Post on 12-Jul-2022
Ist Mathematik ansteckend ?
Mathematik und Epidemiologie
Thomas Gotzgoetz@uni-koblenz.de
Kolloquium Mathematik und ihre Didaktik
29.10.2013 Campus Landau
Kollegen
Karunia PutraDoktorand UKO-LDM.Sc. ITB Bandung
Edy SoewonoMathematics Dept.ITB Indonesia
Dipo AldilaM.Sc. ITB Bandung
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 2 / 23
Ubersicht
1 Epidemiologie
2 Mathematische Modelle
3 Analyse der Modelle
4 Beispiel: Dengue–Fieber
5 Optimierung
6 Zusammenfassung
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 3 / 23
Epidemiologie
Wintersemester=Grippezeit
[Quelle: Robert–Koch–Institut,Arbeitsgemeinschaft Influenza]
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 4 / 23
Epidemiologie
Dengue–Fiber
Virus–Erkrankung in tropischen Gebieten
2010 erste Falle in Sudfrankreich
2012 > 1.000 Krankheitsfalle auf Madeira
ca. 100 Mio (WHO) bzw. 400 Mio (HD, Oxford) Falle / Jahr
ca. 500.000 Krankenhaus–Aufenthalte
ca. 25.000 Tote (davon ca. 90% Kinder)
keine ursachliche Therapie bekannt
Ubertragung durch Gelbfiebermucke (stegomyia aegypti) oderTigermucke (stegomyia albopicta)
weibliche Mucke ubertragt Viren von Mensch zu Mensch
Bekampfung der Larven oder erwachsenen Mucken moglich
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 5 / 23
Epidemiologie
Dengue–Fiber
Virus–Erkrankung in tropischen Gebieten
2010 erste Falle in Sudfrankreich
2012 > 1.000 Krankheitsfalle auf Madeira
ca. 100 Mio (WHO) bzw. 400 Mio (HD, Oxford) Falle / Jahr
ca. 500.000 Krankenhaus–Aufenthalte
ca. 25.000 Tote (davon ca. 90% Kinder)
keine ursachliche Therapie bekannt
Ubertragung durch Gelbfiebermucke (stegomyia aegypti) oderTigermucke (stegomyia albopicta)
weibliche Mucke ubertragt Viren von Mensch zu Mensch
Bekampfung der Larven oder erwachsenen Mucken moglich
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 5 / 23
Epidemiologie
Dengue–Fiber
Virus–Erkrankung in tropischen Gebieten
2010 erste Falle in Sudfrankreich
2012 > 1.000 Krankheitsfalle auf Madeira
ca. 100 Mio (WHO) bzw. 400 Mio (HD, Oxford) Falle / Jahr
ca. 500.000 Krankenhaus–Aufenthalte
ca. 25.000 Tote (davon ca. 90% Kinder)
keine ursachliche Therapie bekannt
Ubertragung durch Gelbfiebermucke (stegomyia aegypti) oderTigermucke (stegomyia albopicta)
weibliche Mucke ubertragt Viren von Mensch zu Mensch
Bekampfung der Larven oder erwachsenen Mucken moglich
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 5 / 23
Epidemiologie
Fragestellungen / Probleme
1 Modell zur Vorhersage der Krankheitsausbreitung
2 Kennzahlen, ob Krankheit epidemisch ist
3 Vorhersage der Wirkung von Abwehrmaßnahmen
4 Optimierung der Abwehrmaßnahmen
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 6 / 23
Mathematische Modelle
Was ist ein Modell?
Wir machen uns innere Scheinbilder oder Symbole deraußeren Gegenstande, [. . . so] daß die denknotwendigenFolgen der Bilder stets wieder die Bilder seien von dennaturnotwendigen Folgen der abgebildeten Gegenstande.
[. . . ] Von zwei Bildern desselben Gegenstandes wirddasjenige das zweckmaßigere sein, welches mehr wesentlicheBeziehungen des Gegenstandes widerspiegelt als das andere[. . . ] welches neben den wesentlichen Zugen die geringereZahl uberflussiger oder leerer Beziehungen enthalt.
