基于Python的MATLAB工具箱ANDRIL的开源继任者ANDURYL的更新与分析

软件X 10（2019）100295软件更新更新（1.1）到ANDURIL-一个MATLAB工具箱，用于分析和决策与UnceRtaInty：从专家判断安杜里尔Cornelis Marcel Pietera荷兰代尔夫特理工大学土木工程和地球科学b荷兰阿默斯福特隧道工程顾问公司（TEC）ar t i cl e i nf o文章历史记录：收到2019年收到修订版2019年7月19日接受2019年保留字：结构化专家判断库克Python工具箱EXCALIBUR软件ANDURILa b st ra ct这是PII的更新：S2352711018300608在本文中，我们讨论了ANDRYL，这是一个基于Python的MATLAB工具箱ANDRIL的开源继任者。ANDURYL的输出与ANDURIL和EXCALIBUR得到的结果很好地一致讨论了ANDURYL中可用而其前身中不可用的其他功能版权所有©2018作者.由爱思唯尔公司出版All rights reserved.代码元数据当前代码版本代码：ANDRYL v1.0，Paper v1.1用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX_2019_237代码海洋计算胶囊http://doi.org/10.24433/CO.7459237.v1GNU通用公共许可证（GPL）使用的代码版本控制系统使用Python、SCIPY、NUMPY、MATPLOTLIB的软件代码语言、工具和服务编译要求，操作环境依赖Python 3.6如果可用，链接到开发人员文档/手册http://doi.org/10.24433/CO.7459237.v1问题支持电子邮件C. M. P. tudelft.nl软件元数据当前代码版本ANDRYL v1.0指向此代码版本所用代码/存储库的永久链接CodeOceanGNU通用公共许可证（GPL）Code Ocean使用的代码版本控制系统使用Python、SCIPY、NUMPY、MATPLOTLIB的软件代码语言、工具和服务编译要求，操作环境依赖Python 3.6如果可用，链接到开发人员文档/手册http://doi.org/10.24433/CO.7459237.v1问题支持电子邮件C. M. P. tudelft.nl原文DOI：https://doi.org/10.1016/j.softx.2018.07.001。通讯作者：土木工程与地球科学，代尔夫特大学技术，荷兰。电子邮件地址： c.m.p. tudelft.nl（C.M.P.'t Hart ）.https://doi.org/10.1016/j.softx.2019.1002952352-7110/©2018作者。由爱思唯尔公司出版All rights reserved.可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softx2CMP Leontaris和O.Morales-Nápoles/SoftwareX 10（2019）100295≈≈306-×561-×表1AI和AY与CC的结果比较概述。软件研究数量相比表2中不同评分的数量具有近似值差异的评分数AI的得分数=AY，但与CC近似值校正后的相对一致性和AI=AY18（55%）13（96%）4 9 100%AY 33（100%）23（96%）8 9 99%1. 动机和意义一个MATLAB工具箱，命名为ANDRIL，1（AI），实现库克直到最近EXCALIBUR2（CC）是唯一可用的软件实现库克虽然Eggstaff在本文中，我们提出了ANDRYL（AY），这是Cooke经典模型[ 1 ]的Python [5]实现用Y替换I的程序名表示AY源代码基于Python而不是MATLAB。在此实现中保留了AI的程序结构AY的主要明显优势是AI所需的MATLAB许可证不需要AY。关于AI的其他附加功能将在本文中讨论。2. 软件描述AY是通过Python函数main.py从命令行运行的，因为它没有图形用户界面。用户可以调整代码以按照anduryl_example.py中所示的顺序运行自己的研究。程序结构是这样设置的，有一个主要的Python函数anduryl用于运行AY的全部范围。在该主脚本中，可以输入从专家判断获得的数据，以便进行所需的分析。输入变量被设置为全局变量并进行备份。使用“restore”语句，变量可以被重置为原始输入值，这可以在以后的计算中使用，但也可能在AY的进一步开发中有用。在当前的实现中，这被用于调查所获得的决策者（DM）的鲁棒性的过程中。AY中Cooke经典模型的支持功能1. 使用全局权重计算DM2. 使用项目权重计算DM3. 使用相等或用户定义的权重计算DM4. DM的优化5. 逐项的鲁棒性检查6. 用专家方法进行鲁7. 逐项绘制评估图8. 绘制稳健性结果。AY的功能类似于AI的功能。 AY保持其架构尽可能与AI相似。然而，主要的区别在于函数calculate_weights，它合并了AI的函数global_weights和item_weights。