Латинское гиперкубическое проектирование — стратифицированный дизайн симуляции
- Год
- 1979
- Тип
- Stratified space-filling sampling design
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Латинское гиперкубическое проектирование (LHS) — это стратифицированный, заполняющий пространство дизайн для компьютерных экспериментов, представленный МакКеем, Бекманом и Коновером в 1979 году.
Он делит диапазон каждой входной переменной на равные по вероятности страты и извлекает ровно по одному образцу из каждой страты, гарантируя, что все входное пространство покрывается при значительно меньшем количестве оценок модели, чем требуется стандартным методом Монте-Карло. Этот метод обычно используется совместно с глобальным анализом чувствительности, в частности с индексами Соболя, для количественной оценки того, насколько каждый входной параметр влияет на вариативность выходных данных.
Интуиция метода
Представьте, что вы хотите понять, как сложная компьютерная модель реагирует на широкий спектр входных комбинаций, но каждый прогон модели дорог. Стандартный метод Монте-Карло случайным образом извлекает образцы и может оставить большие области входного пространства плохо покрытыми по чистой случайности. Латинское гиперкубическое проектирование избегает этого, действуя как тщательная сетка: оно делит каждое входное измерение на равные по вероятности срезы и гарантирует, что каждый срез представлен в выборке ровно один раз. Результатом является набор входных точек, который распределяется более равномерно по пространству параметров, чем случайная выборка, поэтому вы узнаете больше о поведении модели за один прогон. В сочетании с индексами чувствительности Соболя этот метод также показывает, какие входные параметры наиболее важны — критический шаг перед инвестированием в дальнейший анализ или калибровку.
История
Латинское гиперкубическое проектирование было представлено МакКеем, Бекманом и Коновером в статье 1979 года в журнале Technometrics, где оно сравнивалось с простой случайной выборкой и стратифицированной случайной выборкой как метод исследования выходных данных компьютерных моделей. Название происходит от латинской квадратной комбинаторной структуры, расширенной до высших измерений: подобно тому, как латинский квадрат размещает один символ в каждой строке и столбце сетки, LHS размещает один образец в каждой строке и столбце многомерной сетки стратификации. Метод стал краеугольным камнем проектирования компьютерных экспериментов — области, формализованной Саксом и др. (1989 г.), — а его сочетание с глобальным анализом чувствительности на основе дисперсии было систематизировано Салтелли и его коллегами в 1990-х и 2000-х годах, кульминацией чего стало широко используемое учебное пособие Салтелли и др. (2008 г.).
Когда применять
LHS подходит всякий раз, когда вам нужно исследовать, как вычислительно дорогая модель реагирует в своем входном пространстве, а полный факторный или случайный дизайн Монте-Карло был бы непомерно дорогим. Метод требует, чтобы границы и распределения входных переменных могли быть указаны — даже приближенные маргинальные распределения достаточны. Он особенно хорошо подходит для глобального анализа чувствительности, когда входные параметры являются непрерывными. Если входные параметры сильно коррелированы, примените коррекцию Имана-Коновера перед выборкой. Когда модель очень дешева для оценки, стандартный метод Монте-Карло с очень большим размером выборки является более простым альтернативой; когда вам нужна только локальная чувствительность, методы, основанные на градиенте, могут быть более информативными.
Ограничения и замечания
- Требует предварительного указания распределений и границ входных параметров; неправильно выбранные распределения могут исказить истинное пространство параметров.
- Анализ чувствительности Соболя требует размера выборки N·(k+2), который может стать большим при высоком количестве входных параметров k.
- LHS не гарантирует оптимальности в пространствах высокой размерности — преимущество перед случайной выборкой уменьшается с ростом размерности.
- Метод является чисто исследовательским; он сам по себе не оценивает неопределенность распределения выходных данных без дополнительного анализа.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Достигает аналогичной точности оценки, как и стандартный метод Монте-Карло, при значительно меньшем количестве оценок модели, что делает его высокоэффективным для дорогостоящих симуляций.
- Гарантирует полное покрытие диапазона каждой входной переменной за счет стратификации, устраняя скопления и пробелы, которые присущи чисто случайной выборке.
- Естественно сочетается с индексами глобальной чувствительности Соболя, позволяя принципиально ранжировать входные параметры по важности.
- Применим к любой модели черного ящика — информация о производных или аналитическая форма не требуются.
- Расширение Имана-Коновера обрабатывает коррелированные входные параметры без ущерба для свойства заполнения пространства.
Применение
- Анализ неопределенности и чувствительности в экологических моделях и моделях климата, где запуск модели тысячи раз при полном разрешении невозможен.
- Инженерная надежность и безопасность конструкций: распространение неопределенных свойств материалов и нагрузок через модели конечных элементов для оценки вероятностей отказов.
- Фармацевтическое и биомедицинское моделирование: исследование того, как неопределенные физиологические параметры влияют на прогнозы концентрации лекарств в фармакокинетических моделях.
- Анализ финансовых рисков: выборка неопределенных рыночных параметров для оценки стоимости портфеля при риске (value-at-risk) в рамках сложной модели ценообразования.
- Агентные социальные симуляции: систематическое исследование того, как неопределенные параметры поведения влияют на совокупные результаты.
