Lévy驱动 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联合作用

《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流行病模型,该模型捕捉了疾病传播中一个关键的非线性现象:弱Allee效应。环境波动通过结合布朗运动和Lévy跳跃来建模,而康复率则由均值回归的Ornstein-Uhlenbeck过程驱动,以反映其真实的波动性。我们首先建立了任意初始条件下唯一全局

  

摘要
本文研究了一个随机SEI流行病模型,该模型捕捉了疾病传播中一个关键的非线性现象:弱Allee效应。环境波动通过结合布朗运动和Lévy跳跃来建模,而康复率则由均值回归的Ornstein-Uhlenbeck过程驱动,以反映其真实的波动性。我们首先建立了任意初始条件下唯一全局解的存在性。然后利用Hasminskii遍历理论,讨论了唯一遍历平稳分布存在的充分条件,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动态。此外,通过构造适当的Lyapunov函数,我们推导了感染个体的弱持续准则。一个重要的理论贡献是显式推导了随机系统在其准地方病平衡点附近的概率密度函数——该结果使得疾病波动的定量预测成为可能。数值模拟验证了理论发现,生动地展示了由弱Allee效应、Lévy跳跃和Ornstein-Uhlenbeck过程协同驱动的多稳态复杂动态。我们的分析为在生态ologically realistic、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重大影响[1]、[2]、[3]、[4]、[5]、[6]。这一现象源于配偶寻找困难、低密度种群中合作防御减弱以及觅食效率低下等机制。经典的Logistic种群增长模型假设由于种内竞争,人均增长率随种群密度单调递减。相比之下,Allee效应打破了这一范式,显示出在低密度下种群密度与人均增长率之间存在正相关关系。因此,在极低种群密度下,增长率会降低。Allee效应主要分为两种类型: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变为负值,必然导致种群走向灭绝[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时的增长率,但仍然为正[3]、[5]。这意味着只要环境承载力足够,种群即使从任意小的规模也可以持续存在并增长。Allee效应的重大含义促使了大量研究探讨其在传染病动态中的作用[10]、[11]、[12]、[13]、[14]、[15]、[16]。在此基础上,我们考虑传统的确定性SEI流行病模型,并将弱Allee效应纳入易感种群的成长过程中[14],其表达式如下:

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

其中 $S(t)$、$E(t)$、$I(t)$ 分别表示易感者、暴露者和感染者的数量。$r$ 表示内禀增长率,$K$ 是最大环境承载力,$\frac{S(t)}{S(t)+m_0}$(常数 $m_0 > 0$)刻画了弱Allee效应。参数 $m_0$ 代表与弱Allee效应相关的特征种群规模尺度,该效应由配偶寻找限制引起。具体来说,Allee效应函数为:

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

当易感种群足够大时,即 $S \gg m_0$,我们有 $C(S) = \frac{S}{S+m_0} \approx 1$,表明配偶寻找的限制变得微不足道。相反,当易感种群较小时,即 $S \ll m_0$,我们有 $C(S) = \frac{S}{S+m_0} \approx \frac{S}{m_0}$,因此易感种群的繁殖增长大大降低。因此,$m_0$ 可以被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跳跃表示的重大环境干扰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,种群不会以很高的增长率恢复;相反,其恢复速度甚至比之前更低。

此外,$m_0$ 的大小决定了弱Allee效应的强度。事实上,当 $S = m_0$ 时,Allee效应函数满足 $C(S) = \frac{1}{2}$,这意味着有效的繁殖贡献减少到无Allee效应时的一半。$m_0$ 的值越大,$C(S)$ 趋近于1所需的易感种群越大,从而对应更强的Allee效应。相反,$m_0$ 的值越小,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效应对应的系统。

疾病传播率由 $\beta$ 表示,$\mu$ 是自然死亡率,$\gamma$ 表示康复率,$\delta$ 是从暴露到感染个体的转移率,$d$ 是疾病引起的死亡率。所有参数均假设为正常数。

确定性流行病模型(1)假设所有人口统计学和流行病学参数随时间保持不变。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、医疗干预和其他不确定因素的影响。这些不确定性可能影响种群增长、疾病传播和康复过程,导致与确定性模型预测的偏差。为了捕捉这种随机效应,将随机扰动引入系统(1)。

首先,环境波动通常对种群动态产生持久影响。气候条件、资源可用性和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环境因素的组合效应,其累积影响可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引入乘性布朗扰动。具体来说,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 $B_i(t)$ ($i=1,2,3$) 是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。

除连续的环境变化外,流行病系统还可能经历由极端事件引起的突然扰动,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。此类事件可能导致种群密度的瞬时变化,而连续扩散过程无法充分描述这些变化。为了刻画这些不连续扰动,我们将Lévy跳跃噪声引入模型[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 $Y$ 上具有有限Lévy测度 $\psi$ 的独立泊松计数测度,满足 $\psi(Y) < +\infty$。相应的补偿泊松随机测度定义为:

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

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

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

近期的理论和实证研究表明,同时包含布朗扩散和Lévy跳跃的随机流行病模型提供了比仅由布朗噪声驱动更现实、更灵活的框架来描述环境变异性[28]、[29]、[31]、[35]、[36]、[37]。

