基于鲁棒多目标优化与随机分形搜索的 COVID-19 流行病模拟模型辨识
种群与进化
2020-06-02 v1 最优化与控制
摘要
传统上，反问题公式化与求解中的参数辨识假定模型、变量与数学参数无不确定性。这一假定简化了估计过程，却未考虑设计变量在目标函数意义上的相对较小变化的影响。本工作中，采用 SIDR（易感、感染、死亡与康复）模型模拟新型冠状病毒病（COVID-19）的动态行为，并通过构建鲁棒反问题（即考虑设计变量的敏感性）来估计其参数。为此，构建鲁棒多目标优化问题，考虑估计过程相关不确定性的最小化与鲁棒性参数的最大化。为解决该问题，将多目标随机分形搜索算法与用于鲁棒性评估的有效均值（Effective Mean）概念相结合。基于中国真实疫情数据所得结果表明，设计变量敏感性的评估可提供更可靠的结果。
引用
@article{arxiv.2006.00289,
title = {Identification of an Epidemiological Model to Simulate the COVID-19 Epidemic using Robust Multi-objective Optimization and Stochastic Fractal Search},
author = {Gustavo Barbosa Libotte and Fran Sérgio Lobato and Gustavo Mendes Platt},
journal= {arXiv preprint arXiv:2006.00289},
year = {2020}
}