Kriging可靠性分析：内层优化器比较与失效模式漏学风险

主动学习Kriging在可靠性分析中常以连续元启发式搜索替代候选池选择。一项预注册比较研究通过共享代理模型、种群和停止规则，单独考察了内层优化器的影响，并揭示了失效模式漏学导致的非保守估计问题。

研究设计与核心假设

该研究设置了五个预算匹配的连续优化器（包括带L-BFGS-B精修的混合群优化）与候选池方法进行对比，覆盖11个问题（维度从2到100）。研究的主要假设未获支持：在与采用相同准则的优化器比较中，混合方法在66次Holm校正的精度比较中胜6次、平41次、负19次；与池方法比较时，在44次中胜0次、平23次、负21次。

这一结果直接挑战了“连续优化器必然优于候选池”的直觉。尽管混合方法在部分场景表现不俗，但整体上并未展现出显著优势，说明内层优化器的选择需要更谨慎的评估。

L-BFGS-B 是一种拟牛顿法，属于有限内存的 Broyden–Fletcher–Goldfarb–Shanno 算法变体，支持对变量施加边界约束。它利用最近若干步的梯度和位移信息近似 Hessian 矩阵，无需存储完整 Hessian，因此适合中高维连续优化问题。在主动学习 Kriging 中，它常被用作内层优化器，以最大化学习函数（如误差准则）。本研究中的“混合群优化”指将群体智能算法与 L-BFGS-B 精修结合：先用群优化进行全局探索，再用 L-BFGS-B 在局部精细搜索，以兼顾全局性与收敛速度。这种设计旨在弥补纯梯度方法易陷入局部最优的缺陷，但其效果仍依赖于学习函数 landscape 的性质。

Holm 校正 是一种多重比较校正方法，用于控制族错误率（FWER）。当同时进行多次假设检验时，若不校正，假阳性概率会累积。Holm 法按 p 值升序排列，依次与递减的显著性阈值比较，一旦某检验不显著则停止。文中“66 次 Holm 校正的精度比较”意味着对多组配对比较进行了严格的多重检验控制，以降低偶然显著的风险。胜/平/负的计数即在这些校正后的比较中统计，因此结论更具保守性和可靠性。这种预注册加多重校正的设计，增强了比较研究的统计严谨性。

失效模式漏学与低估风险

在三个串联系统的序贯选择中，多起点L-BFGS-B在60次运行中有59次未能学习到某个失效模式，频率高于群优化、遗传算法或AK-MCS。在全部198次运行（含22次冻结后）中，当存在未学习失效模式时，已学习模式未能补偿，失效概率被低估（探索性分析）。

误差准则可能接受显著的低估：它接受了17次运行（其中13次为池选择）的失效概率低至参考值的0.38至0.89倍；另有181次运行耗尽了预算。针对单设计点问题的后续分析表明，当选择集中在设计点附近时，容易出现低估。

失效模式 指系统在不同输入区域或不同物理机制下发生失效的多种路径。在串联系统中，任一组件失效即导致系统失效，因此存在多个失效域（模式）。主动学习 Kriging 若只学习到部分失效模式，代理模型会在未学习区域错误地预测高可靠性，从而低估失效概率。序贯选择 指每轮选择一个设计点更新代理模型，而非一次性生成候选池。多起点 L-BFGS-B 从多个初始点出发搜索学习函数最大值，但若某些失效模式对应的学习函数峰值较窄或被其他模式遮蔽，优化器可能反复收敛到已学习的模式附近，导致漏学。AK-MCS 是主动学习 Kriging 结合蒙特卡洛模拟的经典方法，使用候选池选择。覆盖性检查 指在停止后验证代理模型是否在所有候选区域（尤其未学习模式附近）具有足够精度，例如检查预测方差或与参考模拟对比，以发现潜在漏学并触发补充采样。

候选池选择的优势与建议

Kriging-believer池选择在全部四个信息量充足的批次单元（其中两个为冻结后）中，以更少的调用次数满足了代理模型停止准则，优于最佳连续方法。基于此，作者建议默认采用池选择，并对任何选择方法进行覆盖性检查。

实践启示

这项研究提醒工程师和研究者：内层优化器的选择并非无关紧要，连续优化器可能因漏学失效模式而导致非保守的可靠性估计。在主动学习Kriging框架中，优先使用候选池方法并加入覆盖性检查，是降低风险的有效策略。