3. 蒙特卡洛方法及其计算瓶颈
在代理模型加速不确定性传播的整个技术路线中，蒙特卡洛（Monte Carlo，MC）方法既是出发点，也是参照基准。理解它的标准流程、收敛规律和成本结构，才能看清代理模型究竟在替代什么、加速从哪里来。
标准MC流程：从输入分布到输出统计量
设不确定性传播问题可写为 Y = g(X)，其中输入向量 X = (X₁, X₂, …, X_d) 服从联合分布 f_X(x)，g(·) 为计算昂贵的仿真模型（如有限元、CFD、电路仿真）。标准MC的流程非常直接：
- 依据
f_X(x)抽取N个独立样本x⁽¹⁾, …, x⁽ᴺ⁾； - 对每个样本调用一次仿真模型，得到
y⁽ⁱ⁾ = g(x⁽ⁱ⁾)； - 用样本统计量估计目标量，例如均值
μ̂ = (1/N)Σy⁽ⁱ⁾、标准差、失效概率P̂_f = (1/N)Σ I[g(x⁽ⁱ⁾) ≤ 0]。
MC的核心优势是“无维数灾难”：估计误差只与样本量 N 和输出方差有关，与输入维数 d 无直接关系。代价则完全落在第2步——每个样本都要跑一次完整仿真。
收敛性与样本量估计
MC估计的精度由大数定律和中心极限定理刻画。以均值为例，估计误差的标准差为 σ_Y / √N，因此给定目标半宽 ε 与置信水平 1−α，所需样本量为：
N ≥ ( z_{1−α/2} · σ_Y / ε )²例如 σ_Y = 2.0、要求 ε = 0.1、95% 置信（z ≈ 1.96），则 N ≥ (1.96×2.0/0.1)² ≈ 1537。注意误差按 1/√N 衰减：精度提高10倍，样本量需增加100倍。这正是MC“稳健但低效”的根源。
对失效概率 P_f，估计的相对误差约为 √((1−P_f)/(N·P_f))。若要求相对误差不超过10%，则需 N ≳ 100(1−P_f)/P_f。当 P_f = 10⁻³ 时约需 10⁵ 次仿真；P_f = 10⁻⁶ 时则需约 10⁸ 次——这就是小失效概率问题的核心困难。
高维与小失效概率的双重压力
MC对维数本身不敏感，但高维会带来两个间接影响：一是输入相关性建模与抽样更复杂；二是失效域在高维空间中往往变成“薄壳”或远离均值区域，随机样本落入失效域的比例极低，导致估计方差急剧放大。实践中常配合方差缩减技术（重要性抽样、拉丁超立方、子集模拟）缓解，但这些方法仍需要大量模型调用，且对问题结构有假设。
计算成本分析：瓶颈到底在哪里
MC总成本可近似写为 C_total ≈ N · t_sim + C_overhead，其中 t_sim 是单次高保真仿真耗时，C_overhead 为抽样与统计开销（通常可忽略）。以某结构可靠性问题为例（示例假设）：单次有限元仿真 t_sim = 30 min，目标 P_f = 10⁻⁴，按相对误差10%估算需 N ≈ 10⁶，总机时约 5×10⁵ 小时，显然不现实。
| 场景 | 目标量 | 典型 N | 单次 t_sim | 总成本量级 |
|---|---|---|---|---|
| 均值估计（ε=0.1σ） | μ_Y | ≈400 | 1 min | 小时级 |
| P_f = 10⁻³ | P_f | ≈10⁵ | 10 min | 年级 |
| P_f = 10⁻⁶ | P_f | ≈10⁸ | 10 min | 不可行 |
由此可见，MC的瓶颈不在算法逻辑，而在“每个样本都要调用一次昂贵模型”。代理模型的价值正是用少量高保真样本训练一个廉价替代模型，把 N·t_sim 中的 t_sim 替换为毫秒级的代理预测，从而把成本从“仿真次数×单次仿真”转变为“训练样本数×单次仿真 + 大量廉价预测”。理解这一点，就理解了后续所有加速方法的共同出发点。