露西·摩根（Lucy E.Morgan）。;卢克·罗德斯·莱德;罗素·R·巴顿。 计算机模拟中输入模型偏差的减少和校准。 （英语） Zbl 07587574号 信息J.计算。 34，第4期，2368-2382（2022）. 摘要：输入模型偏差是指在仿真模型的输出性能度量中发现的偏差，该偏差是由估计用于驱动模型的输入分布/过程引起的。当仿真响应是其输入的非线性函数时，就像在模拟复杂系统时通常的情况一样，输入建模偏差是产生的误差之一。本文介绍了一种重新校准参数输入模型输入参数的方法，以减少仿真输出中的偏差。该方法基于序列二次规划，每一步都有一个闭合形式的解析解。提出了一种算法，对如何实际实现该方法提供了指导。该方法成功地减少了输入建模偏差和由输入建模误差引起的总均方误差。贡献摘要：本文进一步加深了对计算机仿真中输入建模误差的理解和处理。我们提供了一种通过重新校准用于驱动仿真模型的输入参数来减少输入模型偏差的新方法。提供了一种带有显式解的序列二次规划方法来重新校准输入参数。因此，该方法计算成本低。本文提供了一个算法，概述了我们提出的过程。对该方法的评估表明，该方法成功地减少了输入模型偏差，还可以减少仿真模型输出中输入建模引起的均方误差。 MSC公司： 90立方厘米 数学编程 关键词：模拟;输入建模误差;偏差减小 软件：引导数据库;github;VBASim公司 PDF格式BibTeX公司 XML格式引用 \textit{L.E.Morgan}等人，《信息与计算》。34，第4号，2368--2382（2022；Zbl 07587574） 全文： 内政部 链接 参考文献： [1] Bansal S、Gutierrez GJ、Keiser JR（2017）《使用专家的噪音分位数判断量化风险：理论与农业企业应用》。操作。物件。65（5）：1115-1130.Link，谷歌学者·Zbl 1416.62651号 [2] Barton RR（2012）教程：输出分析中的输入不确定性。Laroque C、Himmelspach J、Pasupathy R、Rose O、Uhrmacher A编辑。2012年冬季模拟大会（IEEE，新泽西州皮斯卡塔韦），1-12。谷歌学者 [3] Barton RR，Schruben LW（2001）输入建模的重新采样方法。Peters A、Smith JS、Medeiros DJ、Rohrer MW编辑。2001年冬季模拟会议，第1卷（IEEE，新泽西州皮斯卡塔韦），372-378.谷歌学者 [4] Bueno LF，Haeser G，Santos LR（2020）关于凸二次规划的高效增广拉格朗日方法。计算。最佳方案。申请。76:767-800.Crossref，谷歌学者·Zbl 1446.90122号 ·doi:10.1007/s10589-019-00161-2 [5] Cheng RC，Kleijnen JP（1999）具有高度异方差响应的排队模拟实验的改进设计。操作。物件。47（5）：762-777.链接，谷歌学者·Zbl 0976.90022号 [6] Chernick MR（2011年）引导方法：实践者和研究者指南第619卷（约翰·威利父子公司，新泽西州霍博肯）。谷歌学者 [7] Dostál Z，BrzobhatT，Horák D，Kozubek T，Vodstrčil P（2014）关于有界和等式约束二次规划问题的半单调非精确增广代数的R-线性收敛及其应用。计算。数学。申请。67（3）:515-526.Crossref，谷歌学者·Zbl 1350.65059号 ·doi:10.1016/j.camwa.2013.11.009 [8] Efron B（1982）Jackknife、Bootstrap和其他重新采样计划第38卷（SIAM，费城）。Crossref，谷歌学者·Zbl 0496.62036号 ·doi:10.137/1.9781611970319 [9] Jiang WX，Nelson BL，Hong LJ（2019）《估计输入模型方差的敏感性》。Mustafee N、Bae KH、Lazarova-Molnar S、Rabe M、Szabo C、Haas P、Son YJ编辑。2019年冬季模拟会议（IEEE，新泽西州皮斯卡塔韦），3705-3716.谷歌学者 [10] Kennedy MC，O’Hagan A（2001）计算机模型的贝叶斯校准。J.罗伊。统计师。Soc.系列。B统计师。方法63（3）：425-464.谷歌学者交叉引用·Zbl 1007.62021号 ·数字对象标识代码：10.1111/1467-9868.00294 [11] Lam H（2016）高级教程：随机模拟中的输入不确定性和稳健分析。