La optimización de diseño basada en la fiabilidad (RBDO) se ha convertido en un diseño prevalente en la ingeniería aeronáutica y aeroespacial. El principal problema es que es poco práctica en casos complejos con regiones de múltiples fallos, especialmente en la optimización multiobjetivo. El método de aprendizaje activo puede obtener un tamaño de muestra adaptativo para lograr una precisión relativamente aceptable. El problema del RBDO utilizando el método tradicional de aprendizaje activo Kriging (ALK) es que el espacio de diseño generalmente sigue siendo estático y solo se selecciona un punto de entrenamiento, lo cual no es razonable basado en el concepto de muestreo de importancia y cálculo paralelo. Como consecuencia, la mejora de la precisión es limitada. En este artículo, investigamos el método para obtener un tamaño óptimo de diseño y fiabilidad para evaluar el espacio en paralelo, simultáneamente. Se propone una estrategia de región candidata adaptativa paralela (PAIC) con ALK y se modifica un método de optimización secuencial y evaluación de fiabilidad (SORA) para mejorar la precisión de manera eficiente. El muestreo de importancia se utiliza como demostración para el SORA modificado con mayor precisión. El método se verifica utilizando casos matemáticos y un sistema de recogida de un avión anfibio.