冠状病毒优化算法：基于 COVID-19 传播模型的生物启发式元启发算法

本文提出了一种新颖的生物启发式元启发算法，模拟冠状病毒如何传播并感染健康人群。从初始个体（零号病人）开始，冠状病毒以已知速率感染新患者，创建新的感染人群。每个个体可能死亡或感染他人，之后被送入康复人群。模型中引入了再感染概率、超级传播率或出行率等相关术语，以尽可能准确地模拟冠状病毒活动。与其他类似策略相比，冠状病毒优化算法具有两大优势。首先，输入参数已根据疾病统计设定，避免研究者以任意值初始化。其次，该方法能够在若干次迭代后自行终止，而无需设定该值。感染人群初期呈指数增长，但在考虑社会隔离措施以及大量康复和死亡人数后，后续迭代中感染人数开始下降。此外，提出了一种并行多病毒版本，其中多种冠状病毒毒株随时间演化并在更少迭代中探索更宽的搜索空间区域。最后，该元启发算法已与深度学习模型结合，以在训练阶段寻找最优超参数。作为应用案例，解决了电力负荷时间序列预测问题，展现出相当卓越的性能。