基于强化学习的传染病干预措施优化——基于英国 COVID-19 疫情数据的实证分析
机器学习
2025-05-08 v1 计算机与社会
多智能体系统
计算物理
摘要
全球范围内，传染病的爆发对卫生安全和经济产生了极其深远和严重的影响。在疫情的关键阶段，制定有效的干预措施对学术界和实践领域都构成了重大挑战。已有大量基于强化学习优化传染病干预措施的研究。然而，这些努力大多局限于基于微分方程的传染病模型。尽管少数研究已将强化学习方法纳入基于个体的传染病模型，但所采用的模型存在简化和局限性，使其无法对传染病传播固有的复杂性和动态性进行建模。我们建立了一个基于个体智能体传播模型的决策框架，利用强化学习持续探索并开发策略函数。该框架的有效性通过实验和理论方法得到了验证。我们修改了 Covasim——一个详细且广泛使用的基于智能体的疾病传播模型——以支持强化学习研究。我们对多种算法在不同动作空间中的应用效果进行了详尽的探索。此外，我们还就“时间覆盖”问题进行了创新的初步理论分析。实验结果有力地验证了本研究方法框架的有效性和可行性。从中获得的应对策略在抑制疫情规模扩大和维护经济系统稳定方面被证明非常有效，从而为全球公共卫生安全策略的制定提供了关键的参考视角。
引用
@article{arxiv.2505.04161,
title = {Optimization of Infectious Disease Intervention Measures Based on Reinforcement Learning -- Empirical analysis based on UK COVID-19 epidemic data},
author = {Baida Zhang and Yakai Chen and Huichun Li and Zhenghu Zu},
journal= {arXiv preprint arXiv:2505.04161},
year = {2025}
}