[Hertz 1894]
[. . . ]daß in jeder besonderen Naturlehre nur so vieleigentliche Wissenschaft angetroffen werden konne, alsdarin Mathematik anzutreffen ist.
[Kant 1786]
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 7 / 23
Mathematische Modelle
Was ist ein Modell?
Wir machen uns innere Scheinbilder oder Symbole deraußeren Gegenstande, [. . . so] daß die denknotwendigenFolgen der Bilder stets wieder die Bilder seien von dennaturnotwendigen Folgen der abgebildeten Gegenstande.
[. . . ] Von zwei Bildern desselben Gegenstandes wirddasjenige das zweckmaßigere sein, welches mehr wesentlicheBeziehungen des Gegenstandes widerspiegelt als das andere[. . . ] welches neben den wesentlichen Zugen die geringereZahl uberflussiger oder leerer Beziehungen enthalt.
[Hertz 1894]
[. . . ]daß in jeder besonderen Naturlehre nur so vieleigentliche Wissenschaft angetroffen werden konne, alsdarin Mathematik anzutreffen ist.
[Kant 1786]
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 7 / 23
Mathematische Modelle
Was ist ein Modell?
Wir machen uns innere Scheinbilder oder Symbole deraußeren Gegenstande, [. . . so] daß die denknotwendigenFolgen der Bilder stets wieder die Bilder seien von dennaturnotwendigen Folgen der abgebildeten Gegenstande.
[. . . ] Von zwei Bildern desselben Gegenstandes wirddasjenige das zweckmaßigere sein, welches mehr wesentlicheBeziehungen des Gegenstandes widerspiegelt als das andere[. . . ] welches neben den wesentlichen Zugen die geringereZahl uberflussiger oder leerer Beziehungen enthalt.
[Hertz 1894]
[. . . ]daß in jeder besonderen Naturlehre nur so vieleigentliche Wissenschaft angetroffen werden konne, alsdarin Mathematik anzutreffen ist.
[Kant 1786]
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 7 / 23
Mathematische Modelle
Modellierungszyklus
ObjectExperiment Model
Equations
Prediction
Modelling
Observation
Reduced Model
Real World Mathematics
Asymptotics
Paper & Pen
Math. Result
Optimize
Measuring
Validation
Prediction
Validation
Numerics
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 8 / 23
Mathematische Modelle
Allgemeines Populationsmodell
n Populationen X (t) ∈ Rn zum Zeitpunkt t > t0Anderung im Zeitintervall δt durch Zuwachs bzw. Weggang
X (t + δt) = X (t) + δt · (Zuwachs – Weggang)
Limit δt → 0, X ∈ C 1([t0,∞);Rn) Diffgleichung
d
dtX (t) = Zuwachs – Weggang , X (t0) = X0
Annahme: lineares Modell mit konstanten Raten α, µ > 0, d.h
Zuwachs = α × aktuelle Population X (t) λ := α− µLineare Differentialgleichung
d
dtX (t) = λX (t) X (t0) = X0 X (t) = X0e
λ(t−t0)
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 9 / 23
Mathematische Modelle
Allgemeines Populationsmodell
n Populationen X (t) ∈ Rn zum Zeitpunkt t > t0Anderung im Zeitintervall δt durch Zuwachs bzw. Weggang
X (t + δt) = X (t) + δt · (Zuwachs – Weggang)
Limit δt → 0, X ∈ C 1([t0,∞);Rn) Diffgleichung
d
dtX (t) = Zuwachs – Weggang , X (t0) = X0
Annahme: lineares Modell mit konstanten Raten α, µ > 0, d.h
Zuwachs = α × aktuelle Population X (t) λ := α− µLineare Differentialgleichung
d
dtX (t) = λX (t) X (t0) = X0 X (t) = X0e
λ(t−t0)
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 9 / 23
