SIR-RL：面向新兴市场与发展中经济体流行病爆发期间优化政策控制的强化学习
机器学习
2024-05-01 v2 物理与社会
种群与进化
摘要
COVID-19 的爆发在全球范围内凸显了公共卫生与经济稳定之间的复杂相互作用。本研究提出了一种新颖的强化学习框架，旨在优化疫情期间的卫生与经济结果。该框架利用 SIR 模型，整合了封锁措施（通过严格指数）和疫苗接种策略来模拟疾病动态。严格指数反映了封锁措施的严格程度，同时影响疾病的传播和国家的经济健康状况。在严格封锁下承受不成比例经济负担的发展中国家是我们研究的主要焦点。通过实施强化学习，我们旨在优化政府应对措施，并在公共卫生与经济稳定相关的竞争性成本之间取得平衡。该方法还通过为强化学习智能体建立明确的奖励函数，增强了政府决策的透明度。本质上，本研究引入了一种创新且符合伦理的策略，以应对在传染病爆发期间平衡公共卫生与经济稳定的挑战。
引用
@article{arxiv.2404.08423,
title = {SIR-RL: Reinforcement Learning for Optimized Policy Control during Epidemiological Outbreaks in Emerging Market and Developing Economies},
author = {Maeghal Jain and Ziya Uddin and Wubshet Ibrahim},
journal= {arXiv preprint arXiv:2404.08423},
year = {2024}
}
备注
27 pages, 12 figures