目的:COVID-19疫情自2019年12月底持续至今,疫情发展趋势直接关乎全国人民乃至全球人民的健康,对COVID-19疫情的研究和预测是目前公共卫生领域中极为重要的工作,因此本研究通过Python语言建立改进的SEIRS传染病动力学模型,对比不同的元启发算法在传染病动力学模型参数估计中的优化效果,比较不同模型和传染率设计的优劣,探究传染率以及轻症、无症状感染者比例等两个主要因素对疫情发展趋势的影响,并预测COVID-19发病趋势。方法:本研究以Python为实现工具,完成数据挖掘、数据储存、传染病动力学建模、模型优化和结果绘图等一系列工作。在疫情模拟中,根据中国COVID-19疫情实际,以SEIRS模型为基础构建预测模型,使用最小二乘法估计模型的待估参数。采用收敛过程、平均运行时间、平均收敛值和最优收敛值等指标评价优化算法,采用训练集和测试集的误差指标比较单目标和多目标优化算法的差异,并采用多目标优化策略拟合累计确诊人数、累计康复人数和累计死亡人数,对模型参数进一步优化。以中国早期疫情为研究场景,对比Sigmoid和exp函数的传染率设计以及SEIRDS和SEIARDS模型在训练集、测试集的拟合情况,对比不同传染率和轻症、无症状感染者比例对疫情的影响,最后选择其中预测效果最好的模型在深圳早期疫情开展实证分析。结果:在传染病动力学模型的单目标优化测试中,黏菌觅食算法的平均收敛值为181,497,139,最佳收敛值为20,515,029,平均运行时间为6.57秒;基于NSGAIII算法的多目标优化策略的总和RSS为57,394,819,而单目标优化策略的总和RSS为8,270,035,866,是多目标优化策略的144倍;在模型选择方面,基于Sigmoid函数的SEIARDS模型的整体表现最好,测试集的累计确诊的RMSE为1,060.5582,累计康复的RMSE为1,176.3541,累计死亡的RMSE为233.1410,累计确诊的MAPE为0.0105,累计康复的MAPE为0.0132,累计死亡的MAPE为0.0700;在不同参数方面,当潜伏期传染概率为模拟参数的0.8倍时,累计确诊人数为22,653人,为真实疫情的0.27倍,当潜伏期感染率为模拟参数的1.1倍时,累计确诊人数为159,521人,为真实疫情的1.92倍;在疫情实证分析方面,模型在深圳疫情测试集的累计确诊RMSE为4.8166,累计康复RMSE为27.7633,累计确诊MAPE为0.0103,累计康复MAPE为0.2898。结论:Python可以一站式实现传染病动力学模型建模的全过程;单目标优化算法中,黏菌觅食算法在传染病动力学模型的参数估计中优化效果较好;基于NSGAIII算法的多目标优化策略比单目标优化策略的拟合效果好,可以较好地实现累计确诊、康复和死亡人数等多目标优化问题;潜伏期传染概率对疫情的影响较大;基于Sigmoid函数的SEIARDS模型的拟合效果和预测效果较好,更加贴近真实疫情情况,模型在疫情实证分析中具有一定的解释性,可以用于预测和分析COVID-19的疫情发展趋势。