Как это работает
Как это работает
Каждой неопределенной входной переменной назначается распределение вероятностей (равномерное, нормальное, логнормальное и т. д.), и указывается ее правдоподобный диапазон. Этот шаг явно показывает, что аналитик знает — или предполагает — о каждом параметре до начала выборки. Если входные параметры коррелированы, может быть применен метод ранговой корреляции Имана-Коновера для сохранения их структуры зависимости при одновременном создании допустимого дизайна LHS.
Кумулятивное распределение каждой входной переменной делится на N равных по вероятности интервалов (страт). Одно значение случайным образом извлекается из каждого интервала, а N извлеченных значений случайным образом переставляются независимо друг от друга для входных переменных. Результатом является матрица размером N × k (N образцов, k входов), где каждая строка представляет собой отдельную комбинацию входных значений, а каждая страта встречается ровно один раз в каждом столбце. Это свойство стратификации делает LHS более эффективным, чем простая случайная выборка.
Компьютерная модель — симуляция, решатель конечных элементов, агентная модель или любая функция черного ящика — оценивается для каждой из N выбранных входных комбинаций. Выходные значения формируют вектор Y длиной N. Минимальный рекомендуемый размер выборки обычно составляет 1000 прогонов; ниже этого порога преимущество LHS над простым методом Монте-Карло в покрытии пространства сужается, а индексы Соболя становятся ненадежными. Специально для анализа Соболя требуемый размер выборки растет как N·(k+2), где k — количество входных параметров.
Индексы чувствительности Соболя на основе дисперсии оцениваются по выходным данным модели. Индекс первого порядка S_i измеряет долю общей дисперсии выходных данных, приписываемую только входному параметру i; индекс общего порядка S_Ti охватывает как прямые эффекты, так и эффекты взаимодействия. Вместе они ранжируют входные параметры по важности, определяют, какие параметры могут быть зафиксированы без потери информации, и направляют упрощение модели и дальнейшие усилия по калибровке.
Частые ошибки
- Использование менее 1000 точек выборки: пространство параметров покрывается недостаточно, а индексы Соболя, вычисленные по малым выборкам, имеют высокую дисперсию и ненадежны.
- Игнорирование корреляций входных параметров: рассмотрение коррелированных входных параметров как независимых искажает выборку и дает вводящие в заблуждение оценки чувствительности — всегда применяйте коррекцию Имана-Коновера, когда корреляции существенны.
- Путаница между индексами Соболя первого порядка и общего порядка: небольшой индекс первого порядка не означает, что входной параметр неважен, если он участвует в сильных эффектах взаимодействия, охватываемых индексом общего порядка.
- Применение LHS, когда модель детерминирована и очень гладкая: в этом случае методы суррогатного моделирования или градиентные методы могут дать такое же понимание при более низкой стоимости.
Часто задаваемые вопросы
Чем LHS отличается от стандартной выборки Монте-Карло?
Оба метода используются для выборки входного пространства для симуляции, но они различаются способом размещения выборок. Стандартный метод Монте-Карло извлекает каждую точку выборки независимо и равномерно случайным образом, что может привести к тому, что некоторые области входного пространства будут представлены избыточно, а другие — разреженно по чистой случайности. LHS применяет правило стратификации: диапазон каждой входной переменной делится на равные по вероятности интервалы, и в каждый интервал помещается ровно одна выборка. Это гарантирует лучшее покрытие входного пространства при том же количестве точек, что приводит к более низкой дисперсии оценки для многих интересующих величин.
Сколько образцов необходимо?
Минимальный порог в 1000 точек выборки является общепринятой рекомендацией для надежного покрытия входного пространства с помощью LHS. Для анализа чувствительности Соболя требуемый размер выборки составляет N·(k+2), где k — количество входных переменных. Например, при 10 входных параметрах и N = 1024 общее количество оценок модели составляет 12 288. При менее чем 1000 образцах преимущество LHS в заполнении пространства сужается, а индексы Соболя становятся крайне неопределенными.
Что такое индексы Соболя и почему они используются с LHS?
Индексы Соболя — это меры чувствительности на основе дисперсии. Индекс первого порядка S_i количественно определяет, какая доля общей дисперсии выходных данных объясняется только входным параметром i; индекс общего порядка S_Ti охватывает комбинированный эффект входного параметра i и всех его взаимодействий с другими входными параметрами. Они обычно используются в сочетании с LHS, потому что LHS создает хорошо распределенную выборку по входному пространству, что является отправной точкой для оценки индексов Соболя по методу Салтелли. Вместе эти два метода определяют, какие входные параметры влияют на выходные данные модели, а какие могут рассматриваться как фиксированные — ключевой шаг в планировании упрощения модели и калибровки.
Что делать, когда входные параметры коррелированы?
Стандартный LHS генерирует выборки при предположении, что входные параметры независимы. Когда входные параметры коррелированы, примените метод ранговой корреляции Имана-Коновера в качестве пост-обработки: он переупорядочивает столбцы LHS для создания желаемых ранговых корреляций между входными параметрами, сохраняя при этом маргинальные распределения и свойство стратификации. Игнорирование известных корреляций преувеличивает или преуменьшает оценки чувствительности и дает искаженное представление о том, какие входные параметры наиболее важны.
Похожие методы
Источники
McKay, M.D., Beckman, R.J. & Conover, W.J. (1979). A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code. Technometrics, 21(2), 239-245.
Открыть ссылку DOIСкопировано.Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M. & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley.
Открыть ссылку DOIСкопировано.