Mathematische Modelle
Allgemeines Populationsmodell
n Populationen X (t) ∈ Rn zum Zeitpunkt t > t0Anderung im Zeitintervall δt durch Zuwachs bzw. Weggang
X (t + δt) = X (t) + δt · (Zuwachs – Weggang)
Limit δt → 0, X ∈ C 1([t0,∞);Rn) Diffgleichung
d
dtX (t) = Zuwachs – Weggang , X (t0) = X0
Annahme: lineares Modell mit konstanten Raten α, µ > 0, d.h
Zuwachs = α × aktuelle Population X (t) λ := α− µLineare Differentialgleichung
d
dtX (t) = λX (t) X (t0) = X0 X (t) = X0e
λ(t−t0)
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 9 / 23
Mathematische Modelle
SIR–Modell, z.B. Grippe
Gesamtpopulation X besteht aus
Susceptible S
Infected I
Recovered R
Berucksichtigte Mechanismen
Ansteckung
Genesung
Immunitatsverlust
Geburt, Tod
SIR–Modell X = (S , I ,R) ∈ R3, X = f (X , t)
d
dtS = αS − βSI − µ1S + δR
d
dtI = βSI − µ2I − γI N = S + I + R
d
dtR = γI − µ3R − δR
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 10 / 23
Mathematische Modelle
SIR–Modell, z.B. Grippe
Gesamtpopulation X besteht aus
Susceptible S
Infected I
Recovered R
Berucksichtigte Mechanismen
Ansteckung
Genesung
Immunitatsverlust
Geburt, Tod
SIR–Modell X = (S , I ,R) ∈ R3, X = f (X , t)
d
dtS = αS − βSI − µ1S + δR
d
dtI = βSI − µ2I − γI N = S + I + R
d
dtR = γI − µ3R − δR
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 10 / 23
Mathematische Modelle
SIR–Modell, z.B. Grippe
Gesamtpopulation X besteht aus
Susceptible S
Infected I
Recovered R
Berucksichtigte Mechanismen
Ansteckung
Genesung
Immunitatsverlust
Geburt, Tod
SIR–Modell X = (S , I ,R) ∈ R3, X = f (X , t)
d
dtS = αS − βSI − µ1S + δR
d
dtI = βSI − µ2I − γI N = S + I + R
d
dtR = γI − µ3R − δR
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 10 / 23
Mathematische Modelle
SIR mit Impfung
zeitabhangige Impfrate u(t) ∈ L∞ der Susceptiblen
Kontrollgroße U extern beeinflußbar
Steuerung / Optimierung des Systems moglich
SIR–Modell X ∈ R3, U = u ∈ R, X = f (X ,U , t)
d
dtS = αS − βSI − µ1S + δR − u(t)S
d
dtI = βSI − µ2I − γI
d
dtR = γI − µ3R − δR + u(t)S
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 11 / 23
Mathematische Modelle
SIR mit Impfung
zeitabhangige Impfrate u(t) ∈ L∞ der Susceptiblen
Kontrollgroße U extern beeinflußbar
Steuerung / Optimierung des Systems moglich
SIR–Modell X ∈ R3, U = u ∈ R, X = f (X ,U , t)
d
dtS = αS − βSI − µ1S + δR − u(t)S
d
dtI = βSI − µ2I − γI
d
dtR = γI − µ3R − δR + u(t)S
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 11 / 23
Mathematische Modelle
Host–Vector–Modell, z.B. Dengue
Bilanz fur Host (Wirt=Mensch) und Vector (Ubertrager=Mucke)
Muckenpopulation M besteht aus
Virusfrei N
Virustrager V
ggf. Eier, Larven
Mechanismen
Geburt, Tod,
Virustransfer
ggf. Phasenubergange
Host–Vector–Model X = (S , I ,R ,N ,V ) ∈ R5
d
dtS = α1S − β1SV − µ1S + δR
d
dtN = α2N − β2IN − µ4N
d
dtI = β1SV − µ2I − γI
d
dtV = β2IN − µ4V
d
dtR = γI − µ3R − δR
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 12 / 23
Mathematische Modelle
Host–Vector–Modell, z.B. Dengue
Bilanz fur Host (Wirt=Mensch) und Vector (Ubertrager=Mucke)
Muckenpopulation M besteht aus
Virusfrei N
Virustrager V
ggf. Eier, Larven
Mechanismen
Geburt, Tod,
Virustransfer
ggf. Phasenubergange
