At the end of 2020, policy responses to the SARS-CoV-2 outbreak have been shaken by the emergence of virus variants, impacting public health and policy measures worldwide. The emergence of these strains suspected to be more contagious, more severe, or even resistant to antibodies and vaccines, seem to have taken by surprise health services and policymakers, struggling to adapt to the new variants constraints. Anticipating the emergence of these mutations to plan ahead adequate policies, and understanding how human behaviors may affect the evolution of viruses by coevolution, are key challenges. In this article, we propose coevolution with genetic algorithms (GAs) as a credible approach to model this relationship, highlighting its implications, potential and challenges. Because of their qualities of exploration of large spaces of possible solutions, capacity to generate novelty, and natural genetic focus, GAs are relevant for this issue. We present a dual GA model in which both viruses aiming for survival and policy measures aiming at minimising infection rates in the population, competitively evolve. This artificial coevolution system may offer us a laboratory to "debug" our current policy measures, identify the weaknesses of our current strategies, and anticipate the evolution of the virus to plan ahead relevant policies. It also constitutes a decisive opportunity to develop new genetic algorithms capable of simulating much more complex objects. We highlight some structural innovations for GAs for that virus evolution context that may carry promising developments in evolutionary computation, artificial life and AI.

中文翻译：

---

用遗传算法建模SARS-CoV-2协同进化

到2020年底，对SARS-CoV-2疫情的政策反应因病毒变种的出现而动摇，影响了全球的公共卫生和政策措施。这些被怀疑更具传染性，更严重甚至对抗体和疫苗具有抵抗力的菌株的出现，似乎使出乎意料的卫生服务机构和政策制定者吃惊了，他们努力适应新的变异体限制。面临这些挑战的关键挑战是如何预见这些突变的出现，以计划更早的适当政策，并了解人类行为如何通过协同进化影响病毒的进化。在本文中，我们建议与遗传算法（GA）共同进化，作为对这种关系进行建模的可靠方法，着重强调其影响，潜力和挑战。由于他们具有探索大范围可能解决方案的素质，产生新颖性的能力和自然遗传重点，遗传算法与这个问题有关。我们提出了一种双重GA模型，其中针对生存的病毒和旨在最小化人群感染率的政策措施都在竞争性发展。这种人工协同进化系统可以为我们提供一个实验室，以“调试”我们当前的策略措施，识别我们当前策略的弱点，并预测病毒的演变以制定相关政策。这也为开发能够模拟更复杂物体的新遗传算法提供了决定性的机会。我们重点介绍了针对该病毒进化环境的遗传算法的一些结构创新，这些创新可能会在进化计算，人工生命和人工智能方面带来有希望的发展。GA与该问题有关。我们提出了一种双重GA模型，其中针对生存的病毒和旨在最小化人群感染率的政策措施都在竞争性发展。这种人工协同进化系统可以为我们提供一个实验室，以“调试”我们当前的策略措施，识别我们当前策略的弱点，并预测病毒的演变以制定相关政策。这也为开发能够模拟更复杂物体的新遗传算法提供了决定性的机会。我们重点介绍了针对该病毒进化环境的遗传算法的一些结构创新，这些创新可能会在进化计算，人工生命和人工智能方面带来有希望的发展。GA与该问题有关。我们提出了一种双重GA模型，其中针对生存的病毒和旨在最小化人群感染率的政策措施都在竞争性发展。这种人工协同进化系统可以为我们提供一个实验室，以“调试”我们当前的策略措施，识别我们当前策略的弱点，并预测病毒的演变以制定相关政策。这也为开发能够模拟更复杂物体的新遗传算法提供了决定性的机会。我们重点介绍了针对该病毒进化环境的遗传算法的一些结构创新，这些创新可能会在进化计算，人工生命和人工智能方面带来有希望的发展。我们提出了一种双重GA模型，其中针对生存的病毒和旨在最小化人群感染率的政策措施都在竞争性发展。这种人工协同进化系统可以为我们提供一个实验室，以“调试”我们当前的策略措施，识别我们当前策略的弱点，并预测病毒的演变以制定相关政策。这也为开发能够模拟更复杂物体的新遗传算法提供了决定性的机会。我们重点介绍了针对该病毒进化环境的遗传算法的一些结构创新，这些创新可能会在进化计算，人工生命和人工智能方面带来有希望的发展。我们提出了一种双重GA模型，其中针对生存的病毒和旨在最小化人群感染率的政策措施都在竞争性发展。这种人工协同进化系统可以为我们提供一个实验室，以“调试”我们当前的策略措施，识别我们当前策略的弱点，并预测病毒的演变以制定相关政策。这也为开发能够模拟更复杂物体的新遗传算法提供了决定性的机会。我们重点介绍了针对该病毒进化环境的遗传算法的一些结构创新，这些创新可能会在进化计算，人工生命和人工智能方面带来有希望的发展。我们当前的政策措施，找出我们当前战略的弱点，并预测病毒的演变以提前制定相关政策。这也为开发能够模拟更复杂物体的新遗传算法提供了决定性的机会。我们重点介绍了针对该病毒进化环境的遗传算法的一些结构创新，这些创新可能会在进化计算，人工生命和人工智能方面带来有希望的发展。我们当前的政策措施，找出我们当前战略的弱点，并预测病毒的演变以提前制定相关政策。这也为开发能够模拟更复杂物体的新遗传算法提供了决定性的机会。我们重点介绍了针对该病毒进化环境的遗传算法的一些结构创新，这些创新可能会在进化计算，人工生命和人工智能方面带来有希望的发展。