🧬 biology

Optimal Control of SEIVZ Epidemic Model with Holling IV Incidence and Information Intervention

本文针对一个包含 Holling-IV 型发病率和信息干预的 SEIVZ 流行病模型，提出了一种最优控制策略，证明了虽然当 $R_0 \le 1$ 时存在 $R_0 = 1$ 处的后向分岔且无病平衡点是稳定的，但信息控制与治疗控制的结合应用能有效缓解疾病传播并最小化相关成本。

原作者： Lijuan Zhang, Fuchang Wang, Zhaolong Yuan, Xuqin Zhuang

发布于 2026-07-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Lijuan Zhang, Fuchang Wang, Zhaolong Yuan, Xuqin Zhuang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一个繁忙的城市，一种新的、棘手的病毒正在蔓延。这篇论文就像是一个设计精巧的交通控制系统，旨在管理这种病毒，但它带有一个转折：它考虑了人们的恐惧和知识如何改变病毒的传播方式，并计算出阻止疫情爆发最具成本效益的方法。

以下是使用简单类比对该论文思想的拆解：

1. 城市地图：SEIVZ 模型

作者构建了一个数字化的城市地图，将人口分为五个组，就像游戏中的不同区域：

S (易感者/Susceptible)： 尚未感染病毒的人。他们是“开放的大门”。
E (暴露者/Exposed)： 已经感染了病毒但处于“潜伏期”的人。他们携带病毒但尚未表现出症状，就像一个尚未引爆的定时炸弹。
I (感染者/Infected)： 正在生病并传播病毒的人。
V (疫苗接种者/Vaccinated)： 已经接种了疫苗的人。他们就像穿着盔甲的人。
Z (信息/Information)： 这是独特之处。它代表了关于疾病的“传闻”或“新闻”。它不是指某个人，而是衡量人们对病毒的了解程度和担忧程度的指标。

2. 交通规则：非线性传播

在旧模型中，病毒的传播就像水流过管道：生病的人越多，新的感染人数就呈直线增长。

论文的转折点： 作者说：“不，现实生活并非如此。”他们使用了被称为 Holling Type IV 发生率 的机制。
类比： 想象一个拥挤的派对。如果只有几个人在咳嗽，大家会忽略它。但如果房间里有一半的人都在咳嗽，人们就会感到害怕，开始戴上口罩并离开派对。由于人们开始自我保护，传播速度实际上会减慢。
该模型包含了一个“心理刹车”。随着患病人数（ $I$ ）升高，感染率会触及一个天花板，因为人们开始进行自我隔离。

3. 两把杠杆：信息与治疗

论文提出了问题：“政府该如何阻止这一切？”他们提出了拉动两把特定杠杆的方法：

杠杆 1 ( $u_1$ )：信息干预。 这就像是一场公共服务宣传活动。你推动这个杠杆越多，人们的“Z”（信息）密度就越高，从而变得更加谨慎。
杠杆 2 ( $u_2$ )：治疗。 这就像是派遣医疗团队去治愈病人。
代价： 这两把杠杆都需要成本。目标不仅仅是停止病毒，而是要以低成本停止它。论文试图寻找“金发姑娘策略”（即最合适的平衡点）：投入足够的资源来赢得胜利，但又不会让预算爆炸。

4. 神奇公式：最优控制

为了找到最佳策略，作者使用了名为庞特里亚金极大值原理 (Pontryagin's Maximum Principle) 的数学工具。

类比： 把这想象成病毒的 GPS。GPS 会计算出一条从“爆发”到“安全”的最佳路径，同时避开“交通拥堵”（高昂的成本）。
计算机模拟了成千上万种场景，以找出在何时调高信息量旋钮或调高治疗强度的精确时刻。
结果： 模拟显示，如果将智能信息宣传与针对性治疗相结合，我们可以比单纯采取单一手段或不做任何干预更有效地压平感染曲线。

5. 令人惊讶的发现：后向分叉 (Backward Bifurcation)

这是最专业但也最迷人的部分。

常规法则： 通常情况下，如果“基本再生数”（ $R_0$ ）小于 1，疾病会自动消亡。这就像一场因燃料耗尽而熄灭的火灾。
论文的发现： 由于人类反应的复杂性（非线性规则），即使 $R_0$ 小于 1，火灾也可能无法熄灭。
类比： 想象一场本该因为缺乏木材而熄灭的火灾。但如果“风向”（信息）调整得恰到好处，火灾可能会突然重新燃起并持续燃烧，尽管看起来燃料供应已经很低了。
为什么这很重要： 这意味着仅仅将数据降至“安全”水平是不够的。你必须保持警惕，因为一旦条件（如人们的恐惧程度）发生变化，疾病可能会隐藏并卷土重来。

6. 模拟测试：试驾

作者运行了一个计算机模拟（使用 Runge-Kutta 方法）来测试他们的理论。

场景 A（无控制）： 病毒传播、达到峰值，然后最终消退，但感染了大量人口。
场景 B（有控制）： 当他们应用最优的信息与治疗组合时，病毒的峰值显著降低，且患病人数下降得更快。
“抖动”现象： 他们发现，最佳控制策略并不是一条平滑的曲线。它就像一个驾驶员在不断地踩刹车和踩油门。信息和治疗的强度需要根据病毒在每一刻的具体表现进行频繁调整。