Host–Vector–Model X = (S , I ,R ,N ,V ) ∈ R5
d
dtS = α1S − β1SV − µ1S + δR
d
dtN = α2N − β2IN − µ4N
d
dtI = β1SV − µ2I − γI
d
dtV = β2IN − µ4V
d
dtR = γI − µ3R − δR
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 12 / 23
Mathematische Modelle
Host–Vector–Modell, z.B. Dengue
Bilanz fur Host (Wirt=Mensch) und Vector (Ubertrager=Mucke)
Muckenpopulation M besteht aus
Virusfrei N
Virustrager V
ggf. Eier, Larven
Mechanismen
Geburt, Tod,
Virustransfer
ggf. Phasenubergange
Host–Vector–Model X = (S , I ,R ,N ,V ) ∈ R5
d
dtS = α1S − β1SV − µ1S + δR
d
dtN = α2N − β2IN − µ4N
d
dtI = β1SV − µ2I − γI
d
dtV = β2IN − µ4V
d
dtR = γI − µ3R − δR
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 12 / 23
Mathematische Modelle
Host–Vector–Modell, z.B. Dengue
Bilanz fur Host (Wirt=Mensch) und Vector (Ubertrager=Mucke)
Muckenpopulation M besteht aus
Virusfrei N
Virustrager V
ggf. Eier, Larven
Mechanismen
Geburt, Tod,
Virustransfer
ggf. Phasenubergange
Host–Vector–Model X = (S , I ,R ,N ,V ) ∈ R5
d
dtS = α1S − β1SV − µ1S + δR
d
dtN = α2N − β2IN − µ4N
d
dtI = β1SV − µ2I − γI
d
dtV = β2IN − µ4V
d
dtR = γI − µ3R − δR
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 12 / 23
Analyse der Modelle
Fixpunkte ddtX = 0; Stabilitat
autonomes dynamisches System ddtX = f (X ,U), X (0) = X0
Fixpunkt X ∗ = stationarer Zustand, f (X ∗,U) = 0.
Fixpunkt X ∗ stabil, falls∀δ < δ0 ∃η > 0 : |X (t)− X ∗| < η ∀t > 0, |X0 − X ∗| < δ
Fixpunkt X ∗ asymptotisch stabil, falls∀δ < δ0 : lim
t→∞|X (t)− X ∗| = 0 ∀ |X0 − X ∗| < δ
Satz: Fixpunkt X ∗ von ddtX = f (X ) ist
asympt. stabil, falls fur alle EWe λ von Df (X ∗) gilt: Reλ < 0
instabil, falls ein EW λ von Df (X ∗) mit Reλ > 0 existiert
Stabilitat des disease–free–equilibrium wichtig
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 13 / 23
Analyse der Modelle
Fixpunkte ddtX = 0; Stabilitat
autonomes dynamisches System ddtX = f (X ,U), X (0) = X0
Fixpunkt X ∗ = stationarer Zustand, f (X ∗,U) = 0.
Fixpunkt X ∗ stabil, falls∀δ < δ0 ∃η > 0 : |X (t)− X ∗| < η ∀t > 0, |X0 − X ∗| < δ
Fixpunkt X ∗ asymptotisch stabil, falls∀δ < δ0 : lim
t→∞|X (t)− X ∗| = 0 ∀ |X0 − X ∗| < δ
Satz: Fixpunkt X ∗ von ddtX = f (X ) ist
asympt. stabil, falls fur alle EWe λ von Df (X ∗) gilt: Reλ < 0
instabil, falls ein EW λ von Df (X ∗) mit Reλ > 0 existiert
Stabilitat des disease–free–equilibrium wichtig
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 13 / 23
Analyse der Modelle
Fixpunkte ddtX = 0; Stabilitat
autonomes dynamisches System ddtX = f (X ,U), X (0) = X0
Fixpunkt X ∗ = stationarer Zustand, f (X ∗,U) = 0.
Fixpunkt X ∗ stabil, falls∀δ < δ0 ∃η > 0 : |X (t)− X ∗| < η ∀t > 0, |X0 − X ∗| < δ
Fixpunkt X ∗ asymptotisch stabil, falls∀δ < δ0 : lim
t→∞|X (t)− X ∗| = 0 ∀ |X0 − X ∗| < δ
Satz: Fixpunkt X ∗ von ddtX = f (X ) ist
asympt. stabil, falls fur alle EWe λ von Df (X ∗) gilt: Reλ < 0
instabil, falls ein EW λ von Df (X ∗) mit Reλ > 0 existiert
Stabilitat des disease–free–equilibrium wichtig
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 13 / 23
Analyse der Modelle
Fixpunkte ddtX = 0; Stabilitat
autonomes dynamisches System ddtX = f (X ,U), X (0) = X0
Fixpunkt X ∗ = stationarer Zustand, f (X ∗,U) = 0.
