基于多智能体的病毒传播与防控建模

谢 欧,戴 华,廖 涛

(湖南理工学院 信息科学与工程学院,湖南 岳阳 414006)

0 引言

目前疫情已蔓延全球. 世界卫生组织指出,疫情具有全球流行特征,不仅对全球公众健康构成了威胁,而且对国际贸易与人文交流以及各国社会经济发展造成了极大的冲击. 因此,找到疫情的传播规律,制定有效防疫措施是各国公共卫生安全的重大任务.

疫情爆发以来,国内部分学者针对COVID-19 病毒疫情发展趋势展开研究. 路雪鹏[1]等基于系统动力学和新冠病毒传播特点,提出一种新的SE4IR2 模型. 该模型可拟合分析并预测疫情下一阶段的发展趋势,并能就各参数之间的制约条件提出相对应的疫情防控建议. 张丽娟[2]等根据病毒传播特点、城市空间地图模式及Agent 智能体模型,基于元胞自动机原理构建病毒传播机制,并依据病毒的不同传播特点、不同防控措施对病毒的空间传播进行仿真. 上述研究仅提出COVID-19 病毒的传播模型以及影响疫情的重要因素,未考虑实际智能体之间的交互行为、状态转换、随着环境改变而做出适应性改变. 因此,引入多智能体建模思想,可以研究不同影响因素下的状态变化过程. 多主体建模仿真能在一定程度上再现群体性暴力行为的情境特征、行为特征和演化特征[3]. 潘理虎[4]等采用多智能体建模思想,基于Repast Simphony 平台设计并构建草原土地利用变化仿真模型,以模拟和预测草原土地在复杂性、非线性和交互性等多种影响因素下的状态反馈和变化过程. 潘理虎[5]等还运用多智能体建模仿真技术构建COVID-19 病毒防控模型,运用多智能体仿真方法,设定主体的行为规则和状态转换规则,模拟在不同防控措施下的疫情动态发展趋势,为城市疫情防控提供决策支持.

本文在Repast Simphony[6]仿真平台上使用基于多智能体建模技术[7],采用SIR 传染病模型对COVID-19 病毒的传播问题进行建模仿真实验[8,9]. 首先定义易感者、感染者、康复者和死亡者四类智能体;然后依据已有的COVID-19 病毒传播机制[10],制定智能体之间的状态转换规则和行为规则; 并通过调节实验的具体参数,控制实验结果; 进而论证模型仿真分析的准确性和有效性,从而为疫情的防控提供科学合理的建议和决策支持.

1 基于多智能体的病毒传播与防控模型构建

1.1 模型概述

COVID-19 病毒防控模型是基于病毒传播、多智能体交互而建立的一个虚拟仿真模型,模型中的病毒传播、居民的行为决策和防控措施的变化是一个交互影响的复杂过程. 依据已有COVID-19 病毒传播机制,制定智能体之间的状态转换规则和行为规则,并通过调节实验的各项具体参数,设置不同的模型仿真场景,由此构建随时间迭代演化的多因素作用的COVID-19 病毒传播模型.

1.2 智能主体定义

本文构建一个具有多类智能体的COVID-19 病毒传播模型. 该模型结合实际抽象定义各类智能体的基本属性,每一类智能体都有自己的属性和行为. 其主要成员变量的定义见表1.

表1 主要成员变量定义

1.3 智能体行为交互和状态转换规则

COVID-19 病毒主要的传播途径是呼吸道飞沫传播和接触传播,易感者与感染者近距离接触时,有一定的概率被感染,即进行智能体状态的转换. 智能体状态转换规则如图1 所示.

图1 智能体状态转换规则

行为规则定义主体间的行为. 例如,定义易感者是否被感染者感染; 设定传播距离,当传播距离小于一定值的时候,传染的概率增大; 设定感染率、恢复率和死亡率.

2 基于多智能体的病毒防控仿真

2.1 仿真系统的模型架构

在COVID-19 病毒防控模型的基础上,利用Repast Simphony 仿真平台设计开发基于多智能体的COVID-19 病毒防控模型. 该仿真模型的结构分为四个模块. 仿真准备模块为模型提供实验所需要的数据,并进行智能体的初始化设置. 仿真运行模块中,多智能体模块刻画智能体之间的交互,并进行智能体的状态转换. 模型演化模块根据参数的调整实现模型的不同演化,并对其结果进行分析. 数据管理模块对仿真结果进行提取、统计与可视化显示,并将调节参数的结果进行对比分析. 模型架构如图2 所示.

