Internal Medicine Today

fa کنترل کننده هوشمند یک مدل اپیدمیک SEIR کووید 19مرتبه کسری An Intelligent Controller for a Fractional-Order SEIR Model of the COVID-19 Epidemic مطالعه بيماری‌ها Diseases پژوهشی Original زمینه: کنترل بیماری‌های همه‌گیر به‌ویژه پس از شیوع کووید-۱۹ به یکی از معضلات نظام سلامت تبدیل شده است. بنابراین، برای ارائه راهکار مناسب جهت مقابله با بیماری‌های همه‌گیر، طراحی یک مدل بیماری و سپس کنترل آن با روش کنترلی مناسب ضروری است. بدین منظور برای کنترل مدل بیماری کووید 19 با در نظر گرفتن تاخیر زمانی یک کنترل هوشمند پیشبین تطبیقی طراحی شده است. روش: در این مقاله، یک مدل همه‌گیر نوع SEIR همراه با تأخیر زمانی و محاسبات کسری که سیستم را واقعی‌تر ترسیم می‌نماید، در نظر گرفته شده است. از آنجا که در مدل کنترل‌شده، تأخیر زمانی در نظر گرفته شده و همچنین محاسبات کسری مدل انجام شده است، سیستم به واقعیت نزدیک‌تر است. برای کنترل این مدل، یک کنترل کننده پیشبین تطبیقی طراحی شده است. عملکرد و کارایی طرح مذکور با شبیه‌سازی در نرم‌افزار MATLAB مورد تأیید قرار گرفت. نتایج: از نتایج شبیه‌سازی مشاهده شد که کنترلر پیش‌بین تطبیقی مرتبه کسری پیشنهادی در مقایسه با کنترلر پیش‌بین تطبیقی مرتبه صحیح، عملکرد بهتری از نظر سرعت همگرایی حالات سیستم به مقادیر مطلوب دارد. به‌طوری‌که افراد مستعد در روش پیشنهادی در زمان بسیار کمتری (حدوداً ۱۰۰ روز) به مقدار مطلوب رسیدند، در حالی که در روش مرتبه صحیح بیش از ۳۰۰ روز طول کشید. همچنین، تعداد افراد عفونی و در معرض در روش پیشنهادی سریع‌تر کاهش یافت و پارامترهای تخمینی (آلفا و بتا) با دامنه کمتر و زودتر به مقدار ثابت همگرا شدند. نتیجه‌گیری: نتایج این مطالعه نشان می‌دهد که کنترلر ترکیبی مقاوم پیش‌بین مدل‌محور قادر است بیماری‌های همه‌گیر را مؤثرتر از کنترلرهای پیشین کنترل کند و در نتیجه می‌تواند به کاهش شیوع بیماری، حفظ سلامت جامعه و کاهش فشار بر نظام‌های بهداشتی کمک نماید. نتایج شبیه‌سازی نشان داد که در مجموع کنترل کننده پیشنهادی در مقایسه با سایر کنترل کنندههای مشابه، عملکرد بهتری از نظر کنترل تعداد افراد مستعد و افراد آلوده دارد.   Background: The management of epidemic diseases, particularly following the COVID-19 pandemic, has emerged as a critical challenge for global healthcare systems. Consequently, developing accurate epidemiological models and implementing effective control strategies are crucial to mitigating the spread of such diseases. To address this, an intelligent adaptive predictive control scheme is designed for a COVID-19 model, incorporating time-delay dynamics. Methods: In this paper, a fractional-order SEIR epidemic model with time delay was considered to better represent the system dynamics. To control this model, a fractional-order adaptive predictive controller was designed. The performance and efficiency of the proposed scheme were evaluated and verified through simulations in MATLAB. Results: The simulation results show that the proposed fractional-order adaptive predictive controller outperforms its integer-order counterpart, achieving faster convergence of system states to the target values. Notably, the susceptible individuals approached the desired threshold in a much shorter timeframe (around 100 days) under the proposed scheme, compared to over 300 days under the integer-order control. Additionally, the sizes of both exposed and infectious compartments decreased more rapidly, and the estimated parameters (α and β) stabilized sooner with reduced oscillation amplitudes. Conclusion: The findings of this study indicate that the proposed fractional-order adaptive predictive controller can manage epidemic diseases more effectively than existing control schemes, thereby reducing disease transmission, enhancing public health, and mitigating pressure on healthcare systems. Overall, the simulation results demonstrate that the proposed controller outperforms alternative approaches in regulating both susceptible and infectious populations.   بیماری‌های همه‌گیر, کووید-۱۹, مدل SEIR, کنترلر پیش‌بین کنترل تطبیقی, محاسبات کسری Adaptive predictive controller, COVID-19, Epidemic diseases, Fractional calculus, SEIR model 0 0 http://imtj.gmu.ac.ir/browse.php?a_code=A-10-4046-2&slc_lang=fa&sid=1 Maryam Najari مریم نجاری maryam.najari@iau.ac.ir 8000319475328460038954 8000319475328460038954 No Department of Electrical Engineering, Gon.C., Islamic Azad University, Gonabad, Iran Saeed Balochian سعید بلوچیان saeed.balochian@iau.ac.ir 8000319475328460038955 8000319475328460038955 Yes Department of Engineering, Ma.C., Islamic Azad University, Mashhad, Iran Mohamad Alishahi محمد علیشاهی alishahi@mshdiau.ac.ir 8000319475328460038956 8000319475328460038956 No Department of Computer Engineering, Ma.C., Islamic Azad University, Mashhad, Iran