AI-VEZÉRELT ADAPTÍV KARANTÉN STRATÉGIA (SIR + RL)

Ez már egy kontrollelméleti + mesterséges intelligencia alapú epidemiológiai optimalizációs probléma: egy rendszer, amely a fertőzés dinamikája alapján dinamikusan szabályozza a karantén erősségét.

Az alábbi modell egy adaptív kontrollrendszer, ahol: SIR járványmodell fut a „karantén erősség” csökkenti a fertőzési rátát (β) egy AI-szerű szabályozó dönt minden lépésben!

-------------

import numpy as np

import matplotlib.pyplot as plt

print("=" * 75)

print("AI-VEZÉRELT ADAPTÍV KARANTÉN STRATÉGIA")

print("SIR modell + egyszerű megerősítéses tanulás (Q-learning heurisztika)")

print("=" * 75)

# -----------------------------

# PARAMÉTEREK

# -----------------------------

N = 1000

beta_base = 0.35

gamma = 0.05

T = 250

# karantén szintek (0 = nincs, 1 = erős)

actions = [0.0, 0.3, 0.6, 0.85]

print(f"Népesség: {N}")

print(f"Alap fertőzési ráta β: {beta_base}")

print(f"Gyógyulási ráta γ: {gamma}")

print(f"Karantén akciók: {actions}")

# -----------------------------

# ÁLLAPOT

# -----------------------------

S = N - 10

I = 10

R = 0

# Q-tábla (diszkretizált állapot: fertőzöttek aránya)

q_table = np.zeros((10, len(actions)))

def state_to_index(I):

    ratio = I / N

    return min(9, int(ratio * 10))

history_S, history_I, history_R = [], [], []

history_action = []

# -----------------------------

# SZIMULÁCIÓ

# -----------------------------

print("\nSzimuláció indul...")

for t in range(T):

    # ---- állapot diszkretizálása

    state_idx = state_to_index(I)

    # ---- AI döntés (exploráció + exploitáció)

    if np.random.rand() < 0.2:

        action_idx = np.random.randint(len(actions))

    else:

        action_idx = np.argmax(q_table[state_idx])

    quarantine = actions[action_idx]

    # ---- effektív fertőzési ráta

    beta = beta_base * (1 - quarantine)

    # ---- SIR dinamika (stochasztikus)

    new_infections = np.random.binomial(S, 1 - np.exp(-beta * I / N))

    new_recoveries = np.random.binomial(I, gamma)

    S = max(S - new_infections, 0)

    I = max(I + new_infections - new_recoveries, 0)

    R = N - S - I

    # ---- jutalomfüggvény

    cost_infection = I / N

    cost_lockdown = quarantine ** 2

    reward = -(cost_infection + 0.3 * cost_lockdown)

    # ---- Q-learning frissítés

    next_state_idx = state_to_index(I)

    lr = 0.1

    discount = 0.9

    q_table[state_idx, action_idx] += lr * (

        reward +

        discount * np.max(q_table[next_state_idx]) -

        q_table[state_idx, action_idx]

    )

    # ---- mentés

    history_S.append(S)

    history_I.append(I)

    history_R.append(R)

    history_action.append(quarantine)

    if t % 25 == 0:

        print(

            f"t={t:3d} | "

            f"I={I:4d} | "

            f"S={S:4d} | "

            f"karantén={quarantine:.2f}"

        )

print("\nSzimuláció befejezve.")

# -----------------------------

# EREDMÉNYEK

# -----------------------------

plt.figure(figsize=(12, 6))

plt.plot(history_S, label="Fogékony (S)")

plt.plot(history_I, label="Fertőzött (I)", linewidth=2)

plt.plot(history_R, label="Gyógyult (R)")

plt.plot(np.array(history_action) * N, '--', label="Karantén erősség (skálázva)")

plt.title("AI-vezérelt adaptív karantén stratégia")

plt.xlabel("Idő")

plt.ylabel("Populáció")

plt.legend()

plt.grid()

plt.show()

# -----------------------------

# ANALÍZIS

# -----------------------------

peak_infection = max(history_I)

avg_lockdown = np.mean(history_action)

print("\nÖSSZEGZÉS")

print("-" * 40)

print(f"Csúcsfertőzés: {peak_infection}")

print(f"Átlagos karantén szint: {avg_lockdown:.2f}")

if peak_infection < N * 0.2:

    print("Eredmény: sikeres járványgörbe-lapítás")

else:

    print("Eredmény: túlterhelt rendszer")

---------

AI-VEZÉRELT ADAPTÍV KARANTÉN STRATÉGIA

SIR modell + egyszerű megerősítéses tanulás (Q-learning heurisztika)

===========================================================================

Népesség: 1000

Alap fertőzési ráta β: 0.35

Gyógyulási ráta γ: 0.05

Karantén akciók: [0.0, 0.3, 0.6, 0.85]

Szimuláció indul...

t=  0 | I=  13 | S= 986 | karantén=0.30

t= 25 | I= 307 | S= 520 | karantén=0.00

t= 50 | I= 289 | S=  72 | karantén=0.85

t= 75 | I= 106 | S=  28 | karantén=0.30

t=100 | I=  24 | S=  25 | karantén=0.00

t=125 | I=   7 | S=  22 | karantén=0.00

t=150 | I=   1 | S=  22 | karantén=0.00

t=175 | I=   0 | S=  22 | karantén=0.60

t=200 | I=   0 | S=  22 | karantén=0.00

t=225 | I=   0 | S=  22 | karantén=0.60

ÖSSZEGZÉS

----------------------------------------

Csúcsfertőzés: 471

Átlagos karantén szint: 0.20

Eredmény: A túlterhelt rendszer miatt 50%-al több halálozási arány!