[论文解读] Bayesian Subset Simulation: a kriging-based subset simulation algorithm for the estimation of small probabilities of failure

Ling Li, Julien Bect+1 more|arXiv (Cornell University)|Jul 9, 2012

Advanced Multi-Objective Optimization AlgorithmsComputer Science参考文献 36被引用 20

一句话总结

该论文提出贝叶斯子集模拟（BSS），一种基于克里金法的算法，将子集模拟与序列贝叶斯实验设计相结合，以显著减少昂贵计算机模型评估次数，从而估计小失效概率。通过使用高斯过程模型引导自适应采样，BSS将函数评估次数从标准子集模拟的4,600次减少至平均104次，同时保持较低偏差和变异系数。

ABSTRACT

The estimation of small probabilities of failure from computer simulations is a classical problem in engineering, and the Subset Simulation algorithm proposed by Au & Beck (Prob. Eng. Mech., 2001) has become one of the most popular method to solve it. Subset simulation has been shown to provide significant savings in the number of simulations to achieve a given accuracy of estimation, with respect to many other Monte Carlo approaches. The number of simulations remains still quite high however, and this method can be impractical for applications where an expensive-to-evaluate computer model is involved. We propose a new algorithm, called Bayesian Subset Simulation, that takes the best from the Subset Simulation algorithm and from sequential Bayesian methods based on kriging (also known as Gaussian process modeling). The performance of this new algorithm is illustrated using a test case from the literature. We are able to report promising results. In addition, we provide a numerical study of the statistical properties of the estimator.

研究动机与目标

• 解决在性能函数为昂贵计算模型的系统中估计小失效概率的挑战。
• 与标准子集模拟和蒙特卡罗方法相比，减少所需函数评估次数。
• 通过将基于克里金法的序列设计整合到子集模拟框架中，提升计算效率。
• 尽管采样减少，仍保持失效概率估计器的低偏差和低方差。
• 提供一种统计上可靠、自适应的采样策略，将评估集中于输入空间的关键区域。

提出的方法

• 该算法采用中间阈值将小失效概率分解为一系列条件概率的乘积，遵循子集模拟框架。
• 使用具有马氏核协方差函数的高斯过程先验来建模性能函数，从而在失效区域实现不确定性量化。
• 采用自适应采样策略（SUR）选择新评估点，以最大化信息增益，尤其聚焦于靠近失效阈值的区域。
• 中间阈值根据确保每个条件概率约为0.1的准则自适应选择。
• 使用以正态分布为提议分布的吉布斯采样，在当前失效集中生成样本，克里金预测指导新点的选择。
• 每次新增评估后，使用REML重新估计协方差参数，确保模型自适应性。

实验结果

研究问题

• RQ1 基于克里金法的自适应采样能否显著减少估算小失效概率所需的昂贵函数评估次数？
• RQ2 贝叶斯子集模拟在偏差、方差和计算成本方面与标准子集模拟和蒙特卡罗方法相比表现如何？
• RQ3 将序列设计与子集模拟结合是否能在减少模拟次数的同时保持统计可靠性？
• RQ4 自适应采样对失效概率估计器的收敛性和准确性有何影响？
• RQ5 所提方法是否能在高维或复杂失效区域中，以少于100次函数评估实现可靠估计？

主要发现

• 贝叶斯子集模拟算法将函数评估的平均次数从标准子集模拟的4,600次减少至104次（50次运行中范围为94至109）。
• BSS估算的失效概率为3.7020 × 10⁻⁵，与参考蒙特卡罗值3.8500 × 10⁻⁵相比，相对偏差为4.4%。
• BSS的变异系数为16.7%，显著低于标准子集模拟的63.2%，表明在样本更少的情况下仍具有更高的精度。
• 该算法以极低计算成本实现了高度准确性，证明基于克里金法的自适应采样能有效聚焦于输入空间的信息丰富区域。
• 实验设计显示，评估点集中在失效阈值附近，证实了算法在最需要的位置集中采样的能力。
• 使用REML进行在线协方差参数重估提升了模型保真度，并有助于各次运行间性能的稳定性。