Модель-заместитель может эффективно ускорить процесс оценки вероятности отказа, но когда модель-заместитель не способна точно описать реальную поверхность отказа, часто возникает смещение оценки, что особенно распространено в практических инженерных задачах с высокой размерностью и/или сильной нелинейностью. Используя идею отложенного принятия (delayed acceptance, DA) из методов марковских цепей Монте-Карло (MCMC), в настоящей работе предложена новая стратегия, объединяющая поднаборную симуляцию (subset simulation, SuS) с моделью-заместителем, называемая методом DA-SuS. Этот метод разбивает процесс принятия в MCMC на три этапа, где кандидатные образцы сначала оцениваются моделью-заместителем; если образец отклонён на этом этапе, он не поступает к дальнейшим вычислениям. Механизм отложенного принятия не нарушает условие детального равновесия MCMC, то есть независимо от точности модели-заместителя стационарное распределение остаётся целевым распределением, что гарантирует асимптотическую несмещённость оценок MCMC. Несмотря на то, что данная стратегия несколько снижает статистическую эффективность, она значительно уменьшает вычислительные затраты за счёт обращения к реальной модели лишь для кандидатных образцов с высокой вероятностью попадания в область отказа, что в целом повышает вычислительную эффективность. Далее в работе введены три улучшенные стратегии, включая адаптивное обучение модели Kriging, критерий принятия, основанный на ошибках ложных негативов, и схему обновления на уровне цепи. Производительность алгоритма DA-SuS была проверена на трёх эталонных примерах и сравнена с традиционным SuS и его улучшенными версиями с использованием модели-заместителя. Результаты показали, что предложенный метод DA-SuS способен обеспечивать несмещённую оценку вероятности отказа даже в задачах с высокой размерностью и сильной нелинейностью, однако его статистическая и вычислительная эффективность частично зависит от качества модели-заместителя.

поднаборная симуляция; модель-заместитель; несмещённость; отложенное принятие; Kriging