Roeder TMK、Frazier PI、Szechtman R、Zhou E、Huschka T、Chick SE编辑。2016年冬季模拟会议（IEEE，新泽西州皮斯卡塔韦），178-192年。谷歌学者 [12] Lam H，Qian H（2017）通过经验似然对模拟输入不确定性进行基于优化的量化。预印本，7月19日提交，https://doi.org/10.48550/arXiv.1707.05917.谷歌学者 [13] Lam H，Qian H（2018）《提高输入不确定性量化效率的子抽样》。11月11日提交的预印本，https://doi.org/10.44850/arXiv.1811.04500谷歌学者 [14] Lin Y，Song E，Nelson BL（2015）单实验输入不确定性。J.模拟9（3）：249-259。Crossref，谷歌学者·doi:10.1057/jos.2015.2 [15] Morgan LE、Nelson BL、Titman AC、Worthington DJ（2019），计算机模拟中输入建模导致的检测偏差。欧洲药典。物件。279（3）：869-881.Crossref，谷歌学者·doi:10.1016/j.ejor.2019.06.003 [16] Nelson B（2013）随机模拟的基础和方法：第一课程（Springer Science&Business Media，纽约）。Crossref，谷歌学者·Zbl 1266.91058号 ·doi:10.1007/978-1-4614-6160-9 [17] Nelson BL，Wan AT，Zou G，Zhang X，Jiang X（2021）通过输入模型平均降低模拟输入模型风险。信息J.计算。33（2）：672-684摘要，谷歌学者·Zbl 1466.90002号 [18] Nocedal J，Wright SJ（2006）序列二次规划。Mikosch TV，Resnick SI，Robinson，SM编辑。数值优化《Springer运筹学与金融工程系列》（Springer，纽约），529-562.谷歌学者·Zbl 1104.65059号 [19] Oakley JE，Youngman BD（2017）使用似然仿真校准随机计算机模拟器。技术计量学59（1）:80-92.Crossref，谷歌学者·doi:10.1080/00401706.2015.1125391 [20] Reichert P，Schuwirth N（2012）《统计偏差描述与多目标模型校准的联系》。水资源研究。48(9).Crossref，谷歌学者·doi:10.1029/2011WR011391 [21] Schruben L，Kulkarni R（1982）估计M/M/1队列参数的一些结果。操作。Res.Lett公司。1（2）:75-78.Crossref，谷歌学者·Zbl 0492.60090号 ·doi:10.1016/0167-6377（82）90051-7 [22] SimOpt库（2021）仿真优化（SimOpt）库。2021年8月30日访问，http://www.simopt.org网站和http://github.com/simopt-admin/simopt/wiki.谷歌学者 [23] Song E、Nelson BL、Pegden CD（2014）高级教程：输入不确定性量化。Tolk A、Diallo SY、Ryzhov IO、Yilmaz L、Buckley S、Miller JA编辑，Proc。2014年冬季模拟会议（IEEE，新泽西州皮斯卡塔韦），162-176.谷歌学者 [24] Tibshirani RJ，Efron B（1993）《引导程序简介》。专著统计。申请。普罗巴伯。57:124-139.谷歌学者·Zbl 0835.62038号 [25] Wieland JR，Schmeiser BW（2006）使用单个设计点的随机梯度估计。Perrone LF、Wieland FP、Liu J、Lawson BG、Nicol DM、Fujimoto RM编辑。2006年冬季模拟会议（IEEE，新泽西州皮斯卡塔韦），390-397.谷歌学者 [26] Withers CS，Nadarajah S（2014）《偏见减少：delta方法与折刀和自举法的比较》。巴基斯坦J.Statist。30（1）：143-151.谷歌学者 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。