طراحی و پیاده‌سازی یک کنترلگر مدل پیش‌بین برای مهار انتشارکووید-19 در ایران

در این مقاله به منظور مهار انتشار بیماری کووید19 مبتنی بر اعمال سطوح مختلف محدودیت های اجتماعی، یک مدل پیشنهاد شده است. همچنین، یک الگوریتم ژنتیک پارامترهای مدل را با استفاده از داده های واقعی گزارش شده از سوی وزارت بهداشت ایران و داده های شبیه سازی شده بر مبنای مدل پیشنهادی، شناسایی می کند. از آنجایی که کنترل مدل پیش بین یک روش محبوب است که به طور گسترده ای در کنترل فرآیندها مورد استفاده قرار گرفته است، پس از گسسته سازی مدل با یک روش مرسوم مانند اویلر، می توانیم محدودیت های مناسب را در نظر بگیریم و مسئله بهینه سازی آنلاین را حل نماییم. ما در این مقاله نشان داده ایم که کنترلگر مدل پیش بین قادر است نمودار مبتلایان به کووید 19 را با اعمال سطوح مختلف محدودیت های اجتماعی، پهن کند و اوج آن را کاهش دهد. مثال عددی و نتایج شبیه سازی، مبتنی بر داده های واقعی به منظور نشان دادن قابلیت این روش آورده شده است.

Design and implementation of a model predictive controller for the COVID-19 spread restraint in Iran

In this paper, a model is proposed based on the different levels of social restrictions for the COVID19 spread restraint in Iran. Also, a Genetic Algorithm (GA) identifies parameters of model using reported main data from the Iranian Ministry of Health and simulated data based on proposed model. Whereas Model Predictive Control (MPC) is a popular method which has been widely used in process control, after the discretization of model by a common method like Euler method, then we can consider the appropriate constraints and solve online optimization problem. In this paper, we have shown that the MPC controller able to flatten infected (symptomatic) individual curve and decrease its peak by applying the different levels of social restrictions. Numerical example and simulation results, based on main data, are given to illustrate the capability of this method.