流行病期间教育空间安全占用策略的强化学习
人工智能
2023-12-27 v1
摘要
流行病建模，包括确定性和随机方法，对于理解传染病和指导公共卫生策略至关重要。本研究采用规范性方法，聚焦于强化学习（RL）来制定在教育环境中平衡最小化感染与最大化面对面互动的策略。我们引入了SafeCampus，一个新颖的工具，模拟感染传播并促进探索各种RL算法以应对流行病挑战。SafeCampus结合了一个自定义的RL环境，基于随机流行病模型，真实地模拟了流行病期间大学校园的动态。我们评估了针对离散状态空间的Q学习，产生了一个策略矩阵，该矩阵不仅指导不同流行病条件下的占用决策，还展示了流行病管理中固有的权衡。这种权衡的特征在于更严格措施（可能有效减少感染但教育收益较少，即更多面对面互动）与更宽松政策（可能导致更高感染率）之间的两难。
引用
@article{arxiv.2312.15163,
title = {Reinforcement Learning for Safe Occupancy Strategies in Educational Spaces during an Epidemic},
author = {Elizabeth Akinyi Ondula and Bhaskar Krishnamachari},
journal= {arXiv preprint arXiv:2312.15163},
year = {2023}
}