该方案的更详细说明载于补编。 其余差异将在第4节中进一步讨论。 接下来，我们提出的比较结果，paring AY的输出CC和MATLAB实现AI。1 可在https://github.com/ElsevierSoftwareX/SOFTX_2018_39免费获得。2 可在http://www.lighttwist.net/wp/excalibur免费获得。3 这个MATLAB实现不是EXCALIBUR。3. 比较ANDRYL的输出与先前的专家判断研究在[4]中，使用CC提供了33项使用Cooke经典方法的2006年后研究我们使用这些数据将AY的输出与CC和前一篇论文[2]的MATLAB实现AI表2列出了[4]（研究名称后接CC）表1中报告的结果，扩展了AI（AI）和AY（AY）的计算表2包括统计准确度（SA）、信息（In）和综合评分（Co）。等权重，全局权重无优化（全局无操作），给出了全局权重优化（PW Global）、项权重优化（PW Item）和具有最高组合得分的专家（最佳专家）在补充中，一个扩展表，包括没有优化的项目权重（项目无操作）。并且呈现具有最低组合分数的专家在报告的33项研究中[4]，14项使用5个分位数进行，3项使用第5、50和95分位数以外的分位数或包含一些专家缺失的项目。这些结 果 不能 与 AI 进 行 比较 ， 用 （ * ） 标 记 。 在 EBPP 研 究 中，MATLAB代码中出现软件错误此错误将在未来的AI更新中解决。因此，共有18项研究与AI进行了比较。表2中的每项研究显示了17个数字。[4]和AI中报告的计算之间的差异以蓝色突出显示。表2中共有153个蓝色数字，因此一致性为（1十三、100对于可比较的研究，AI与[4]中报告的计算之间的差异为96%。从13个数字中，4个显然是近似的差异。请注意，尽管CC中的数字是基于MATLAB的，但我们将我们的结果与[4]中发表的结果进行了比较，并且作者无法进一步研究[4]中使用的近似。此外，9个数字等于用AY获得的结果这两个观察结果将使协议达到100%。[4]和AY中报告的计算之间的差异在同一表中以红色突出显示。表2中共有23个红色数字，因此一致性为（1 23）100AY和[4]中报告的计算值之间的96%。23个红色数字中的8个显然是近似值的差异。此外，9个AY结果与AI获得的结果相同，这将使一致率达到99%。该结果表明，感兴趣的用户可以足够的信心使用AI和AY。比较结果总结在1中。在表2中，9个值对于AI和AY是相等的，但是对于CC是不同的作者检查了“Icesheets”研究的输入文件发现实现文件（*.rls）和评估文件（*.dtt）在评估问题的标签中存在不一致。我们推测这可能是AI和AY与CC不一致的原因。在“Gerstenberger”、“Goodheart”和“Hemopilia”研究中发现的差异与优化过程有关。例如，“Goodheart”数据的优化过程在CC 1expert中显示为最佳组合。对于AI和AY最优组合由3个专家组成。没有CC的源代码，作者无法进一步调查这种不对齐的来源。CMP Leontaris和O.Morales-Nápoles/SoftwareX 10（2019）1002953表2[4]（CC）表1中所示结果与AI（AI）和AY（AY）计算结果的比较一 作者在AI中发现了一个软件错误，这项特殊的研究尚未被验证到AI。 在未来的AI更新中， 都能解决4CMP Leontaris和O.Morales-Nápoles/SoftwareX 10（2019）100295- -- -表4对于第4.1节中给出的假设示例，假设专家得出其不确定性分布的第10、25、35、50、65、75和90个分位数，使用具有7个分位数的AY计算统计准确性和信息性。8.542E−08 4.877E−08 3.908E−07专家C专家D全球（非备选）Fig. 1. 4位专家评估10个种子变量的假设示例。表3统计准确性和信息性计算与AY和CC的假设的例子中提出的图。1假设专家得出了他们不确定性分布的第10、50和90次幂。和第90次）列于表4（中间评估已获得线性插值的估计总结在图4。①的人。虽然这一选项在AY中可用，但作者不清楚其在实践中的适用性，因为对专家判断进行eliciting的复杂性随着从专家处引出的分位数的数量显著增加。作者也不清楚是否没有研究考虑引出超过5个分位数，因为任何软件都没有此功能专家ID校准（CC）校准（AY）信息（CC）信息（AY）实施.专家A 5.529E 10 5.530E10 1.371 1.371专家B 5.529E 10 5.530E10 0.571 0.571专家C专家D全球（非备选）4. 影响在[2]中讨论的AI相对于CC的优点被AY继承。讨论了人工智能的一些局限性在补充[2]。除了使用Python作为编程语言的完全开源特性外，与CC和/或AI相比，还实现了另外两个优势。下文将进一步阐述这些问题4.1. 用户定义的分位数从表2中可以观察到，AY与[4]中报告的11项研究具有良好的一致性，其中使用5个分位数（第5、第25、第50、第75和第95）来得出专家判断，因此我们没有进一步阐述该问题。