This study proposes a novel bioinspired metaheuristic simulating how the coronavirus spreads and infects healthy people. From a primary infected individual (patient zero), the coronavirus rapidly infects new victims, creating large populations of infected people who will either die or spread infection. Relevant terms such as reinfection probability, super-spreading rate, social distancing measures, or traveling rate are introduced into the model to simulate the coronavirus activity as accurately as possible. The infected population initially grows exponentially over time, but taking into consideration social isolation measures, the mortality rate, and number of recoveries, the infected population gradually decreases. The coronavirus optimization algorithm has two major advantages when compared with other similar strategies. First, the input parameters are already set according to the disease statistics, preventing researchers from initializing them with arbitrary values. Second, the approach has the ability to end after several iterations, without setting this value either. Furthermore, a parallel multivirus version is proposed, where several coronavirus strains evolve over time and explore wider search space areas in less iterations. Finally, the metaheuristic has been combined with deep learning models, to find optimal hyperparameters during the training phase. As application case, the problem of electricity load time series forecasting has been addressed, showing quite remarkable performance.

中文翻译：

---

冠状病毒优化算法：一种基于COVID-19传播模型的生物启发式元启发式算法。

这项研究提出了一种新颖的生物启发式元启发法，可以模拟冠状病毒如何传播和感染健康人。冠状病毒从最初感染的个人（零号患者）迅速感染新的受害者，造成大量感染者死亡或死亡。将诸如再感染概率，超传播率，社会疏远措施或出行率之类的相关术语引入模型中，以尽可能准确地模拟冠状病毒的活性。受感染的人群最初随着时间呈指数增长，但考虑到社会隔离措施，死亡率和康复次数，受感染的人群逐渐减少。与其他类似策略相比，冠状病毒优化算法具有两个主要优点。第一，输入的参数已经根据疾病统计数据进行了设置，从而阻止研究人员使用任意值对其进行初始化。其次，该方法可以在多次迭代后结束，而无需设置此值。此外，提出了一种并行多病毒版本，其中几种冠状病毒株会随时间演变，并以较少的迭代探索更宽的搜索空间区域。最后，将元启发法与深度学习模型相结合，以在训练阶段找到最佳的超参数。作为应用案例，电力负荷时间序列预测问题已得到解决，表现出相当出色的性能。该方法可以在多次迭代后结束，而无需设置此值。此外，提出了一种并行多病毒版本，其中几种冠状病毒株会随时间演变，并以较少的迭代探索更宽的搜索空间区域。最后，将元启发式方法与深度学习模型相结合，以在训练阶段找到最佳的超参数。作为应用案例，电力负荷时间序列预测问题已得到解决，表现出相当出色的性能。该方法可以在多次迭代后结束，而无需设置此值。此外，提出了一种并行多病毒版本，其中几种冠状病毒株会随时间演变，并以较少的迭代探索更宽的搜索空间区域。最后，将元启发式方法与深度学习模型相结合，以在训练阶段找到最佳的超参数。作为应用案例，电力负荷时间序列预测问题已得到解决，表现出了非凡的性能。在训练阶段找到最佳超参数。作为应用案例，电力负荷时间序列预测问题已得到解决，表现出了非凡的性能。在训练阶段找到最佳超参数。作为应用案例，电力负荷时间序列预测问题已得到解决，表现出了非凡的性能。