使用Python生成带变量边界的Sobol序列样本遇问题求助

错误原因分析 #

• 维度参数混淆：原代码将ndim设为5000（样本数量），但该参数实际应表示变量维度（此处为10），导致生成了5000个多余的均匀分布，完全偏离需求。
• 采样器调用错误：cp.sampler.sobol是Chaospy的子模块，并非可调用函数，正确的Sobol采样器初始化方式是使用cp.Sobol()类。
• 样本生成逻辑错误：原代码对采样器sample方法的调用不符合Chaospy的API规范，未正确完成从标准均匀空间到目标分布空间的映射。

修正后的代码实现 #

方法一：手动初始化采样器并映射分布 #

import chaospy as cp

# 定义变量维度和样本数量
var_dim = 10
sample_count = 5000

# 各变量的上下界
lower_bound = [500, 0.1, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5]
upper_bound = [1500, 0.9, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5]

# 创建对应变量的均匀分布列表
uniform_dists = [cp.Uniform(lower, upper) for lower, upper in zip(lower_bound, upper_bound)]
# 构建联合分布
joint_dist = cp.J(*uniform_dists)

# 初始化Sobol采样器
sampler = cp.Sobol(dim=var_dim, qr_input=True)
# 生成[0,1]区间的标准Sobol样本
standard_samples = sampler.sample(sample_count)
# 通过逆累积分布函数映射到目标变量区间
final_samples = joint_dist.inv(standard_samples)

# 验证结果形状（变量维度 × 样本数量）
print(f"样本形状: {final_samples.shape}")
# 打印前5个样本
print("前5个样本:")
print(final_samples[:, :5])

方法二：使用generate_samples简化实现 #

import chaospy as cp

var_dim = 10
sample_count = 5000
lower_bound = [500, 0.1, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5]
upper_bound = [1500, 0.9, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5]

# 构建联合分布
joint_dist = cp.J(*[cp.Uniform(l, u) for l, u in zip(lower_bound, upper_bound)])

# 直接生成指定分布的Sobol样本
final_samples = cp.generate_samples(
    distribution=joint_dist,
    size=sample_count,
    rule="sobol",
    qr_input=True
)

print(f"样本形状: {final_samples.shape}")

关键修改说明 #

• 明确区分变量维度和样本数量两个参数，避免混淆。
• 使用正确的采样器类cp.Sobol()初始化采样器，而非调用子模块。
• 通过联合分布的inv方法（或generate_samples函数）完成从标准均匀空间到目标变量区间的映射，确保样本符合指定的上下界要求。

内容的提问来源于stack exchange，提问作者Jose Pinto