基于多智能體的病毒傳播與防控建模

謝 歐,戴 華,廖 濤

(湖南理工學院 信息科學與工程學院,湖南 岳陽 414006)

0 引言

目前疫情已蔓延全球. 世界衛生組織指出,疫情具有全球流行特征,不僅對全球公眾健康構成了威脅,而且對國際貿易與人文交流以及各國社會經濟發展造成了極大的沖擊. 因此,找到疫情的傳播規律,制定有效防疫措施是各國公共衛生安全的重大任務.

疫情爆發以來,國內部分學者針對COVID-19 病毒疫情發展趨勢展開研究. 路雪鵬[1]等基于系統動力學和新冠病毒傳播特點,提出一種新的SE4IR2 模型. 該模型可擬合分析并預測疫情下一階段的發展趨勢,并能就各參數之間的制約條件提出相對應的疫情防控建議. 張麗娟[2]等根據病毒傳播特點、城市空間地圖模式及Agent 智能體模型,基于元胞自動機原理構建病毒傳播機制,并依據病毒的不同傳播特點、不同防控措施對病毒的空間傳播進行仿真. 上述研究僅提出COVID-19 病毒的傳播模型以及影響疫情的重要因素,未考慮實際智能體之間的交互行為、狀態轉換、隨著環境改變而做出適應性改變. 因此,引入多智能體建模思想,可以研究不同影響因素下的狀態變化過程. 多主體建模仿真能在一定程度上再現群體性暴力行為的情境特征、行為特征和演化特征[3]. 潘理虎[4]等采用多智能體建模思想,基于Repast Simphony 平臺設計并構建草原土地利用變化仿真模型,以模擬和預測草原土地在復雜性、非線性和交互性等多種影響因素下的狀態反饋和變化過程. 潘理虎[5]等還運用多智能體建模仿真技術構建COVID-19 病毒防控模型,運用多智能體仿真方法,設定主體的行為規則和狀態轉換規則,模擬在不同防控措施下的疫情動態發展趨勢,為城市疫情防控提供決策支持.

本文在Repast Simphony[6]仿真平臺上使用基于多智能體建模技術[7],采用SIR 傳染病模型對COVID-19 病毒的傳播問題進行建模仿真實驗[8,9]. 首先定義易感者、感染者、康復者和死亡者四類智能體;然后依據已有的COVID-19 病毒傳播機制[10],制定智能體之間的狀態轉換規則和行為規則; 并通過調節實驗的具體參數,控制實驗結果; 進而論證模型仿真分析的準確性和有效性,從而為疫情的防控提供科學合理的建議和決策支持.

1 基于多智能體的病毒傳播與防控模型構建

1.1 模型概述

COVID-19 病毒防控模型是基于病毒傳播、多智能體交互而建立的一個虛擬仿真模型,模型中的病毒傳播、居民的行為決策和防控措施的變化是一個交互影響的復雜過程. 依據已有COVID-19 病毒傳播機制,制定智能體之間的狀態轉換規則和行為規則,并通過調節實驗的各項具體參數,設置不同的模型仿真場景,由此構建隨時間迭代演化的多因素作用的COVID-19 病毒傳播模型.

1.2 智能主體定義

本文構建一個具有多類智能體的COVID-19 病毒傳播模型. 該模型結合實際抽象定義各類智能體的基本屬性,每一類智能體都有自己的屬性和行為. 其主要成員變量的定義見表1.

表1 主要成員變量定義

1.3 智能體行為交互和狀態轉換規則

COVID-19 病毒主要的傳播途徑是呼吸道飛沫傳播和接觸傳播,易感者與感染者近距離接觸時,有一定的概率被感染,即進行智能體狀態的轉換. 智能體狀態轉換規則如圖1 所示.

圖1 智能體狀態轉換規則

行為規則定義主體間的行為. 例如,定義易感者是否被感染者感染; 設定傳播距離,當傳播距離小于一定值的時候,傳染的概率增大; 設定感染率、恢復率和死亡率.

2 基于多智能體的病毒防控仿真

2.1 仿真系統的模型架構

在COVID-19 病毒防控模型的基礎上,利用Repast Simphony 仿真平臺設計開發基于多智能體的COVID-19 病毒防控模型. 該仿真模型的結構分為四個模塊. 仿真準備模塊為模型提供實驗所需要的數據,并進行智能體的初始化設置. 仿真運行模塊中,多智能體模塊刻畫智能體之間的交互,并進行智能體的狀態轉換. 模型演化模塊根據參數的調整實現模型的不同演化,并對其結果進行分析. 數據管理模塊對仿真結果進行提取、統計與可視化顯示,并將調節參數的結果進行對比分析. 模型架構如圖2 所示.

