具有接触异质性的流行病学个体基模型的降阶建模与最优控制

通过经典群体基模型对流行病建模存在缺陷，而所谓的个体基模型能够克服这些缺陷，因为它们能够考虑异质性特征（如超级传播者）并描述小集群中的动态。作为代价，此类模型通常涉及大型图，无论理论上还是实践中，其模拟代价高昂且难以优化。通过将强化学习思想与降阶模型相结合，我们提出了一种数值方法，用于确定考虑超级传播者的随机流行病学图模型的最优卫生政策。更确切地说，我们引入了一个涉及神经网络的确定性降阶群体基模型，并通过最优控制方法利用其推导最优卫生政策。该模型旨在忠实模拟原始、更复杂的图模型的局部动态。粗略而言，这通过依次训练网络直至对应降阶模型的最优控制策略在图模型上模拟时同样良好地遏制流行病来实现。在描述该方法的实际实现后，我们将讨论降阶模型的适用范围，以及所估计的控制策略在何种程度上能为卫生当局提供有用的定性信息。