图2 模型架构

2.2 仿真实现

以印度的COVID-19 病毒传播为例,探索“早发现” “早隔离”和“早治疗”等不同防控措施下的病毒传播情况. 设定相关影响因素的初始值,在疫情刚开始阶段,印度政府未采取疫情防控措施,因此感染人数剧增,其传播模型接近于SIR 传播模型(忽略其潜伏期). 依据印度真实初始感染人数和传播机制进行模拟.模型实例中的主要初始参数见表2.

表2 COVID-19 病毒防控仿真模型中的主要参数初始化

如图3(a)所示,COVID-19 病毒防控仿真模型记录智能体的数量变化,其横坐标的时间为模拟单位,纵坐标为智能体的数量. 如图3(b)所示,印度新型冠状肺炎病毒现有累计确诊人数、累计死亡人数、累计治愈人数的实时变化,其横坐标为实际天数,纵坐标为实际人数.

图3 走势对比

考虑到印度疾病检测方面的不足,导致实际的数据与报道的数据存在一定的偏差. 后期时间跨度过长,也容易导致数据失真,因此取2020年1—2月的数据. 可以发现,本文提出的COVID-19 病毒防控仿真模型在初始阶段与印度实际的数据变化具有一致的趋势.

3 实验与分析

建立模型后,进行4 组对照实验,并对实验结果进行分析,通过调整实验参数观察对应的现实因素对新冠肺炎的影响. 这些因素分别是最初感染者的人数、感染率、恢复率和易感人群的数量.

3.1 对照实验的仿真参数分析

对照组A 设定初始病例为3、感染率为0.1、恢复率为0.067、最初易感者人数为13800. 仿真结果如图4(a)所示.

(1)最初感染者个数对病情发展的影响

实验组A 设定初始病例为300、感染率为0.1、恢复率为0.067、最初易感者人数为13800. 仿真结果如图4(b)所示.

通过对照实验可以看出,在增加初始感染者人数的情况下,感染者较之前更早达到峰值,峰值也更高,说明在疫情发展初期,更应该注意控制感染者人数,以达到控制疫情爆发的目的.

(2)感染率对病情发展的影响

实验组B 设定初始病例为3、感染率为0.03、恢复率为0.067、最初易感者人数为13800. 仿真结果如图5(b)所示.

图5 对照组A 与实验组B 的仿真对比

通过对照实验可以看出,在降低感染率的情况下,感染者数量未出现峰值,一直处于较低的水平,因此降低感染率尤为重要,可采用戴口罩、加强政府防控、及时就医和加强防护隔离等措施,以降低感染率,达到控制疫情发展的目的.

(3)恢复率对病情发展的影响

实验组C 设定初始病例为3、感染率为0.1、恢复率为0.3、最初易感者人数为13800. 仿真结果如图6(b)所示.

图6 对照组A 与实验组C 的仿真对比

通过对照实验可以看出,在提高恢复率的情况下,感染者数量未出现明显峰值,一直处于较低的水平.因此应提高医疗水平以提高恢复率,达到控制疫情的目的.

(4)易感人群的数量对病情发展的影响

实验组D 设定初始病例为3、感染率为0.1、恢复率为0.067、最初易感者人数为50000. 仿真结果如图7(b)所示.

图7 对照组A 与实验组D 的仿真对比

通过对照实验可以看出,在增加易感人群人数的情况下,感染者人数更早出现峰值,并且峰值更高.因此接种疫苗尤为重要,应及时接种疫苗以减少易感人群人数,达到控制疫情的目的.

3.2 结果分析

通过仿真实验对比分析发现,及时控制最初感染者的人数、减少易感人群人数,控制感染范围,降低COVID-19 病毒的传播,可采取的现实防控措施为戴口罩、限制出行、严格隔离等; 也可以通过增强自身免疫力来控制疫情的发展,可采取的现实防控措施为接种疫苗、提高医疗水平等.

4 结束语

本文以SIR病毒传播模型为基准构建基于多智能体的COVID-19病毒传播与防控仿真模型. 通过对该模型中易感者、感染者、康复者、死亡者四类智能体的状态转换和行为交互进行仿真结果分析,得到病毒的发展趋势和疫情关键参数对疫情的影响. 由仿真实验结果可知,当初始受感染人数偏少的时候,只要在疫情初期进行及时防控,比如采取戴口罩、限制出行、严格隔离等防控措施,就能降低COVID-19 病毒的传播. 在疫情发展的后期,可以采取降低感染率、提高恢复率,比如接种疫苗、提高医疗水平等防控措施.本文的仿真实验结果论证了模型仿真分析的准确性和有效性,为疫情防控提供了科学直观的分析和决策支持.