基于SHAP引导两阶段采样的代理模型优化方法及其在环境建模中的应用

《Environmental Modelling & Software》：Enhancing Surrogate Assisted Optimization with SHAP Guided Two-Stage Sampling

本文提出了一种创新的SHAP引导两阶段采样方法（SGTS-LHS），通过将模型可解释性融入实验设计，解决了高维参数空间中计算成本高昂的采样难题。该方法先进行稀疏的全局探索（拉丁超立方采样LHS），再基于SHAP分析识别关键参数子空间进行局部加密采样，在相同计算预算下显著提升了地下水模型反演等环境建模任务的精度与鲁棒性。

　　

SHAP引导的两阶段采样

本研究提出的SGTS-LHS方法是一种新颖框架，旨在提升计算密集型优化和反演问题中构建高保真代理模型的效率。该方法协同整合了全局探索与自适应局部优化。通过采用数据驱动的序列学习策略，SGTS-LHS巧妙地分配计算预算，并利用可解释的初步机器学习模型。其基本原理在于...

应用案例

我们设计了三个复杂度递增的案例研究，用于严格评估所提出的SGTS-LHS方法的性能。这些案例从合成多峰函数到计算需求高的地下水模型反演，系统性地展示了该方法的有效性和实际应用价值。

案例1：二维多峰函数

图4展示了LHS和SGTS-LHS采样策略对最终代理模型及后续参数优化的对比效果。传统LHS方法在整个参数空间生成了准均匀的样本分布（图4a1）。与之形成鲜明对比的是，SGTS-LHS策略性地将其第二阶段样本集中在函数多个局部最优解所在的中心区域（图4a2）。值得注意的是，在50次独立实验中...

讨论

为复杂数值模拟（如地球科学和环境科学中的模拟）构建代理模型的主要目标，通常不是创建物理模型的完美数据驱动副本，而是为了促进对最优模型参数或结构的更高效搜索。这种应用导向的焦点意味着代理模型的期望性能本质上是非均匀的；其在潜在最优解邻近区域的准确性...

结论

本研究提出了SHAP引导的两阶段采样（SGTS-LHS）方法，这是一个为解决高维参数优化和反演中代理模型精度与计算成本之间固有权衡而开发的框架。通过整合广泛的全局探索和由SHAP分析指导的针对性局部优化，SGTS-LHS优先将有限的采样预算分配给对优化目标影响最显著的参数子空间。该方法...