.png){kind=icon}
返回
Sequential multiple importance sampling for robust and efficient (possibly high-dimensional) reliability estimation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymssp.2026.114798.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种顺序多重重要抽样（SeMIS）方法，用于对小失效概率进行稳健且高效的估计。与强制最终重要抽样密度（ISD）近似最优ISD的传统顺序方法不同，SeMIS构建了一系列中间ISD——包括扩展初始分布后接自适应确定的截断分布——以最大化整体抽样效率。该协同策略利用方差膨胀增强复杂失效域的探索，并采用混合截断最小化计算开销。此外，通过一种创新的基于不确定性传播的方法量化了SeMIS估计量的不确定性，从而能够从单次模拟运行中预测变异系数。该算法的性能通过一系列低维和高维基准问题以及两个合成工程应用进行验证。结果表明，与常规顺序方法相比，SeMIS能提供更准确和稳定的失效概率估计，其特点是偏差减小、偏差降低以及计算效率提升。
Keyword:
Failure probability estimation
Rare event simulation
Multiple importance sampling
Surrogate model
Uncertainty quantification
