This is a final project of a course of discrete simulations

"Comparing vaccination strategies using EB-DEVS"

In this repository we condense the simulation code, report and generated media (videos) of the simulations. Given that the amount of simulations run are over 7 thousand, each with 20 retries to average results, we made an script to run each simulation configuration separately. In this way is possible to reproduce certain behaviours of interest and/or extend the current work with different vaccination strategies.

How to run

Requirements: install EB-DEVS, as explained in EB-DEVS-README.md

Each strategy configuration, graph distribution and parameters is executed by using the following command:

python3 experiment.py {*vaccination_strategy*} {*graph_distribution*} {*vaccination_parameters*}

We provide ootb the following strategies, distributions and parameters:

vaccination_strategy	Description
`default_strategy`	agents get vaccinated following an exponential distribution with mean equal to the degree distribution mean
`degree_based_strategy`	agents get vaccinated following an exponential with mean equal to their connection degree
`double_degree_based_strategy`	agents get vaccinated following an exponential with mean equal to an exponential with mean equal to their connection degree
`triple_degree_based_strategy`	agents get vaccinated following an exponential with mean equal to an exponential with mean equal to an exponential with mean equal to their connection degree

graph_distribution	Description	Mean	Graph Size
`bimodal`	The graph follows has a degree distribution that is bimodal, 4/5 Poisson(3) and 1/5 fixed degree 13	5.0	300
`regular_5`	Every agent have degree 5	5.0	300
`poisson_5`	Agents follow a Poisson distribution with mean 5	5.0	300
`power_law`	Agents follow a Power Law distribution (parameters further explained at the attached report)	5.0	300

vaccination_parameters	Description
`vaccine_factors_100`	runs the simulation with 100 scale factors linearly spaced between [0.001,0.5], w/o vaccination limit
`vaccine_factors_100_10`	runs the simulation with 100 scale factors linearly spaced between [0.001,0.5], with a vaccination limit set at 10% of the overall population size
`vaccine_factors_100_25`	runs the simulation with 100 scale factors linearly spaced between [0.001,0.5], with a vaccination limit set at 25% of the overall population size
`vaccine_factors_100_50`	runs the simulation with 100 scale factors linearly spaced between [0.001,0.5], with a vaccination limit set at 50% of the population size

File descriptions

--experiment.py provides the main entrypoint to run experiments

-- model.py has the EB-DEVS model made to simulate a vaccination strategy

-- vaccination_strategies.py provided vaccination strategies and degree distributions

-- TP.pdf overall work report (in spanish), with detailed motivation, and relevant findings from the simulations

-- results-videos.zip resulting simulation videos in .mp4 format

Results

Each simulation places their output into the results/ folder, within a .png file with the following naming format
{distribution}_{strategy}_{factors}.png

For instance, the command python3 experiment.py double_degree_based_strategy power_law vaccine_factors_100_50

Will produce 100 files in results/, that would look like: results/power_law_double_degree_based_strategy_s=0.001_limit=0.50.png

Given that is complex to assess and compare these results at plain sight, we collapse these results in a video where each frame represents a variation of the scale factor parameter, and strategy. To build these videos we use the ffmpeg tool, as the following script:

ffmpeg -framerate 1/0.5 -pattern_type glob -i 'results/power_law_default_strategy_s=0.*_limit=0.50.png' -c:v libx264 -r 30 -pix_fmt yuv420p power_law_0.50_default.mp4

Then it is possible to integrate up to 4 videos sincronized, to watch different strategies at the same time. Using the following script.

ffmpeg -i power_law_0.50_default.mp4 -i power_law_0.50_1.mp4 -i power_law_0.50_2.mp4 -i power_law_0.50_3.mp4 -filter_complex \ "[0:v]pad=iw:ih+3[tl]; \ [tl][1:v]vstack,pad=iw+10:ih[l]; \ [2:v]pad=iw:ih+3[tr]; \ [tr][3:v]vstack[r]; \ [l][r]hstack" \ power_law_0.50-all-strategies.mp4

Trabajo Práctico final de la materia Simulación de Eventos Discretos

"Comparando Estrategias de Vacunacion con EB-DEVS"

En este repositorio se encuentra el código desarrollado, el reporte y videos de las simulaciones mencionados en el mismo, para el trabajo final de la materia Simulación de Eventos Discretos de la Universidad de Buenos Aires.

