SIS模型病毒传播的高效加权-ensemble网络仿真

标准动力蒙特卡罗模拟中存在的波动或不稳定路径显著削弱了对转换路径的准确模拟与抽样。虽然诸如 Gillespie 算法等方法通常可靠，但在高效识别罕见事件方面面临挑战，这些方法具有顺序性且依赖于精确蒙特卡罗抽样。相比之下，加权-ensemble 方法通过在多个复制体中分配计算资源来有效抽样罕见事件，从而加速复杂反应路径的探索，其中每个复制体被赋予反映其重要性的权重，并独立于其他复制体演化。本文实现了高效且稳健的加权-ensemble 方法，用于模拟易感-感染-易感 (Susceptible-Infected-Susceptible, SIS) 动力学在大规模异构人口网络中的传播，并探讨了随机性与接触异构性之间的相互作用，这最终导致疾病清除。我们研究了各种以重尾非对称度分布特征构成的网络，能够在此前无法访问的参数制域下计算平均消失时间和准稳态分布。