用于随机优化中多保真度估计的主动导引采样

研究人员提出一种用于随机优化中多保真度估计的主动导引采样框架，以降低高保真非线性模型在采样不确定性量化时的计算成本。该方法通过矩阵对数变换的相关性与对数标准差构建正定参数化，学习模型输出协方差矩阵的概率仿真器，并利用主动学习采集函数将导引样本分配至最不确定且最相关的设计区域。在四分支基准测试及对流扩散系统传感器放置等应用中，该框架表现优于单保真度 Monte Carlo 和简单导引采样策略。