高,对天数的影响变化的快,而后,天数随γ取值的变化而变化的灵敏性降低,只有用较大步 长(0.05)才能看出其之间的细微变化,且最终在y>0.2的情况下,其控制天数已经近似成为 条直线(以较小步长检验),可以看出不论政府采取多么强有力的措施,要想控制住SARS疫情, 最快速度也是要经历30天左右 2.关于控制起始时间to 在上面模型2求解中我们已经给出了性质1,控制时间越早越好。我们现在通过计算机模 拟验证,从发现SARS病例开始的那天算起,t在今后的第1到第35天变化对最终控制天数的 影响如下表: 起始时间 控制天数 起始时间 209 11 控制天数 39 5097 53 63 起始时间 15 16 18 2598 控制天数 72 81 92 起始时间 控制天数94 100 101 102 起始时间 30 31 32 33 34 35 控制天数103 105 106 107 108 109 10 其影响趋势为 结合上述表格和趋势图,可以看出我们所得的性质 1是成立的。控制起始时间t越小越好。 结合趋势图我们还可以具体看出,当疫情爆发18 天之前,控制时间t提前或者是推后5天时间,对 最终的控制天数影响大概在20天左右;如果是在 疫情爆发18天之后,控制时间t提前或者是退后 253035 5天时间,对最终的控制天数影响大概在5天左右 3.关于接触传染率λ: 定性分析可知,其接触传染率λ越高,其控制的天数自然会随之增加。 通过计算机模拟出的接触传染率λ对控制天数的影响为 0.05 0.1 0.15 0.2 0.25 控制天数 99 119 0.3 0.4 0.5 控制天数 175 213 0.55 0. 0.65 0.7 0.75 控制天数 231 269 0.9 控制天数 325 344 363 38111 高，对天数的影响变化的快，而后，天数随γ 取值的变化而变化的灵敏性降低，只有用较大步 长(0.05)才能看出其之间的细微变化，且最终在γ > 0.2 的情况下，其控制天数已经近似成为一 条直线(以较小步长检验)，可以看出不论政府采取多么强有力的措施，要想控制住 SARS 疫情， 最快速度也是要经历 30 天左右。 2． 关于控制起始时间 0t ： 在上面模型 2 求解中我们已经给出了性质 1，控制时间越早越好。我们现在通过计算机模 拟验证，从发现 SARS 病例开始的那天算起， 0t 在今后的第 1 到第 35 天变化对最终控制天数的 影响如下表： 起始时间 1 2 3 4 5 6 7 控制天数 5 10 15 20 25 29 34 起始时间 8 9 10 11 12 13 14 控制天数 39 44 49 53 58 63 68 起始时间 15 16 17 18 19 20 21 控制天数 72 77 81 85 88 90 92 起始时间 22 23 24 25 26 27 28 控制天数 94 96 97 99 100 101 102 起始时间 29 30 31 32 33 34 35 控制天数 103 105 106 107 108 109 110 其影响趋势为： 结合上述表格和趋势图，可以看出我们所得的性质 1 是成立的。控制起始时间 0t 越小越好。 结合趋势图我们还可以具体看出，当疫情爆发 18 天之前，控制时间 0t 提前或者是推后 5 天时间，对 最终的控制天数影响大概在 20 天左右；如果是在 疫情爆发 18 天之后，控制时间 0t 提前或者是退后 5 天时间，对最终的控制天数影响大概在 5 天左右。 3． 关于接触传染率λ ： 定性分析可知，其接触传染率λ 越高，其控制的天数自然会随之增加。 通过计算机模拟出的接触传染率λ 对控制天数的影响为： λ 0.05 0.1 0.15 0.2 0.25 控制天数 27 32 45 99 119 λ 0.3 0.35 0.4 0.45 0.5 控制天数 138 156 175 194 213 λ 0.55 0.6 0.65 0.7 0.75 控制天数 231 250 269 288 306 λ 0.8 0.85 0.9 0.95 控制天数 325 344 363 381 5 10 15 20 25 30 35 20 40 60 80 100