ETD

• epidemiology
• human behavior
• machine learning
• optimal control

This thesis studies how optimal control theory can support pandemic preparedness by balancing epidemiological benefits against the social and economic costs of intervention. Using a calibrated COVID-19 compartmental model based on Italy’s first wave, it examines how the best social-distancing strategies change with three key factors: the weight given to indirect costs, population adherence to non-pharmaceutical interventions, and the timing of policy activation. Across several extensions of the model, including finite hospital capacity, continuous importation of infective travellers, and behavioural fatigue, the thesis shows that optimal policies can shift sharply from strong suppression to weak control when indirect costs are overvalued. It also highlights trade-offs between intensity and duration of measures, the role of hospital saturation, and the importance of behavioural feedbacks. The work combines open-loop optimal control, reinforcement learning, and interpretable forecasting to build a practical catalogue of preparedness policies and to test how robust they remain in more realistic, data-driven settings.

Questa tesi studia come la teoria del controllo ottimo possa supportare la preparazione alle pandemie bilanciando i benefici epidemiologici con i costi sociali ed economici delle misure di contenimento. Utilizzando un modello compartimentale calibrato sulla prima ondata di COVID-19 in Italia, analizza come le migliori strategie di distanziamento sociale cambino in funzione di tre fattori chiave: il peso attribuito ai costi indiretti, l’adesione della popolazione alle misure non farmacologiche e il momento di attivazione delle politiche. Attraverso diverse estensioni del modello — tra cui capacità ospedaliera finita, importazione continua di viaggiatori infetti e fatica comportamentale — la tesi mostra che le politiche ottimali possono passare bruscamente da una forte soppressione a un controllo debole quando si sovrastimano i costi indiretti. Evidenzia inoltre il compromesso tra intensità e durata delle misure, il ruolo della saturazione ospedaliera e l’importanza dei feedback comportamentali. Il lavoro combina controllo ottimo open-loop, reinforcement learning e forecasting interpretabile per costruire un catalogo pratico di politiche di preparedness e testarne la robustezza in contesti più realistici e guidati dai dati.