​​​​​​​吾三日一省吾身

                                                              

1、忘我

马克思认为人的本质是社会关系的总和,具有社会性。我们每天都处在社会关系中,会接触到多个不同的个体。同事、朋友或是对手,每个人都有其独特性,不同的思维方式,不同的世界观,不同的行为方式,不同的优缺点。然而,我们习惯地认为自己才是生活中的主角,用自我的思维去看待身边的一切。

作为一个刚刚上任的领导,内心是敏感的。当我们发现同事的做法或想法与自己不一致时,跳出来的第一个想法就是“你是错的”或者“他是否是针对我”。这是下意识的 ,从自我的逻辑思维去看事物时,而别人逻辑的合理性我们往往视而不见。但其实冷静想想,别人这样做可能是对的呢?

因此,“忘我”就是让我们抛弃自我的主观,让自己更加清楚地看到别人的亮点,听得见别人的声音!

2:省我

“忘我”是为了更好地“省我”。抛弃自我,把自己视为大众,从而客观看待,及时反省,改进,提高。

“人非圣贤孰能无过?”我们做不到圣人的状态。出错是正常的,关键是出错了要勇敢的去找自身的原因,去勇敢的面对它,解决它。曾国藩也是每日三省吾身践行者。

自省的目的是以一个批判的眼光去看待自己,并不是妄自菲薄,而是以第三者的角度去审视自己,发现问题,想办法改变,最终达到错误不在犯。

                                                              

构建考虑年龄分层和接触矩阵的 SIR 模型,需从模型结构、参数设定、数值求解及结果分析等方面展开。以下是具体实施步骤: --- 使用微分方程定义 SIR 动力学系统,针对三个年龄组(0-17岁、18-59岁、60+岁)分别建立状态变量 $S_i(t)$、$I_i(t)$ 和 $R_i(t)$,其中 $i = 1,2,3$ 表示不同年龄组。 $$ \frac{dS_i}{dt} = -\beta S_i \sum_{j=1}^{3} C_{ij} \frac{I_j}{N_j} $$ $$ \frac{dI_i}{dt} = \beta S_i \sum_{j=1}^{3} C_{ij} \frac{I_j}{N_j} - \gamma I_i $$ $$ \frac{dR_i}{dt} = \gamma I_i $$ 其中 $\beta = 0.02$ 是传染率,$\gamma = 0.14$ 是康复率,$C_{ij}$ 是接触矩阵中的元素,表示第 $i$ 年龄组对第 $j$ 年龄组的日均接触次数。 --- 采用给定的接触矩阵 $C$,其中所有年龄段之间的平均接触频率统设为 7.23,构造如下: $$ C = \begin{bmatrix} 7.23 & 7.23 & 7.23 \\ 7.23 & 7.23 & 7.23 \\ 7.23 & 7.23 & 7.23 \end{bmatrix} $$ 若需更精细建模,可依据实际社交行为数据调整矩阵值,例如儿童与成人之间互动较少等。 --- 设置初始易感人口: - $S_1(0) = 175513$(0-17岁) - $S_2(0) = 351024$(18-59岁) - $S_3(0) = 82731$(60+岁) 初始感染者为个 20 岁个体,即 $I_2(0) = 1$,其余感染人数为零。 --- 利用 Python 的 `scipy.integrate.solve_ivp` 函数求解上述微分方程组,模拟时间范围为 300 天,并记录每日状态变化。 ```python from scipy.integrate import solve_ivp import numpy as np import matplotlib.pyplot as plt # 参数初始化 beta = 0.02 gamma = 0.14 contact_matrix = np.array([[7.23, 7.23, 7.23], [7.23, 7.23, 7.23], [7.23, 7.23, 7.23]]) N = np.array([175513, 351024, 82731]) # 初始条件 S0 = np.array([175513, 351024, 82731]) I0 = np.array([0, 1, 0]) R0 = np.array([0, 0, 0]) y0 = np.concatenate((S0, I0, R0)) def model(t, y): S = y[:3] I = y[3:6] R = y[6:] dS = -beta * S * contact_matrix @ (I / N) dI = beta * S * contact_matrix @ (I / N) - gamma * I dR = gamma * I return np.concatenate((dS, dI, dR)) # 数值积分求解 sol = solve_ivp(model, [0, 300], y0, t_eval=np.arange(0, 301)) ``` --- 通过计算每日新增感染人数(即 $dI_i/dt$ 的正值部分),绘制曲线并识别各年龄组的峰值点。 ```python daily_new_infections = np.diff(sol.y[3:6], axis=1) peak_values = np.max(daily_new_infections, axis=1) print("各年龄组日新增感染人数峰值:", peak_values) ``` ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值