Identificando regras de transição de autômato celular probabilista via algoritmo genético em sistemas epidemiológicos

Autômatos celulares probabilistas podem ser usados para modelar a propagação de doenças contagiosas numa população composta por indivíduos suscetíveis, infectados e recuperados da infecção. A cada passo de tempo, um indivíduo suscetível pode ou permanecer suscetível ou contrair a doença de infectados, sendo a probabilidade associada ao contágio dependente do número de infectados em contato com esse suscetível. A cada passo de tempo, um indivíduo infectado pode (probabilisticamente) permanecer infectado, ou se recuperar, ou morrer pela doença ou morrer de outras causas. Um indivíduo recuperado pode, a cada iteração, ou permanecer como está ou morrer. Quando um indivíduo infectado ou recuperado morre, nasce, em seu lugar, um suscetível, de modo que a população permanece constante. Aqui, algoritmos genéticos são empregados para identificar os valores das probabilidades associadas aos processos de infecção, recuperação e morte, a partir de dados epidemiológicos do Arizona (EUA) para catapora. O objetivo é obter um modelo baseado em regras probabilistas de transição de estados capaz de reproduzir essa série temporal e verificar a qualidade da previsão do modelo. Este trabalho revela que as previsões são fortemente influenciadas pelo tamanho do reticulado do autômato celular e por restrições impostas aos valores das probabilidades.Probabilistic cellular automata can be used to model the spreading of contagious diseases in a population composed by susceptible, infected and recovered individuals. At each time step, a susceptible individual can either remain susceptible or contract the disease from infected individuals, where the probability related to the contagion depends on the number of infected individuals in contact with this susceptible individual. At each time step, an infected individual may (probabilistically) either remain infected or recuperate or die by the disease or die by other causes. A recovered individual, at each iteration, can either remain as he/she is or die. When an infected or recovered individual dies, a susceptible one appears in his/her place; thus, the population remains constant. Here, genetic algorithms are employed to identify the probability values concerning the processes of infection, cure and death, from epidemiological data from Arizona (USA) for measles. The goal is to obtain a model based on probabilistic rules of state transitions able of reproducing this time series and to verify the quality of the model prediction. This work reveals that the predictions are strongly influenced by the lattice dimension of the cellular automaton and by limitations imposed to the probability values.Autômatos celulares probabilistas podem ser usados para modelar a propagação de doenças contagiosas numa população composta por indivíduos suscetíveis, infectados e recuperados da infecção. A cada passo de tempo, um indivíduo suscetível pode ou permanecer suscetível ou contrair a doença de infectados, sendo a probabilidade associada ao contágio dependente do número de infectados em contato com esse suscetível. A cada passo de tempo, um indivíduo infectado pode (probabilisticamente) permanecer infectado, ou se recuperar, ou morrer pela doença ou morrer de outras causas. Um indivíduo recuperado pode, a cada iteração, ou permanecer como está ou morrer. Quando um indivíduo infectado ou recuperado morre, nasce, em seu lugar, um suscetível, de modo que a população permanece constante. Aqui, algoritmos genéticos são empregados para identificar os valores das probabilidades associadas aos processos de infecção, recuperação e morte, a partir de dados epidemiológicos do Arizona (EUA) para catapora. O objetivo é obter um modelo baseado em regras probabilistas de transição de estados capaz de reproduzir essa série temporal e verificar a qualidade da previsão do modelo. Este trabalho revela que as previsões são fortemente influenciadas pelo tamanho do reticulado do autômato celular e por restrições impostas aos valores das probabilidades.Probabilistic cellular automata can be used to model the spreading of contagious diseases in a population composed by susceptible, infected and recovered individuals. At each time step, a susceptible individual can either remain susceptible or contract the disease from infected individuals, where the probability related to the contagion depends on the number of infected individuals in contact with this susceptible individual. At each time step, an infected individual may (probabilistically) either remain infected or recuperate or die by the disease or die by other causes. A recovered individual, at each iteration, can either remain as he/she is or die. When an infected or recovered individual dies, a susceptible one appears in his/her place; thus, the population remains constant. Here, genetic algorithms are employed to identify the probability values concerning the processes of infection, cure and death, from epidemiological data from Arizona (USA) for measles. The goal is to obtain a model based on probabilistic rules of state transitions able of reproducing this time series and to verify the quality of the model prediction. This work reveals that the predictions are strongly influenced by the lattice dimension of the cellular automaton and by limitations imposed to the probability values