×
克莱门·杜哈梅尔；塞琳·赫尔伯特；米盖尔·穆尼奥斯·祖尼加；克莱门汀·普里厄尔；Sinoquet，Delphine公司

偏移集估计的Bichon准则的SUR版本。 （英语） Zbl 1516.62011年

统计计算。 33，第2号，第41号论文，第17页（2023年）.
总结：工业中出现了许多模型反演问题。这些问题包括找到一组参数值，以使特定数量的兴趣遵守约束，例如保持在阈值以下。一般来说，感兴趣的数量是模拟器的输出，计算时间很长。解决这一问题的一个有效方法是用高斯过程回归代替模拟器，并用精心选择的捕获准则依次丰富实验设计。存在不同的反演自适应准则，如Bichon准则（也称为预期可行性函数）和偏差数。还存在一类富集策略（逐步不确定性降低–SUR），通过测量由其选择引起的预期不确定性降低来选择下一个点。在本文中，我们提出了Bichon准则的SUR版本。给出了该准则的显式表达式，测试比较表明，该准则在经典测试函数上具有良好的性能。

引用于1文件

MSC公司：

62-08 统计问题的计算方法
第60页 统计学在工程和工业中的应用；控制图

关键词：

高斯过程回归；偏移集估计；逐步降低不确定性；实验的顺序设计

软件：

阿尔格努德；骰子设计；骰子评估；DiceKriging公司；自我；随机工具箱；DiceOptim公司；克里格投资公司；AK-MCS公司
PDF格式BibTeX公司 XML格式引用
\textit{C.Duhamel}等人，《统计计算》。33，第2号，第41号论文，17页（2023年；Zbl 1516.62011年）
全文： 内政部 哈尔

参考文献：

[1] Bect，J。；金斯堡，D。；李，L。；皮切尼（Picheny，V.）。；Vazquez，E.，用于估计失效概率的计算机实验顺序设计，统计计算。，22, 3, 773-793 (2012) ·Zbl 1252.62081号 ·doi:10.1007/s11222-011-9241-4
[2] 比雄，BJ；Eldred，理学硕士；低压旋流器；马哈德万，S。；McFarland，JM，非线性隐式性能函数的有效全局可靠性分析，AIAA J.，46，10，2459-2468（2008）·数字对象标识代码：10.2514/1.34321
[3] Chevalier，C.：基于高斯过程模型的快速不确定性降低策略。伯尔尼大学博士论文（2013年）
[4] 骑士，C。；皮切尼（Picheny，V.）。；Ginsbourger，D.，Kriginv：基于kriging，Compute的批量序列反演策略的高效且用户友好的实现。统计数据分析。，712021-1034（2014）·Zbl 1471.62043号 ·doi:10.1016/j.csda.2013.03.008
[5] Dagnelie，P.：统计图案和贴花。比利时Gembloux出版社（1992）·Zbl 0858.62001号
[6] Dupuy，D。；赫尔伯特，C。；Franco，J.，DiceDesign和DiceEval：计算机实验设计和分析的两个R包，J.Stat.Softw。，65, 11, 1 (2015) ·doi:10.18637/jss.v065.i11
[7] 杜唐，C。；Savicky，P.，《随机工具箱：生成和测试随机数》，R Package，67，1（2013）
[8] 埃查德，B。；北卡罗来纳州盖顿。；Lemaire，M.，AK-MCS：一种结合kriging和Monte Carlo模拟的主动学习可靠性方法，Struct。安全。，33, 2, 145-154 (2011) ·doi:10.1016/j.strusafe.2011.01.002
[9] El Amri，M.R.：《不确定性和鲁棒性分析》（Analyse d’incerties et de robustese pour les modèlesáentre es et arties foctionnelles）。Theses，格勒诺布尔阿尔卑斯大学（2019年）。https://tel.archives-ouvertes.fr/tel-0243324
[10] El Amri，M.R.、Helbert，C.、Lepreux，O.、Zuniga，M.M.、Prieur，C.、Sinoquet，D.：通过函数量化的数据驱动随机反演。统计计算。30(3), 525-541 (2020) ·Zbl 1436.62716号
[11] Ginsbourger，D.，计算机实验的顺序设计，Wiley StatsRef，99，1-11（2017）
[12] 赫尔伯特，C。；Dupuy，D。；Carraro，L.，《从通用到贝叶斯克里金的计算机实验不确定性评估》，应用。斯托克。模型。公共汽车。印度，25，2，99-113（2009）·Zbl 1224.62094号 ·doi:10.1002/asmb.743
[13] Jin，R.，Chen，W.，Sudjianto，A.：关于工程设计中全局元建模的顺序抽样。载：国际设计工程技术会议和工程中的计算机与信息会议，第36223卷，第539-548页（2002年）
[14] Jones博士；Schonlau，M。；Welch，WJ，《昂贵黑盒函数的高效全局优化》，J.global Optim。，13, 4, 455-492 (1998) ·Zbl 0917.90270号 ·doi:10.1023/A：1008306431147
[15] Lemieux，C.：准蒙特卡罗构造。摘自：蒙特卡罗和准蒙特卡罗抽样，施普林格，第1-61页（2009年）·Zbl 1269.65001号
[16] 小WR Mebane；Sekhon，JS，《使用导数的遗传优化：R的rgenoud包》，J.Stat.Softw。，42, 1, 1-26 (2011)
[17] Molchanov，I.S.：随机集理论，第87卷，Springer（2005）·Zbl 1109.60001号
[18] Moustapha，M.，Marelli，S.，Sudret，B.：主动学习可靠性的广义框架：调查和基准。arXiv预印本arXiv:2160.1713（2021）
[19] O'Hagan，A.，预测曲线拟合和优化设计，J.R.Stat.Soc.Ser。B（Methodol.），40，1，1-24（1978）·Zbl 0374.62070号
[20] Paciorek，C.J.：回归和空间建模的非平稳高斯过程。卡内基梅隆大学博士论文（2003年）
[21] Picheny，V.，Ginsbourger，D.，Roustant，O.，Haftka，R.T.，Kim，N.-H.：精确逼近目标区域的自适应实验设计（2010）
[22] 皮切尼（Picheny，V.）。；Wagner，T。；Ginsbourger，D.，基于kriging的噪声优化填充标准基准，Struct。多磁盘。最佳。，48, 3, 607-626 (2013) ·文件编号：10.1007/s00158-013-0919-4
[23] Ranjan，P.，Bingham，D.，Michailidis，G.：复杂计算机代码轮廓估计的序贯实验设计。技术计量学50（4），527-541（2008）
[24] Roustant，O.，Ginsbourger，D.，Deville，Y.：Dicekriging，Diceoptim:基于kriging-based元建模和优化的计算机实验分析的两个R包（2012）
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。