R 矢量化模拟

我试图将我的思想包裹在矢量化上，试图使一些模拟更快，我发现了这个非常基本的流行病模拟。代码来自于书中

#节目刺激/resources/scripts/SIRsim.r
SIRsim很难“矢量化”迭代计算，但这是一个模拟，模拟可能会运行多次。因此，写这篇文章可以同时进行所有的模拟，方法是添加一个参数
M
（要执行的模拟数量），分配一个mx（T+1）矩阵，然后填充每个模拟的连续列（时间）。这些变化似乎非常直接（因此我可能犯了一个错误；我特别关注在
rbinom
的第二个和第三个参数中使用向量，尽管这与文档一致）

SIRsim
apply
函数主要是
循环的语法糖分，这样可能不会获得太多速度。您可以尝试使用
编译器
包或
Rcpp
。
#program spuRs/resources/scripts/SIRsim.r

SIRsim <- function(a, b, N, T) {
  # Simulate an SIR epidemic
  # a is infection rate, b is removal rate
  # N initial susceptibles, 1 initial infected, simulation length T
  # returns a matrix size (T+1)*3 with columns S, I, R respectively
  S <- rep(0, T+1)
  I <- rep(0, T+1)
  R <- rep(0, T+1)
  S[1] <- N
  I[1] <- 1
  R[1] <- 0
  for (i in 1:T) {
    S[i+1] <- rbinom(1, S[i], (1 - a)^I[i])
    R[i+1] <- R[i] + rbinom(1, I[i], b)
    I[i+1] <- N + 1 - R[i+1] - S[i+1]
  }
  return(matrix(c(S, I, R), ncol = 3))
}

SIRsim <- function(a, b, N, T, M) {
    ## Simulate an SIR epidemic
    ## a is infection rate, b is removal rate
    ## N initial susceptibles, 1 initial infected, simulation length T
    ## M is the number of simulations to run
    ## returns a list of S, I, R matricies, each M simulation
    ## across T + 1 time points
    S <- I <- R <- matrix(0, M, T + 1)
    S[,1] <- N
    I[,1] <- 1
    for (i in seq_along(T)) {
        S[,i+1] <- rbinom(M, S[,i], (1 - a)^I[,i])
        R[,i+1] <- R[,i] + rbinom(M, I[,i], b)
        I[,i+1] <- N + 1 - R[,i+1] - S[,i+1]
    }
    list(S=S, I=I, R=R)
}