见解。据我们所知,对同时涉及Ornstein-Uhlenbeck环境波动和Lévy跳跃扰动的随机传染病系统进行概率密度函数解析表征的研究仍然相当有限。虽然基于Lyapunov方程的方法已被广泛用于研究随机系统的概率分布,但大多数现有结果依赖于数值方法或数值近似。相比之下,我们推导了概率密度函数的显式解析表达式,使对随机扰动如何影响系统统计特性的理解更加透明。

本文直接解决了这些相互关联的空白。我们引入了一种新颖的随机SEI传染病模型,将弱Allee效应与Lévy跳跃和Ornstein-Uhlenbeck过程的混合噪声结构相结合。在文献[14]的开创性工作基础上,我们的研究将在以下章节中全面分析该复杂系统,包括:证明系统(3)具有唯一的遍历平稳分布[59],[60],推导疾病弱持久性的准则,并获取系统(3)准地方性平衡点附近局部概率密度函数的显式表达式。这些结果提供了一个统一且数学上精深的框架,用于理解人口学机制(Allee效应)与多种环境噪声的汇聚如何塑造由Lévy跳跃和Ornstein-Uhlenbeck过程驱动的长期疾病动力学。

分节摘要

定性分析:为确保模型的生物学适定性,已在任意初始值下建立了系统(3)全局解的存在唯一性。利用一系列适当构造的Lyapunov函数,推导了唯一遍历平稳分布存在的充分条件,证明了疾病的长期持久性。我们还提供了感染种群弱持久性的准则。基于某些温和参数……

数值仿真:采用不同参数设置进行数值仿真,以验证与定理2.3、定理2.4和定理2.7中所呈现理论结果的一致性。为数值求解随机系统(3),我们首先使用Euler-Maruyama格式对模型进行时间离散化,步长设为均匀$\Delta t = 0.01$。样本路径数设为1。

设$t_n = n\Delta t$($n = 0, 1, 2, \ldots$),其中$\Delta t > 0$为时间步长。记:

$$S_n = S(t_n),\ E_n = E(t_n),\ I_n = I(t_n),\ \gamma_n = \gamma(t_n)$$

令:

$$\Delta B_{i,n} = B_i(t_{n+1}) - B_i(t_n), \quad i = 1, 2, 3, 4$$

结论:本文通过开发一种新颖的随机SEI传染病模型,填补了文献中的一个重要空白。该模型将弱Allee效应与包含Lévy跳跃和Ornstein-Uhlenbeck过程的混合噪声结构相结合。

这些元素之间的相互作用——Lévy跳跃捕捉突然的、显著的事件,而Ornstein-Uhlenbeck过程对连续的、均值回归的环境波动进行建模,这提供了更符合生物学现实性和数学上……未引用的参考文献,缺少引用[72]。

CRediT作者贡献声明

Yanyang Sun:方法论、调查、形式化分析、概念化。

Chao Liu:撰写原稿、可视化、项目管理、调查、资金获取、形式化分析。

Lora Cheung:撰写审阅与编辑、可视化、软件。

利益冲突声明

作者声明以下财务利益/个人关系可能被视为潜在的利益冲突:Yanyang Sun报告称管理支持和文章出版费用由国家自然科学基金委员会提供。Chao Liu报告称管理支持和文章出版费用由国家自然科学基金委员会提供。Lora Cheung报告称管理支持和文章出版费用由Yanyang Sun提供。

Yanyang Sun | Chao Liu | Lora Cheung

东北大学系统科学研究所,中国沈阳
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号