此外,流行病模型中的关键参数并非静态的,而是对环境噪声做出连续波动响应。康复率 $\gamma$ 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学真实性。目前存在两种主要的参数扰动方法: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过程可以使得系统参数在生物范围内合理波动。这是因为它避免了参数方差在 $t > 0$ 时无限增大的非真实现象,并捕捉了生态参数回归到长期均值的趋势[42]、[43]、[44]、[45]、[46]、[47]、[48]、[49]、[50]、[51]、[52]、[53]。

考虑到所有这些因素,模型(1)被改写为以下形式:

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

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:

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

为便于后续计算,我们定义:

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

**注1** 随机过程的整合,特别是Lévy跳跃[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]、[32]、[54]和Ornstein-Uhlenbeck过程[42]、[43]、[44]、[45]、[46]、[47],已深刻推进了随机流行病建模理论。然而,文献中缺乏一个关键的综合:在表现弱Allee效应的系统中,Lévy跳跃与Ornstein-Uhlenbeck过程之间的相互作用。鉴于这些噪声类型具有互补性——Lévy跳跃模拟突然的重大事件,而Ornstein-Uhlenbeck过程捕捉连续的、均值回归的参数波动——这一空白尤为突出。先前的开创性工作从不同角度接近了这一问题。Liu等人[55]、[56]、[57]在推导具有Ornstein-Uhlenbeck过程噪声的系统准地方病平衡点附近的概率密度函数方面取得了重大进展,但其框架忽略了Lévy跳跃这一关键维度。相反,Wang等人[58]成功刻画了具有Lévy跳跃的系统中该密度函数,但未纳入Ornstein-Uhlenbeck过程的生物学上更现实的参数扰动。因此,人口统计学Allee现象与这种混合随机扰动对疾病持续性的综合动态影响仍未被探索。

我们研究的核心关注点之一是弱持续性。与强持续性不同,弱持续性表明尽管系统轨迹可能经历严重的暂时性下降,但它们不会被子灭绝边界吸收。这捕捉了许多现实世界疾病既具有韧性又处于危险边缘的本质——它们可以在低水平下持续存在,并不断有复发的潜力。尽管具有深刻的生物学意义,但与强持续性相比,弱持续性在随机流行病理论中受到的关注要少得多。

推导准地方病平衡点附近的概率密度函数构成本文的主要目标之一,也是我们工作的重要贡献。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,从而为系统的长期统计行为和随机动态提供更深层次的洞察。据我们所知,关于同时涉及Ornstein-Uhlenbeck环境波动和Lévy跳跃扰动的随机流行病系统的概率密度函数解析刻化的研究仍相当有限。尽管基于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,这使人们对随机扰动如何影响系统统计特性有了更加透明的理解。

本文直接解决了这些相互关联的空白。我们引入了一个新的随机SEI流行病模型,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[14]的基础上,我们的研究将在以下各节中全面分析这一提出的复杂系统,包括:证明系统(3)具有唯一遍历平稳分布[59]、[60];推导疾病弱持续性的准则;以及获得系统(3)在准地方病平衡点附近的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的、数学上精巧的框架,以理解人口统计学机制(Allee效应)与多种环境噪声的汇合如何塑造由Lévy跳跃和Ornstein-Uhlenbeck过程驱动的长期疾病动态。

**章节摘要**

**定性分析**
为确保模型的生物学合理性,已建立了系统(3)在任意初始值下全局解的存在唯一性。通过一系列适当构造的Lyapunov函数,推导了唯一遍历平稳分布存在的充分条件,展示了疾病的长期持续性。我们还提供了感染人群弱持续性的准则。基于一些温和的参数条件……

**数值模拟**
使用各种参数设置进行数值模拟,以验证与定理2.3、定理2.4和定理2.7中提出的理论结果的一致性。

为数值求解随机系统(3),我们首先使用时间Euler-Maruyama格式以均匀步长 $\Delta t = 0.01$ 对模型进行时间离散化。样本路径数设为1。

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

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

以及:

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

**结论**
本文通过开发一个新的随机SEI流行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。

这些要素之间的相互作用——其中 Lévy 跳跃捕捉突发的重要事件,而 Ornstein-Uhlenbeck 过程建模连续、均值回归的环境波动,这提供了在生物学上更真实且在数学上
未引用的参考文献缺少引文 [72]。
CRediT 作者贡献声明
孙彦扬:方法学、调查、形式化分析、构思。
刘超:初稿撰写、可视化、项目管理、调查、经费获取、形式化分析。
Lora Cheung:审阅与编辑、可视化、软件。
利益冲突声明
作者声明了以下可能被视为潜在利益冲突的经济利益/个人关系:
孙彦扬报告称,行政支持和文章出版费用由中国国家自然科学基金提供。刘超报告称,行政支持和文章出版费用由中国国家自然科学基金提供。Lora Cheung 报告称,行政支持和文章出版费用由
孙彦扬|刘超|Lora Cheung 东北大学系统科学学院,中国沈阳
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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