总结

这篇论文通过承认人类会对恐惧做出反应，构建了一个更聪明、更真实的疾病传播模型。它证明了通过仔细平衡公共信息与医疗治疗，我们可以更高效地阻止疫情爆发。然而，它也警告我们，由于人类行为的复杂性，即便数据看起来安全，疾病也可能不会消失，因此需要保持持续的警惕。

技术摘要：具有 Holling IV 型发病率与信息干预的 SEIVZ 流行病模型最优控制

问题陈述
本文旨在解决现有传染病模型的局限性，这些模型通常假设感染增长是线性的，且未能充分纳入信息干预和现实潜伏期的影响。具体而言，作者指出，由于心理因素（自我保护），感染人数在传播过程中并非线性增加；此外，由于发展中地区的医疗资源有限，导致治疗率呈现饱和状态。此外，虽然信息干预（如公众意识提升运动）已知会影响疾病动态，但很少有研究将这些非线性发病率、潜伏期以及信息驱动的行为变化整合进一个统一的最优控制框架中。本研究旨在通过模拟这些复杂情况，来确定旨在最小化感染扩散及相关成本的最优策略。

方法论
作者提出了一个确定性的 SEIVZ（易感者-暴露者-感染者-接种者-信息）分层模型。该模型包含以下特征：

非线性发病率： 感染率遵循 Holling IV 型功能反应，即 $\frac{\beta SI}{1+bI^2}$ ，其中项 $\frac{1}{1+bI^2}$ 代表当感染水平较高时，易感人群自我保护行为所导致的抑制率。
饱和治疗： 治疗采用饱和函数 $\frac{cI}{1+\alpha I}$ 进行建模，以反映医疗资源的有限性。
信息动态： 变量 $Z(t)$ 代表信息密度，其根据感染水平增长并自然衰减。信息干预会影响易感人群的行为。
最优控制构建： 引入了两个控制变量： $u_1(t)$ 代表信息干预强度， $u_2(t)$ 代表治疗措施强度。目标是最小化目标函数 $J(u_1, u_2)$ ，该函数在感染人数与信息传播及治疗成本之间进行权衡。
分析工具： 研究采用下一代矩阵法推导基本再生数（ $R_0$ ）。对无病平衡点和地方性流行平衡点进行稳定性分析。证明了最优控制解的存在性，并利用哈密顿函数（Hamiltonian function）和庞特里亚金极大值原理（Pontryagin's Maximum Principle）对最优控制策略进行表征。
数值模拟： 使用 Runge-Kutta 方法对系统进行数值求解，以模拟各种情景并验证理论发现。

主要贡献

模型开发： 本文引入了一种新型 SEIVZ 模型，整合了 Holling IV 型发病率、饱和治疗、潜伏期以及动态信息干预模块。
稳定性与分岔分析： 作者计算了基本再生数（ $R_0$ ），并证明了当 $R_0 \leq 1$ 时，无病平衡点具有全局渐近稳定性。他们还识别了在 $R_0 = 1$ 时发生后向分岔（backward bifurcation）的条件，表明在特定的参数条件下，即使 $R_1 < 1$ ，疾病仍可能持续存在。
最优控制策略： 研究利用庞特里亚金极大值原理推导了最优控制的必要条件，为最优信息干预强度和治疗强度提供了显式表征。
数值验证： 模拟表明，所提出的控制策略能有效减少感染人数，并且与线性模型相比，包含非线性发病率的模型会导致更复杂、更具波动性的控制剖面。

结果

平衡点稳定性： 当 $R_0 \leq 1$ 时，无病平衡点是局部且全局渐近稳定的。当 $R_0 > 1$ 时，地方性流行平衡点是全局渐近稳定的。
后向分岔： 分析显示，在涉及信息干预率、治疗饱和度和人口参数相互作用的特定条件下， $R_0 = 1$ 时存在后向分岔。这意味着如果感染率保持在某一阈值之上，即使将 $R_0$ 降低到 1 以下，也可能不足以根除疾病。
控制有效性： 数值模拟显示，与无控制或无信息干预的情景相比，最优控制（信息干预与治疗）组合显著降低了感染人数的峰值。
控制变量行为： 在非线性发病率下，最优控制变量（ $u_1, u_2$ ）表现出频繁的波动以及在 0 和 1 之间的交替模式，这与在线性发病率模型中观察到的更连续且稳定的控制形成对比。这表明现实世界的策略必须进行动态调整。
信息的影响： 信息干预显著增加了接种人群的比例，并减缓了易感人群的下降速度，尽管在高感染场景下，其对感染患者人数的直接影响不如直接治疗显著。

意义与声明
本文声称，所提出的 SEIVZ 模型通过考虑心理自我保护、资源限制和信息驱动的行为变化，为理解传染病动态提供了一个更现实的框架。作者断言，他们的研究结果强调了结合信息干预与最优治疗策略来缓解疾病传播的潜力。

研究也谦虚地承认了若干局限性：

模型简化了现实世界的因素，如病毒变异株和异质性的人口依从性。
参数值基于现有文献而非实时数据校准。
最优控制策略是理论性的，未考虑实际执行中的约束，如大规模物流成本。
模型目前尚未纳入年龄、职业或地理异质性，也未考虑信息传播的时间延迟。

作者总结道，虽然该模型为信息干预下的流行病动态提供了有益的见解，但未来的工作仍需引入复杂的人口结构、利用现实数据校准参数，并评估所提控制策略的实际可行性。