如前所述，AY提供了用户定义的quan-tiles选项CC允许使用3、4或5个用户定义的分位数。图1提供了一个假设的例子，4个专家：A，B，C和D，评估10个校准或种子变量。还示出了实现（R）。直觉上，读者可能已经意识到专家A将是信息丰富的，但具有低SA。专家B将不太具有信息性，并且也呈现低SA。C和D的SA将相等，但是，D将比C提供更多信息。表3列出AY和CC之间SA和信息量计算的比较，假设专家得出其不确定度分布的第10、50和90个序列。读者可以理解，CC和AY进行的计算之间的协议几乎是准确的。由于AY的源代码是可用的，并且相对于CC进行了扩展，因此从业者可以使用超过3、4或5个用户定义的分位数来引出专家判断。使用与表3中相同的假设示例，其中有四位专家，但是专家评估7个分位数（第10、25、35、50、65、754.2. 一些专家[6]两个由9名专家组成的小组聚集在一起，以评估墨西哥2020年和2030年经济增长和油价的不确定性。在对应国际天然气和石油价格的小组中，专家A没有回答26个校准变量中的10个。对于5个校准变量，未记录专家D的答案。同样，对于专家G，未观察到对1个校准变量的回答。AY和CC缺失项目的计算结果见表5。与表3类似，CC和AY的计算结果几乎完全一致。5. 结论扩展了MATLAB工具箱AI，利用Cooke的经典结构化专家判断模型，实现了专家判断的组合。新的软件被称为AN- DURYL。开发这些工具箱的主要目的是创建开源解决方案，供有兴趣应用或进一步开发库克方法的从业者和研究人员使用与AI和/或CC相比，AY具有以下新功能：AY继承了[2]中讨论的AI的所有优点。此外，AY是完全开源的，允许用户定义分位数（见4.1）和缺失项（见4.2）。本文提出的软件工具验证库克的经典模型成功地与一系列的研究提出在[4]中。尽管AY当前版本存在局限性，但作者相信，与AI类似，开发的工具箱对那些有兴趣开发和进一步应用该方法的人来说是有价值的作者的目标是扩展AI和AY，使其具有比CC中当前可用的功能更多的功能，并使用最新的多变量依赖性诱导技术[7]。竞合利益我们希望确认，本出版物不存在任何已知的利益冲突，也不存在可能影响其结果的重大财务支持。专家ID校准评分信息评分未归一化权重归一化权重专家B8.542E− 081.37380.57101.173E− 079.403E− 07CMP Leontaris和O.Morales-Nápoles/SoftwareX 10（2019）1002955表5AY和CC为[6]中介绍的专家小组进行的计算比较0.07205 0.07209电话：+86-0755 - 8888888传真：+86-0755 - 8888888全球（非备选）致谢这项研究得到了水下浮动隧道（SFT）团队的部分支持本研究项目受中国工程建设公司中国通信建设有限公司委托该项目是由中国建筑工程总公司（CCCC）联合高等院校、科研院所、工程咨询公司、设计和施工公司等8家单位共同开展的。附录A. 补充数据与本文相关的补充材料可以在https://doi.org/10.1016/j.softx.2019.100295上找到。引用[1]库克河不确定性专家：科学中的意见和主观概率。《环境伦理与科学政策》，牛津大学出版社，1991年。[2]Leontaris G，Morales-Nápoles O. ANDURIL -一个MATLAB工具箱，用于分析 和 决 策 的 不 确 定 性 ： 从 专 家 判 断 中 学 习 。 SoftwareX 2018;7 ： 313-7.http://dx.doi.org/10.1016/j.softx.2018.07.001网站。[3]杨文辉，李文辉，李文辉.种子变量数目对Cooke经典模型性能的影响。 ReliabEng SystSaf2014;121：72-82.[4]Colson AR，Cooke RM.结构化专家判断经典模型的交叉验证。Reliab Eng SystSaf2017;163：109-20.[5]奥 列 芬 特 Python 用 于 科 学 计 算 计 算 机 科 学 与 工 程 2007;9 ： 10-20.http://dx.doi.org/10.1109/MCSE.2007.58网站。[6] [10]杨晓波，王晓波，王晓波.量化排放预测不确定性的问责制：来自墨西哥的证据。ClimatePolicy2018;18（6）：742-51.http://dx.doi.org/10.1080/14693062.2017.1373623.[7]Werner C，Bedford T，Cooke RM，Hanea AM，Morales-Nápoles O. 概率模型中依赖性的专家判断：系统的文献综述和未来的研究方向。European J OperRes2017;258（3）：801-19.专家ID校准（CC）校准（AY）信息（CC）信息（AY）信息（CC）信息（AY）专家A专家D1.634E− 71.635E− 71.3471.0451.3471.0451.2351.0041.2351.004