Fixpunkt X ∗ stabil, falls∀δ < δ0 ∃η > 0 : |X (t)− X ∗| < η ∀t > 0, |X0 − X ∗| < δ
Fixpunkt X ∗ asymptotisch stabil, falls∀δ < δ0 : lim
t→∞|X (t)− X ∗| = 0 ∀ |X0 − X ∗| < δ
Satz: Fixpunkt X ∗ von ddtX = f (X ) ist
asympt. stabil, falls fur alle EWe λ von Df (X ∗) gilt: Reλ < 0
instabil, falls ein EW λ von Df (X ∗) mit Reλ > 0 existiert
Stabilitat des disease–free–equilibrium wichtig
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 13 / 23
Analyse der Modelle
Next–Generation–Matrix
X = (X1, . . .Xm, Xm+1, . . .Xn) = (infiziert, gesund)
X ∗0 = (X ∗1 , . . . ,X∗m, 0, . . . , 0) Disease–Free–Equilibrium
Xj = Φj −Ψj fur InfizierteΦj : Zunahme wegen NeuinfektionΨj : Ab– bzw. Zunahme aus anderen Grunden
Jacobimatrix DΦ =∂Φi
∂xj(X ∗0 ) ∈ Rm×m , Ψ analog
Next–Generation–Matrix, Basisreproduktionszahl
Next–Generation–Matrix G = DΦ · DΨ−1
Basisreproduktionszahl R0 = ρ(G ) = max {|λ| : λ EW von G}R0 < 1 Krankheit stirbt aus
R0 > 1 Krankheit verbreitet sich
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 14 / 23
Analyse der Modelle
Next–Generation–Matrix
X = (X1, . . .Xm, Xm+1, . . .Xn) = (infiziert, gesund)
X ∗0 = (X ∗1 , . . . ,X∗m, 0, . . . , 0) Disease–Free–Equilibrium
Xj = Φj −Ψj fur InfizierteΦj : Zunahme wegen NeuinfektionΨj : Ab– bzw. Zunahme aus anderen Grunden
Jacobimatrix DΦ =∂Φi
∂xj(X ∗0 ) ∈ Rm×m , Ψ analog
Next–Generation–Matrix, Basisreproduktionszahl
Next–Generation–Matrix G = DΦ · DΨ−1
Basisreproduktionszahl R0 = ρ(G ) = max {|λ| : λ EW von G}R0 < 1 Krankheit stirbt aus
R0 > 1 Krankheit verbreitet sich
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 14 / 23
Beispiel: Dengue–Fieber
Dengue–Modell
X ∈ R11
9 Gruppe fur Menschen
alt, jungbehandelt, nicht behandeltgesund, krankgenesen
2 Gruppen fur Moskitos
virusfrei, virustrager
Kontrollvariablen U ∈ R4
Behandlungsraten θ(t)Drop–out Raten δ(t)
DGl–Modell
d
dtX = f (X ,U , t) , X (0) = X0
ProblemFinde U : [0,T ]→ R4 so, daßAnzahl der Infizierten, d.h.
J(U) =
∫ T
0
8∑i=5
ωiXi(t)2
minimiert wird.
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 15 / 23
Beispiel: Dengue–Fieber
Dengue–Modell
X ∈ R11
9 Gruppe fur Menschen
alt, jungbehandelt, nicht behandeltgesund, krankgenesen
2 Gruppen fur Moskitos
virusfrei, virustrager
Kontrollvariablen U ∈ R4
Behandlungsraten θ(t)Drop–out Raten δ(t)
DGl–Modell
d
dtX = f (X ,U , t) , X (0) = X0
ProblemFinde U : [0,T ]→ R4 so, daßAnzahl der Infizierten, d.h.
