[论文解读] Models for managing the impact of an epidemic

Daniel Bienstock, Ana Cecilia Langle Zenteno|arXiv (Cornell University)|Jul 30, 2015

Facility Location and Emergency Management参考文献 46被引用 5

一句话总结

本文提出了一种针对流感大流行期间紧急人员调配的鲁棒优化框架，将不确定传播率的对抗性建模与经典的SEIR流行病模型相结合。通过使用列生成和Benders分解并结合热启动程序，该方法能高效计算出在最坏流行病情景下最小化运营影响的调配策略，在测试案例中于35秒内即获得近似最优解。

ABSTRACT

In this paper we consider robust models for emergency staff deployment in the event of a flu pandemic. We focus on managing critical staff levels at organizations that must remain operational during such an event, and develop methodologies for managing emergency resources with the goal of minimizing the impact of the pandemic. We present numerical experiments using realistic data to study the effectiveness of our approach. The underlying methodology is that of robust optimization; we model the problem as an infinite linear program which is approximately solved using a variant of Benders decomposition.

研究动机与目标

• 开发一种管理流感大流行期间关键人员配置水平的方法，重点在于尽管不可避免地出现人员短缺，仍能最小化运营中断。
• 通过建模最坏情景而非依赖概率预测，解决流行病进展中的不确定性，特别是传播率的不确定性。
• 考虑调配紧急人员的后勤约束，如可用资源有限以及来自外部的延迟调配。
• 设计一种计算高效的求解方法，使其可扩展至大规模真实世界规划问题。
• 通过使用真实数据的数值实验验证该方法，展示其鲁棒性与高效性。

提出的方法

• 该方法将经典的SEIR流行病模型与不确定传播率的对抗性建模相结合，以表征最坏情况下的流行病演变。
• 构建鲁棒优化框架，以最小化所有可能流行病情景下的最坏运营影响。
• 采用列生成与Benders分解求解大规模非凸优化问题，并引入一种新颖的热启动程序以加速收敛。
• 热启动程序通过迭代识别给定调配策略下的最坏情景，并将相应约束添加至主问题。
• 算法使用对偶间隙容差和最大迭代次数限制，以确保终止条件与收敛性。
• 实现中采用AMPL与商业求解器，计算性能通过求解时间与对偶间隙进行衡量。

实验结果

研究问题

• RQ1 当流行病进展存在不确定性时，如何优化紧急人员调配以最小化运营影响？
• RQ2 在大规模大流行规划问题中，鲁棒优化方法的计算效率如何？
• RQ3 利用对抗性情景生成的热启动程序在减少Benders分解迭代次数方面有多高效？
• RQ4 所提出的模型能否有效处理现实中的后勤约束，如有限的应急扩容能力和延迟调配？
• RQ5 在大流行人力短缺的最坏情况规划中，解的质量与计算时间之间存在何种权衡？

主要发现

• 引入热启动程序的增强算法显著减少了达到收敛所需的迭代次数，在测试案例中对偶间隙低于0.005%。
• 鲁棒优化问题的总计算时间未超过35秒，证明了其高度的计算效率。
• 该方法成功识别出最坏情景（p1=0.01172，p2=0.0135，day ch=140），该情景在给定调配策略下使运营影响最大化。
• 算法收敛迅速，热启动增强后仅在前八轮迭代后多需一轮迭代即收敛。
• 最优解的下界与上界收敛非常接近，表明解的精度很高。
• 该方法在多种情景下均表现出良好的数值准确性与高效性，验证了其在真实世界大流行规划中的实际适用性。