.png){kind=icon}
返回
An MDP-Driven Learning Function Selection Strategy for Kriging-Based Structural Reliability Analysis
.png){kind=icon}
PRE
AI
DOI：10.1109/TR.2025.3647741.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动学习克里金法因其计算效率高和精度高，被广泛应用于结构可靠性分析。尽管存在多种学习函数可用于加速克里金收敛，但它们在不同问题上的表现各异，没有一种函数能够普遍占优。本研究提出了一种基于马尔可夫决策过程（MDP）的学习函数选择策略。具体而言，将学习函数的选择建模为MDP，其中动作对应于若干代表性学习函数，从而避免依赖固定的样本选择偏好。开发了一种失效概率的精度度量，并将其设计为MDP的奖励，将样本选择的重点从单个样本的状态转向整体模型改进。依据贝尔曼最优原理，所提出的方法在每次迭代中选择能最大化模型精度长期预期增益的学习函数，从而实现理论上最优的选择策略。采用若干数值和工程实例验证了所提出方法的有效性。结果表明，该方法有效克服了盲目选择学习函数的局限性，甚至在动作空间中能够超越最优学习函数的表现。
Keyword:
Reliability
Active learning
Accuracy
Markov decision processes
Computational modeling
Reliability engineering
Uncertainty
Probability density function
Monte Carlo methods
Convergence
Kriging
learning function selection
Markov decision process (MDP)
structural reliability analysis (SRA)
期刊
IF:
5.7
论文数:
2.8K
被引数:
9.6K
机构
引用论文
Cross entropy-based importance sampling using Gaussian densities revisited.png)
STRUCTURAL SAFETY
OAAI
STRUCTURAL SAFETYIF6.3
OAAI分享收藏A novel hybrid adaptive Kriging and water cycle algorithm for reliability-based design and optimization strategy: Application in offshore wind turbine monopile用于可靠性设计和优化策略的新型混合自适应Kriging和水循环算法: 在海上风力发电机单桩中的应用
PREAI
分享收藏Reliability analysis of structures by iterative improved response surface methodSTRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏
查看更多内容