当算法1不再满足时，想到的第一件事就是SIR方法。 我们将整个人口分为三个部分：谁可以被感染（S为易感者），谁被感染（I为被感染者）和抗药性（R为抗药性）。 为了暂时保持简单，我们从固定数字（N）开始。 在模型运行期间，总体不会增加或减少。 这意味着我们可以假设 N = S + I + R 。 但是在这段时间内，相互关系确实发生了变化。 如果将模型工作的时间划分为多个周期，则可以将该假设转换为：
N=S_t+I_t+R_t
因此我们可以用百分比表示S，I和R
SIR方法具有关联转换模型形式的第二个假设：S个个体只能变成I个个体，而I个个体只能变成R个个体。我们可以尝试捕获每个周期的感染率中从 S_ {t} 到 I_ {t} 的转变速率，例如 \beta_ {t} 以及从每个周期的恢复率得出的从 I_ {t} 到 R_ {t} 的转变速率，例如 \mu_ {t} 。
我们制作了算法2，以了解这种方法的工作原理。