J(U) =
∫ T
0
8∑i=5
ωiXi(t)2
minimiert wird.
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 15 / 23
Beispiel: Dengue–Fieber
Dengue–Modell
X ∈ R11
9 Gruppe fur Menschen
alt, jungbehandelt, nicht behandeltgesund, krankgenesen
2 Gruppen fur Moskitos
virusfrei, virustrager
Kontrollvariablen U ∈ R4
Behandlungsraten θ(t)Drop–out Raten δ(t)
DGl–Modell
d
dtX = f (X ,U , t) , X (0) = X0
ProblemFinde U : [0,T ]→ R4 so, daßAnzahl der Infizierten, d.h.
J(U) =
∫ T
0
8∑i=5
ωiXi(t)2
minimiert wird.
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 15 / 23
Beispiel: Dengue–Fieber
Dengue–Modell II
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 16 / 23
Beispiel: Dengue–Fieber
Dengue–Model III
dx1
dt= A − αx1 − θ1(t)x1 −
bβx x1v2
Nx− µx x1 + (δ0 + δ1(t)) x2
dx2
dt= θ1(t)x1 − αx2 − µx x2 − (δ0 + δ1(t)) x2
dx3
dt= αx1 − θ2(t)x3 −
bβx x3v2
Nx− µx x3 + (δ0 + δ2(t)) x4
dx4
dt= αx2 + θ2(t)x3 − µx x4 − (δ0 + δ2(t)) x4
dx5
dt=
bβx x1v2
Nx− αx5 − γx5 − µx x5 − θ1(t)x5 + (δ0 + δ1(t)) x6
dx6
dt= θ1(t)x5 − αx6 − γx6 − µx x6 − (δ0 + δ1(t)) x6
dx7
dt=
bβx x3v2
Nx+ αx5 − γx7 − µx x7 − θ2(t)x7 + (δ0 + δ2(t))) x8
dx8
dt= θ2(t)x7 + αx6 − γx8 − µx x8 − (δ0 + δ2(t)) x8
dx9
dt= γ (x5 + x6 + x7 + x8) − µx x9
dv1
dt= B −
bβv (x5 + x7) v1
Nx− µv v1
dv2
dt=
bβv (x5 + x7) v1
Nx− µv v2
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 17 / 23
Optimierung
Optimierung
Problem
Zustands–System ddtX = f (X ,U , t), X (0) = X0 ∈ Rn. Finde
Kontrolle U : [0,T ]→ Rm so, daß Kostenfunktional
J(U) =1
2
∫ T
0
∑i
ωiXi(t)2 +∑j
Uj(t)2 dt −→ min .
Optimierung unter (Differentialgleichungs–) Nebenbedingung
Lagrange–Funktional L(X ,U , ξ) = J(X ,U) + 〈ξ , X − f 〉
mit 〈ξ , X − f 〉 =
∫ξ (X − f )
= X (T ) ξ(T )− X0 ξ(0)−∫
X ξ + f ξ
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 18 / 23
Optimierung
Optimierung
Problem
Zustands–System ddtX = f (X ,U , t), X (0) = X0 ∈ Rn. Finde
Kontrolle U : [0,T ]→ Rm so, daß Kostenfunktional
J(U) =1
2
∫ T
0
∑i
ωiXi(t)2 +∑j
Uj(t)2 dt −→ min .
Optimierung unter (Differentialgleichungs–) Nebenbedingung
Lagrange–Funktional L(X ,U , ξ) = J(X ,U) + 〈ξ , X − f 〉
mit 〈ξ , X − f 〉 =
∫ξ (X − f )
= X (T ) ξ(T )− X0 ξ(0)−∫
X ξ + f ξ
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 18 / 23
Optimierung
Optimalitatsbedingungen, KKT–System
KKT–System ∇L(X ,U , ξ)!
= 0
∂ξL = 0 Zustandssystem X = f (X ,U , t) , X (0) = X0
∂XL = 0 Adjungiertes System ξ = −ξ ∂X f + ∂XJ , ξ(T ) = 0
∂UL = 0 Gradientengleichung 0 = ∂UJ − ξ ∂U f
Gekoppeltes, nichtlineares System
Zustandssystem vorwarts in der Zeit
Adjungiertes System ruckwarts in der Zeit
Gradientengleichung = algebraisch
Iterativer Losungsansatz
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 19 / 23
Optimierung
Optimalitatsbedingungen, KKT–System
KKT–System ∇L(X ,U , ξ)!
