静态与时序网络上随机流行病的高效精确模拟

复杂网络上的流行病模型已被广泛用于研究人群的社会结构如何影响流行病的传播。然而，其数值模拟在计算上代价高昂，尤其是对于大规模网络。本文引入NEXT-Net：一种用于在静态网络和时序网络上模拟流行病传播的下一反应法（next reaction method）的灵活实现。通过在人工网络和真实世界网络上进行的系统性测试，我们发现NEXT-Net比替代算法显著更快，同时保持精确性。它尤其允许在标准计算机上高效模拟包含百万节点的网络上的流行病传播。它也足够通用，能够模拟时序网络上广泛的流行病模型，包括网络结构因流行病而动态变化的情况。我们的代码用C++实现，并可从Python和R调用，从而兼具速度与用户友好性。凭借这些特性，我们的算法构成了一系列广泛应用的理想工具。