[论文解读] Epidemic control via stochastic optimal control

Andrew Lesniewski|arXiv (Cornell University)|Apr 14, 2020

COVID-19 epidemiological studies参考文献 22被引用 4

一句话总结

本文通过引入疫苗接种和隔离作为控制变量的随机SIR模型，采用随机最小值原理推导出可通过蒙特卡洛模拟求解的前向-后向随机微分方程（FBSDEs），构建了一个数值上可处理的框架，用于在感染率不确定的情况下识别成本最优的缓解策略。关键贡献在于揭示了高成本政策会触发早期强烈干预，而低成政策则允许持续且较温和的控制措施，从而实现成本效益最优。

ABSTRACT

We study the problem of optimal control of the stochastic SIR model. Models of this type are used in mathematical epidemiology to capture the time evolution of highly infectious diseases such as COVID-19. Our approach relies on reformulating the Hamilton-Jacobi-Bellman equation as a stochastic minimum principle. This results in a system of forward backward stochastic differential equations, which is amenable to numerical solution via Monte Carlo simulations. We present a number of numerical solutions of the system under a variety of scenarios.

研究动机与目标

• 开发一个数学上严谨的框架，用于在随机感染率下实现对传染病传播的最优控制。
• 解决早期传染病数据有限且不可靠的问题，以支持公共卫生政策制定。
• 在随机SIR框架内，建模疫苗接种与隔离作为控制机制的影响。
• 推导出一个可数值求解的方程组系统，以捕捉在不同成本制度下的最优控制策略。
• 在不同经济与健康成本约束下，评估隔离与疫苗接种联合策略的有效性。

提出的方法

• 构建一个随机SIR模型，其中感染率β通过布朗运动引入随机冲击，从而在动力学中引入随机性。
• 将哈密顿-雅可比-贝尔曼方程重新表述为随机最小值原理，推导出前向-后向随机微分方程（FBSDEs）系统。
• 利用蒙特卡洛模拟数值求解FBSDE系统，并计算疫苗接种与隔离的最优控制策略。
• 定义一个包含参数L、M、N的成本函数，用于表示干预措施的运行成本，从而支持在高成本与低成本制度下的分析。
• 将FBSDE解应用于模拟易感者（S）、感染者（I）及控制变量（疫苗接种率与隔离率）的最优控制轨迹。
• 通过在多种成本函数配置下进行数值实验，验证方法的有效性，并对比原始与最优的流行病轨迹。

实验结果

研究问题

• RQ1 如何将最优控制应用于具有不确定感染率的随机SIR模型，以最小化流行病影响？
• RQ2 在不同成本函数下，隔离与疫苗接种的最优控制策略具有何种结构？
• RQ3 高成本与低成本干预制度如何影响缓解策略的时机、强度与有效性？
• RQ4 与无控制传播相比，随机最优控制在多大程度上可降低感染峰值水平与总感染数？
• RQ5 当隔离与疫苗接种同时应用时，其最优控制策略如何相互作用？

主要发现

• 在高成本隔离政策下，最优策略涉及早期强烈隔离，显著降低感染峰值并大幅平抑流行病曲线。
• 对于高成本疫苗接种，最优政策会触发快速且大规模的疫苗接种行动，大幅减少易感人群并抑制传播。
• 在低成本情景下，最优控制策略采用持续且适中的隔离与疫苗接种水平，避免剧烈干预，同时仍能有效控制流行病。
• 在高成本条件下，联合隔离与疫苗接种政策导致易感者与感染者比例急剧下降，最优控制在早期增强并在流行病消退时逐步减弱。
• 在低成本条件下，隔离与疫苗接种的最优策略在时间上分布更均匀，两种干预措施在整个流行病持续期间均保持活跃。
• 数值结果表明，最优控制框架在所有情况下均显著减少总感染数并延迟感染峰值，尤其在高成本制度下效果更为明显。