= 0
∂ξL = 0 Zustandssystem X = f (X ,U , t) , X (0) = X0
∂XL = 0 Adjungiertes System ξ = −ξ ∂X f + ∂XJ , ξ(T ) = 0
∂UL = 0 Gradientengleichung 0 = ∂UJ − ξ ∂U f
Gekoppeltes, nichtlineares System
Zustandssystem vorwarts in der Zeit
Adjungiertes System ruckwarts in der Zeit
Gradientengleichung = algebraisch
Iterativer Losungsansatz
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 19 / 23
Optimierung
Optimalitatsbedingungen, KKT–System
KKT–System ∇L(X ,U , ξ)!
= 0
∂ξL = 0 Zustandssystem X = f (X ,U , t) , X (0) = X0
∂XL = 0 Adjungiertes System ξ = −ξ ∂X f + ∂XJ , ξ(T ) = 0
∂UL = 0 Gradientengleichung 0 = ∂UJ − ξ ∂U f
Gekoppeltes, nichtlineares System
Zustandssystem vorwarts in der Zeit
Adjungiertes System ruckwarts in der Zeit
Gradientengleichung = algebraisch
Iterativer Losungsansatz
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 19 / 23
Optimierung
Optimalitatsbedingungen, KKT–System
KKT–System ∇L(X ,U , ξ)!
= 0
∂ξL = 0 Zustandssystem X = f (X ,U , t) , X (0) = X0
∂XL = 0 Adjungiertes System ξ = −ξ ∂X f + ∂XJ , ξ(T ) = 0
∂UL = 0 Gradientengleichung 0 = ∂UJ − ξ ∂U f
Gekoppeltes, nichtlineares System
Zustandssystem vorwarts in der Zeit
Adjungiertes System ruckwarts in der Zeit
Gradientengleichung = algebraisch
Iterativer Losungsansatz
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 19 / 23
Optimierung
Optimalitatsbedingungen, KKT–System
KKT–System ∇L(X ,U , ξ)!
= 0
∂ξL = 0 Zustandssystem X = f (X ,U , t) , X (0) = X0
∂XL = 0 Adjungiertes System ξ = −ξ ∂X f + ∂XJ , ξ(T ) = 0
∂UL = 0 Gradientengleichung 0 = ∂UJ − ξ ∂U f
Gekoppeltes, nichtlineares System
Zustandssystem vorwarts in der Zeit
Adjungiertes System ruckwarts in der Zeit
Gradientengleichung = algebraisch
Iterativer Losungsansatz
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 19 / 23
Optimierung
Losungsverfahren mit Steepest Descent
1 Gegeben: Initial guess U (0) fur Kontrolle
2 Lose Zustandsgleichung fur X
3 Berechne Kostenfunktional J
4 Lose adjungiertes System fur ξ
5 Berechne Gradient ∂UJ
6 Lose 1d Minimierung naherungsweise
7 Update fur Kontrolle U
8 Falls nicht fertig, gehe zu (2)
U
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 20 / 23
Optimierung
Losungsverfahren mit Steepest Descent
1 Gegeben: Initial guess U (0) fur Kontrolle
2 Lose Zustandsgleichung fur X
3 Berechne Kostenfunktional J
4 Lose adjungiertes System fur ξ
5 Berechne Gradient ∂UJ
6 Lose 1d Minimierung naherungsweise
7 Update fur Kontrolle U
8 Falls nicht fertig, gehe zu (2)
U
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 20 / 23
Optimierung
Losungsverfahren mit Steepest Descent
1 Gegeben: Initial guess U (0) fur Kontrolle
2 Lose Zustandsgleichung fur X
3 Berechne Kostenfunktional J
4 Lose adjungiertes System fur ξ
5 Berechne Gradient ∂UJ
6 Lose 1d Minimierung naherungsweise
7 Update fur Kontrolle U
8 Falls nicht fertig, gehe zu (2)
U
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 20 / 23
Optimierung
Losungsverfahren mit Steepest Descent
1 Gegeben: Initial guess U (0) fur Kontrolle
2 Lose Zustandsgleichung fur X
3 Berechne Kostenfunktional J
4 Lose adjungiertes System fur ξ
5 Berechne Gradient ∂UJ
6 Lose 1d Minimierung naherungsweise
7 Update fur Kontrolle U
8 Falls nicht fertig, gehe zu (2)
U
