[论文解读] A decision support system for optimizing the cost of social distancing in order to stop the spread of COVID-19

Alexandru Popa|arXiv (Cornell University)|Apr 6, 2020

COVID-19 epidemiological studies参考文献 2被引用 5

一句话总结

本文提出了一种决策支持系统，利用组合优化识别成本效益高的社交疏离措施——如关闭特定设施或隔离人群——以最小化疾病传播，同时减少经济影响。该方法将问题建模为一个NP难优化任务，开发了一种启发式算法，并通过仿真表明，仅1%的预算分配即可使感染风险相比无干预减少80%以上。

ABSTRACT

Currently there are many attempts around the world to use computers, smartphones, tablets and other electronic devices in order to stop the spread of COVID-19. Most of these attempts focus on collecting information about infected people, in order to help healthy people avoid contact with them. However, social distancing decisions are still taken by the governments empirically. That is, the authorities do not have an automated tool to recommend which decisions to make in order to maximize social distancing and to minimize the impact for the economy. In this paper we address the aforementioned problem and we design an algorithm that provides social distancing methods (i.e., what schools, shops, factories, etc. to close) that are efficient (i.e., that help reduce the spread of the virus) and have low impact on the economy. On short: a) we propose several models (i.e., combinatorial optimization problems); b) we show some theoretical results regarding the computational complexity of the formulated problems; c) we give an algorithm for the most complex of the previously formulated problems; d) we implement and test our algorithm; and e) we show an integer linear program formulation for our problem.

研究动机与目标

• 解决政府缺乏自动化工具以制定最优社交疏离决策的问题。
• 在减少封锁带来的经济干扰的同时，最小化疾病传播。
• 设计一种计算高效的算法，用于大规模社交疏离规划。
• 提供一种平衡公共健康成本与经济成本的决策框架。

提出的方法

• 问题被建模为一个完全图上的组合优化任务，其中节点代表个体，边代表接触概率。
• 每个个体具有相关的风险和易感性值，每个设施具有成本和降低接触概率的因子。
• 核心问题被表述为一个NP难优化任务，旨在在预算约束下最小化总体人群感染风险。
• 提出了一种启发式多项式时间算法，以高效求解NP难问题。
• 提供了整数线性规划（ILP）公式以确保完整性，尽管仅适用于小规模数据集。
• 仿真使用具有幂律分布的合成数据，以模拟现实世界的社会网络和设施成本。

实验结果

研究问题

• RQ1 在固定预算下，哪些社交疏离措施（如关闭学校、工厂）能最小化疾病传播？
• RQ2 如何在实时决策中优化公共健康影响与经济成本之间的权衡？
• RQ3 与无干预相比，小预算（如总成本的1%）是否能显著降低感染风险？
• RQ4 该算法在不同网络结构和成本分布下表现如何？
• RQ5 精确求解该问题的计算可行性如何？启发式算法的有效性如何？

主要发现

• 仅需总成本中1%的预算用于关闭所有设施，该算法相比无干预可使人群感染风险降低80%以上。
• 即使预算为10%，系统也能将风险降至原始水平的20%以下，显示出极高的效率。
• 该算法在多种成本分布下表现良好，包括均值μ=1.1、标准差σ=0.4或0.5的正态分布。
• 当感染比例遵循幂律分布时，幂律指数α₂对总体风险的影响极小。
• 启发式算法具有良好的可扩展性，可在大规模合成网络上实现实际部署。
• ILP公式已提供以确保完整性，尽管在大规模现实应用中计算上不可行。