K-means聚类算法(K-means Clustering Algorithm)是一类经典的聚类算法,其广泛应用于生物、天文、环境、经济、医疗等各方面.SIR传染病模型(Susceptible Infected Recovered Model)是研究流行病的重要基础模型.元胞自动机模型(Cellular Automata)的状态、时间和空间都是离散的,这种离散的动态模型在计算机科学、数学、社会学、物理学、生态学、医学等都有广泛的应用.本文以元胞自动机模型和K-means聚类算法为重要工具,建立了具有K-means聚类算法的SIR元胞自动机模拟模型.通过对分别服从高斯分布和随机均匀分布的两类初始感染源的分析与模拟,给出了疾病感染半径与隔离半径对疾病传播的影响,以及具有特征权重的K-means聚类算法对加入年龄结构和随机游走的SIR元胞自动机模型的应用研究,并进一步探讨了年龄结构和随机游走对传染病防控的影响.本文主要分为以下四章内容:第一章为绪论,概括介绍了K-means聚类算法的提出、发展历程以及在生物数学研究领域的相关应用;同时,对元胞自动机模型和传染病模型也进行了简要的概述;第二章首先是对K-means聚类算法的基本介绍,包括K-means聚类算法的定义、特征、思想以及本文用到的相关概念;其次,建立基于元胞自动机的SIR仓室模型的基本理论和概念,并给出了建立具有K-means聚类算法的SIR元胞自动机模型的思路和方法;第三章是本文主要工作的第一部分,K-means聚类算法在SIR基础传染病模型中的应用研究,旨在通过对服从高斯分布和随机均匀分布的两类初始感染源的分析与模拟,给出了疾病感染半径与隔离半径对疾病传播的影响.结果表明:在两种不同类型的初试分布下,感染者的最大值分别与疾病感染传播半径和隔离半径呈正相关与负相关关系,感染者数量随时间的变化率亦呈现相同的变化规律.初始数据的不同分布类型只影响这种正负相关关系的增速.并根据高斯分布与随机均匀分布的对比实验结果,解释在实际传染病中的生物学意义及相应的防控措施;第四章是本文主要工作的第二部分,基于特征权重的K-means聚类算法在具有年龄结构和随机游走的SIR元胞自动机传染病模型中的应用研究,分析了儿童、青壮年和老年的三层年龄结构对传染病的影响.同样,在服从高斯分布和随机均匀分布的两类初始感染源的模式下,研究发现:利用具有特征权重的K-means聚类分析两种分布,三种年龄结构中人数占较多和感染力较强的青壮年对感染者最大值的影响较为明显,感染半径、初始隔离时间和移动半径与感染者最大值呈正相关,隔离半径与感染者最大值呈负相关;此外,本文还提供了全随机均匀分布和高斯分布的地图生成及初始化办法,以及非邻体高斯游走的问题.本论文的完成在一定程度上弥补了K-means聚类算法在流行病研究中的不足,后续可结合实际流行病案例进一步具体化K-means算法在流行病的模拟过程,以期得到更加可行的研究结果.