【文章內容簡介】 間的圖像曲線，根據(jù)實際情況與數(shù)據(jù)顯示，選出最優(yōu)隔離控制的值。首先考慮未使用隔離和使用隔離的染病人數(shù)對比（），得到結論：使用隔離會在一定程度上降低染病人數(shù)。接下來考慮使用隔離的情況。對于易感病人數(shù)對應時間的函數(shù)圖像（見附錄4），理想的圖像應該顯示出以下信息：首先在易感者初始值的基礎上，曲線下降速率越快就越理想，當然最后不能保證所有人都不易感病，所以在易感病人口數(shù)這組圖里，時是最接近理想曲線的，所以是這組數(shù)中的最優(yōu)解。同理，在染病者人數(shù)圖像組里，首先峰值最小，而且大部分呈下降趨勢，在這一組里，又是最優(yōu)控制解。再看治愈者人數(shù)，治愈人數(shù)肯定為上升趨勢，而且上升速度越快就越理想，同樣還是為最優(yōu)控制解（）。(a) (b)Fig . (a)圖為未實施隔離控制下染病者人數(shù)變化情況，(b)圖為最優(yōu)隔離控制下染病者人數(shù)變化（a） 在最優(yōu)控制下，染病者的人員總數(shù)情況（b） 在最優(yōu)控制下，易感者的人員總數(shù)情況（c） 在最優(yōu)控制下，治愈者的人員總數(shù)情況 模型一考慮了實際情況下環(huán)境因素的干擾，利用隨機微分方程模型對埃博拉病毒的傳播過程進行建模，結合實際數(shù)據(jù)，運用隨機微分方程數(shù)值解方法，對未來感染者人數(shù)占總人口的比例進行預測，在此基礎上提出通過調節(jié)傳染率控制指標來達到降低未來感染者比例的目的，為更進一步地對埃博拉病毒傳播過程進行精確地建模提供了理論上的基礎，為分析其流行趨勢提供了更為有利的工具。l 模型二主要從優(yōu)化時間的角度研究藥物對埃博拉病毒的傳播過程的影響，將問題簡化，使之通俗易懂。模型三是在模型一、二的基礎上，提出一種控制疾病繼續(xù)傳播的有效措施。本文提出利用極值原理給出了最優(yōu)的隔離策略，明確出以什么樣的強度進行隔離能夠在保證效果最好的同時，又能盡可能的節(jié)約成本。仿真結果驗證了最優(yōu)隔離控制的有效性，并且說明了在疾病大規(guī)模爆發(fā)時，釆用最大強度的隔離措施對控制疾病是非常有意義的。在藥物運輸過程中，沒有全面考慮國與國之間的關系程度，所以藥物的分配會有些差距。各國運輸藥物使用同款運輸機，并且運行速度保持一致，實踐起來，有一定難度。本文主要解決了傳染病的傳播、藥物的運輸、分配和優(yōu)化問題。文中所涉及的方法和模型可以解決類似的病情，比如SARS、禽流感、瘋牛病、艾滋病等。本文的模型還可以用來解決貨物的運輸或采購、企業(yè)績效的預測、大自然的綠化優(yōu)化等問題。[1] Shanglai Guo. Stochastic Control[M]. Beijing: Science Press, 1998.[2] , . One x Plieit solution to stoehastie differential equations. ,2000,18(4):571580.[3] Qiyuan Jiang, Jinxing Xie, Jun Ye. Mathematical model[M]. Beijing: Higher Education Press, 2003.[4] Min Xu. Stochastic model machine risk analysis of HIV transmission[D]. Donghua University. . [5] [6] [7] Heinz F, Thomas W G. Ebola haemorrhagic fever [J]. The Lancet, 2011,377: 849862.[8] Maosheng Liu, Yicang Zhou. Research of one type age structure of HIV transmission dynamics model. North China Institute of Technology, 2004, 25(2): 2530.Appendix：min + + +++++++++++++.x11 + x12 + x13=13512x21 + x22 + x23 =13512x31 + x32 + x33=13512x41 + x42 + x43=13512x51 + x52 + x53=13512x61 + x62 + x63=13512x11 + x21 + x31 +x41+x51+x61= 21146x12 + x22 + x32+x42+x52+x62 = 23454x13 + x23 + x33 +x43+x53+x63= 36472end模型的最優(yōu)解見下圖：2. 埃博拉病毒患病人數(shù)隨時間的分布情況Tab1.The Cumulative MonthsPeriod of TimeCasesThe Late Patients122th May 21th Apr21579222th Apr 21th May27089322th May 21th June599191422th June 21th July1093433522th July 21th Aug26151188622th Aug 21th Sept62633363722th Sept 21th Oct99465087822th Oct 21th Nov1535110246922th Nov 21th Dec19497119091022th Dec 25th Jan2209213282%The eqaution that approximatively solving stochastic by Euler iterative.function mecca_zjM=500。N=1000。zMesh=repmat(0,[M N])。Max=50。%Parameters and innitial values ahout the model.sigma=1。beita=1/5。lamga=1/(4*(sigma^2))。X0=[20。30]。derta=。dertat=lamga*(derta^2)。timef=40。stepMax=ceil(timef/dertat)。for i=1:Maxstep=1。% Starting in the process of Euler iterative. X=X0。while(step=stepMax) % X=pointP(:,step)。% temp=(plan(step*dertat)+affine([0。0],step*dertat,0)*X)。 temp=(plan(step*dertat)+affine(X,step*dertat,1))。 ekq=temp(1)/(2*(sigma^2)*(1hfunction(X,beita)))。 nkq=temp(2)/(2*(sigma^2)*(1hfunction(X,beita)))。 xkq=1/(lamga*(sigma^2)*(1hfunction(X,beita)))4。 ckq=2*cosh(derta*ekq)+2*cosh(derta*nkq)+xkq。 pkl=exp(derta*ekq)/ckq。 pkr=exp(derta*ekq)/ckq。 pkd=exp(derta*nkq)/ckq。 pku=exp(derta*nkq)/ckq。 pko=xkq/ckq。 seed=rand(1)。 if(seedpkl) X=X+[derta。0]。 elseif(seedpkl+pkr) X=X+[derta。0]。 elseif(seedpkl+pkr+pkd) X=X+[0。derta]。 elseif(seedpkl+pkr+pkd+pku) X=X+[0。derta]。 else X=X。 end J=round(N*(X(1)+30)/90)。 I=round(M*(X(2)+50)/80)。 if((I=0)|(IM)) I=M。 end