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 20 / 23
Optimierung
Losungsverfahren mit Steepest Descent
1 Gegeben: Initial guess U (0) fur Kontrolle
2 Lose Zustandsgleichung fur X
3 Berechne Kostenfunktional J
4 Lose adjungiertes System fur ξ
5 Berechne Gradient ∂UJ
6 Lose 1d Minimierung naherungsweise
7 Update fur Kontrolle U
8 Falls nicht fertig, gehe zu (2)
U u Jδ
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 20 / 23
Optimierung
Losungsverfahren mit Steepest Descent
1 Gegeben: Initial guess U (0) fur Kontrolle
2 Lose Zustandsgleichung fur X
3 Berechne Kostenfunktional J
4 Lose adjungiertes System fur ξ
5 Berechne Gradient ∂UJ
6 Lose 1d Minimierung naherungsweise
7 Update fur Kontrolle U
8 Falls nicht fertig, gehe zu (2)
s
u JU δ
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 20 / 23
Optimierung
Losungsverfahren mit Steepest Descent
1 Gegeben: Initial guess U (0) fur Kontrolle
2 Lose Zustandsgleichung fur X
3 Berechne Kostenfunktional J
4 Lose adjungiertes System fur ξ
5 Berechne Gradient ∂UJ
6 Lose 1d Minimierung naherungsweise
7 Update fur Kontrolle U
8 Falls nicht fertig, gehe zu (2)
U
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 20 / 23
Optimierung
Losungsverfahren mit Steepest Descent
1 Gegeben: Initial guess U (0) fur Kontrolle
2 Lose Zustandsgleichung fur X
3 Berechne Kostenfunktional J
4 Lose adjungiertes System fur ξ
5 Berechne Gradient ∂UJ
6 Lose 1d Minimierung naherungsweise
7 Update fur Kontrolle U
8 Falls nicht fertig, gehe zu (2)
U
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 20 / 23
Optimierung
Resultate I: Anzahl Infizierte
0 50 100 15025
30
35
40
45
50
55
60
65
70
Day
Infe
cte
d C
om
pa
rtm
en
t
Total infected comp. before treatments
Total infected comp. with optimal control
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 21 / 23
Optimierung
Resultate II: Optimale Kontrolle
0 50 100 1500
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Day
Tre
atm
en
t ra
te
θ1
θ2
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 22 / 23
Zusammenfassung
Zusammenfassung
Kontinuierliche Populationsmodelle
Gewohnliche Differentialgleichungen
Kontrollvariablen
Optimierungsproblem mit Nebenbedingungen
Gradientenverfahren
Simulationen
? Raumlich–zeitliche Modelle PDEs
Danke!
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 23 / 23
Zusammenfassung
Zusammenfassung
Kontinuierliche Populationsmodelle
Gewohnliche Differentialgleichungen
Kontrollvariablen
Optimierungsproblem mit Nebenbedingungen
Gradientenverfahren
Simulationen
? Raumlich–zeitliche Modelle PDEs
Danke!
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 23 / 23
Zusammenfassung
Zusammenfassung
Kontinuierliche Populationsmodelle
Gewohnliche Differentialgleichungen
Kontrollvariablen
Optimierungsproblem mit Nebenbedingungen
Gradientenverfahren
Simulationen
? Raumlich–zeitliche Modelle PDEs
Danke!
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 23 / 23
Zusammenfassung
Zusammenfassung
Kontinuierliche Populationsmodelle
Gewohnliche Differentialgleichungen
Kontrollvariablen
Optimierungsproblem mit Nebenbedingungen
Gradientenverfahren
Simulationen
? Raumlich–zeitliche Modelle PDEs
Danke!
Th. Gotz, e.a. (UKO) Mathematik und Epidemiologie 29.10.2013 23 / 23