A Future Search Optimization based Hybrid Meta-Heuristic Algorithm for Pandemic Spread and Mortality Prediction

在复杂的公共卫生领域，预测未来往往关乎生死。当病毒传播时，政府不仅需要知道今天有多少人患病，还需要知道明天可能会有多少人病倒。这就是时间序列建模的领域——一种通过观察过去模式来预测未来的方法。几十年来，科学家们一直使用统计工具在数据点之间绘制线条，希望能看到未来的形态。然而，疾病的传播很少是一条直线；它是一种受人类行为、政策变化和生物因素影响的混沌且不断变化的现象。为了应对这种复杂性，研究人员转向了人工智能，特别是被称为神经网络的一种计算机程序。可以将神经网络想象成一个通过实例学习的数字大脑，通过调整其内部连接，直到它能够识别出传统数学可能会忽略的模式。然而，即使是这些数字大脑，如果引导不当，也可能会陷入困境或犯错。这就是被称为元启发式算法的新型问题解决工具进入视野的地方。这些是受自然启发的计算策略——例如鸟群如何成群飞行或鲸鱼如何捕猎——它们帮助计算机在海量的可能性中进行搜索，以找到最佳解决方案，从而避开死胡同和局部陷阱。

在迫切需求与技术创新的背景下，德黑兰哈卡姆大学的一位研究人员致力于改进我们预测新冠肺炎（COVID-19）大流行死亡人数的方法。该研究以经历了显著感染浪潮的荷兰为研究对象，分析了从2020年2月疫情爆发开始到2021年4月期间的每日死亡记录。其目标不仅仅是统计死亡人数，而是构建一台更精确的预测机器。研究人员首先向计算机输入了大量源自每日死亡人数的数据点。团队并没有仅仅使用原始的死亡计数，而是将这些数据转化为十六种不同的数学指标，类似于金融分析师通过观察移动平均线或动量来预测股价的方式。这些指标帮助计算机观察趋势、变化速度以及大流行曲线的波动性。为了确保计算机不会被不必要的信息所淹没，研究人员采用了遗传算法——一种模拟生物进化过程的方法——来筛选数据，并仅为最终模型选择最相关的指标。

在准备好数据后，研究通过测试几种不同的训练预测模型的方法。基准是一个标准的人工神经网络，这本身就是一个强大的工具。然而，研究人员随后引入了四种不同的元启发式算法，以观察它们是否能引导神经网络得出更好的答案。这些算法包括：模拟飞蛾如何循光飞行的蛾火优化算法（Moth-Flame Optimization）；模拟座头鲸气泡网捕猎策略的鲸鱼优化算法（Whale Optimization Algorithm）；借鉴将重石推上斜坡物理过程的吉萨金字塔建造算法（Giza Pyramids Construction algorithm）；以及一种名为未来搜索优化（Future Search Optimization）的新方法。最后一种算法在方法论上是独特的，它模拟社会中的人们如何通过效仿最成功的人士来改善生活，不断调整路径以趋向全球理想状态。计算机被要求运行这些不同的策略数千次，每次都试图最小化其预测值与实际历史数据之间的误差。

这一广泛数字实验的结果是清晰且具有决定性的。虽然标准神经网络提供了尚可的预测，但表现却逊于那些使用自然启发式引导的算法。在测试的各种方法中，未来搜索优化算法脱颖而出，成为了最精确的工具。它实现的准确度比包括鲸鱼和飞蛾启发策略在内的其他方法高出了数个数量级。研究发现，该算法能够以其他模型无法比拟的精度，在疫情的混沌数据中进行导航，有效地在每日波动的噪音中找到了最优路径。研究表明，通过将神经网络的模式识别能力与这些先进算法的战略搜索能力相结合，可以创造出一种既快速又准确的模型。研究结论指出，对于未来的大流行病，依赖这些混合方法可以为政府提供可靠的预见力，从而做出及时的决策，通过实现更早、更有效的干预措施来挽救生命。这项工作表明，理解疾病传播未来的关键不仅在于回顾过去，更在于使用正确的计算工具来解读过去。