圖2 模型架構

2.2 仿真實現

以印度的COVID-19 病毒傳播為例,探索“早發現” “早隔離”和“早治療”等不同防控措施下的病毒傳播情況. 設定相關影響因素的初始值,在疫情剛開始階段,印度政府未采取疫情防控措施,因此感染人數劇增,其傳播模型接近于SIR 傳播模型(忽略其潛伏期). 依據印度真實初始感染人數和傳播機制進行模擬.模型實例中的主要初始參數見表2.

表2 COVID-19 病毒防控仿真模型中的主要參數初始化

如圖3(a)所示,COVID-19 病毒防控仿真模型記錄智能體的數量變化,其橫坐標的時間為模擬單位,縱坐標為智能體的數量. 如圖3(b)所示,印度新型冠狀肺炎病毒現有累計確診人數、累計死亡人數、累計治愈人數的實時變化,其橫坐標為實際天數,縱坐標為實際人數.

圖3 走勢對比

考慮到印度疾病檢測方面的不足,導致實際的數據與報道的數據存在一定的偏差. 后期時間跨度過長,也容易導致數據失真,因此取2020年1—2月的數據. 可以發現,本文提出的COVID-19 病毒防控仿真模型在初始階段與印度實際的數據變化具有一致的趨勢.

3 實驗與分析

建立模型后,進行4 組對照實驗,并對實驗結果進行分析,通過調整實驗參數觀察對應的現實因素對新冠肺炎的影響. 這些因素分別是最初感染者的人數、感染率、恢復率和易感人群的數量.

3.1 對照實驗的仿真參數分析

對照組A 設定初始病例為3、感染率為0.1、恢復率為0.067、最初易感者人數為13800. 仿真結果如圖4(a)所示.

(1)最初感染者個數對病情發展的影響

實驗組A 設定初始病例為300、感染率為0.1、恢復率為0.067、最初易感者人數為13800. 仿真結果如圖4(b)所示.

通過對照實驗可以看出,在增加初始感染者人數的情況下,感染者較之前更早達到峰值,峰值也更高,說明在疫情發展初期,更應該注意控制感染者人數,以達到控制疫情爆發的目的.

(2)感染率對病情發展的影響

實驗組B 設定初始病例為3、感染率為0.03、恢復率為0.067、最初易感者人數為13800. 仿真結果如圖5(b)所示.

圖5 對照組A 與實驗組B 的仿真對比

通過對照實驗可以看出,在降低感染率的情況下,感染者數量未出現峰值,一直處于較低的水平,因此降低感染率尤為重要,可采用戴口罩、加強政府防控、及時就醫和加強防護隔離等措施,以降低感染率,達到控制疫情發展的目的.

(3)恢復率對病情發展的影響

實驗組C 設定初始病例為3、感染率為0.1、恢復率為0.3、最初易感者人數為13800. 仿真結果如圖6(b)所示.

圖6 對照組A 與實驗組C 的仿真對比

通過對照實驗可以看出,在提高恢復率的情況下,感染者數量未出現明顯峰值,一直處于較低的水平.因此應提高醫療水平以提高恢復率,達到控制疫情的目的.

(4)易感人群的數量對病情發展的影響

實驗組D 設定初始病例為3、感染率為0.1、恢復率為0.067、最初易感者人數為50000. 仿真結果如圖7(b)所示.

圖7 對照組A 與實驗組D 的仿真對比

通過對照實驗可以看出,在增加易感人群人數的情況下,感染者人數更早出現峰值,并且峰值更高.因此接種疫苗尤為重要,應及時接種疫苗以減少易感人群人數,達到控制疫情的目的.

3.2 結果分析

通過仿真實驗對比分析發現,及時控制最初感染者的人數、減少易感人群人數,控制感染范圍,降低COVID-19 病毒的傳播,可采取的現實防控措施為戴口罩、限制出行、嚴格隔離等; 也可以通過增強自身免疫力來控制疫情的發展,可采取的現實防控措施為接種疫苗、提高醫療水平等.

4 結束語

本文以SIR病毒傳播模型為基準構建基于多智能體的COVID-19病毒傳播與防控仿真模型. 通過對該模型中易感者、感染者、康復者、死亡者四類智能體的狀態轉換和行為交互進行仿真結果分析,得到病毒的發展趨勢和疫情關鍵參數對疫情的影響. 由仿真實驗結果可知,當初始受感染人數偏少的時候,只要在疫情初期進行及時防控,比如采取戴口罩、限制出行、嚴格隔離等防控措施,就能降低COVID-19 病毒的傳播. 在疫情發展的后期,可以采取降低感染率、提高恢復率,比如接種疫苗、提高醫療水平等防控措施.本文的仿真實驗結果論證了模型仿真分析的準確性和有效性,為疫情防控提供了科學直觀的分析和決策支持.