Dado que la cantidad de simulaciones realizadas durante la evaluacion son más de 7 mil, con 20 reintentos para promediar cada una, realizamos un script que ejecuta cada configuración por separado, así es posible reproducir algún comportamiento de interés y/o facilitar la extensión del trabajo con otras estrategias de vacunación y/o distribuciones de grado.

Como ejecutar el trabajo

Es un requerimiento del proyecto la instalación de EB-DEVS, descripta en EB-DEVS-README.md

Cada configuracion de estrategia, distribucion y parametros se puede ejecutar mediante el comando:

python3 experiment.py {*vaccination_strategy*} {*graph_distribution*} {*vaccination_parameters*}

En el código por defecto se encuentran las siguientes estrategias, distribuciones y parámetros:

vaccination_strategy	Descripción
`default_strategy`	los agentes se vacunan con intensidad exponencial con media definida en la distribucion de grado
`degree_based_strategy`	los agente se vacunan con intensidad exponencial con media en su grado asignado
`double_degree_based_strategy`	los agente se vacunan con intensidad exponencial con media en una exponencial con media en su grado asignado
`triple_degree_based_strategy`	los agente se vacunan con intensidad exponencial con media en una exponencial con media con media en una exponencial con media en su grado asignado

graph_distribution	Descripción	Media	Tamaño del grafo
`bimodal`	El grafo tiene distribución de grado bimodal con probabilidad 4/5 Poisson(3), y 1/5 grado 13	5.0	300
`regular_5`	Todos los agentes tienen grado 5	5.0	300
`poisson_5`	Los agentes tienen una distribución de grado Poisson 5	5.0	300
`power_law`	Los agentes siguen una distribución Power Law (con parametros explicados en el reporte)	5.0	300

vaccination_parameters	Descripción
`vaccine_factors_100`	ejecuta la simulacion con 100 factores de escala linealmente espaciados entre [0.001,0.5], sin límite de vacunas disponibles
`vaccine_factors_100_10`	ejecuta la simulacion con 100 factores de escala linealmente espaciados entre [0.001,0.5], con límite de vacunas disponibles en 10% de la población
`vaccine_factors_100_25`	ejecuta la simulacion con 100 factores de escala linealmente espaciados entre [0.001,0.5], sin límite de vacunas disponibles en 25% de la población
`vaccine_factors_100_50`	ejecuta la simulacion con 100 factores de escala linealmente espaciados entre [0.001,0.5], sin límite de vacunas disponibles en 50% de la población

Detalle de Archivos Relevantes

--experiment.py contiene la api para correr experimentos

-- model.py contiene el modelo EB-DEVS desarrollado para simular las distintas estrategias de vacunación

-- vaccination_strategies.py estrategias de vacunación propuestas y distribuciones de grado

-- TP.pdf reporte general del trabajo, con detalle sobre la motivación, y los hallazgos obtenidos a partir de las simulaciones

-- results-videos.zip los resultados de las simulaciones en videos .mp4

Resultados

Cada simulación produce sus resultados dentro de la carpeta results/ en un archivo .png que sigue el siguiente formato: {distribution}_{strategy}_{factors}.png

Por ejemplo el comando: python3 experiment.py double_degree_based_strategy power_law vaccine_factors_100_50

Producirá 100 archivos en results/ de la pinta: results/power_law_double_degree_based_strategy_s=0.001_limit=0.50.png

Dado que es complejo evaluar y comparar estos resultados a simple vista, realizamos videos que muestran frame a frame la variación de los parámetros de escala de cada distribución, y estrategia. Para ello ejecutamos el siguiente script con la tool ffmpeg