Scenario generation using adaptive sampling: The case of resource scarcity

روش های نمونه گیری استاتیک ورودی-گرا اغلب برای تولید سناریوهای مبتنی بر مدل استفاده می شود. با این حال، برای مدل های مسائل عمیق نامشخص و پویا پیچیده، هیچ تضمینی وجود ندارد که چنین رویکردهای طیف رفتاری را که می تواند با شبیه سازی آنها تولید شود، نشان می دهد. در این مقاله، یک روش نمونه گیری سازگار با خروجی گرا برای کشف طیف رفتاری کامل ارائه می کنیم که می تواند با استفاده از مدل های محاسباتی با توجه به ایجاد سناریو های جالب، حتی قبلا کشف نشده باشد. در این مقاله، ما از مدل کمبود منابع برای نشان دادن رویکرد استفاده می کنیم، تفاوت بین نمونه گیری استاتیک و نمونه گیری سازگار را نشان می دهد، و نشان دهنده سودمندی برای کشف سناریوی دوم با روش های دیگر است. ما نشان می دهیم که این روش می تواند برای نشان دادن طیف رفتاری مدل ها، شناسایی مناطق فضای ورودی که رفتار خاصی را ایجاد می کنند و انتخاب (مجموعه ای از) سناریوها که از لحاظ فواصل خروجی و ورودی نماینده هستند، استفاده شود.