第五章均匀设计《试验设计与建模》课件.ppt

目录 引言 总体均值模型 均匀性度量-偏差 均匀设计的构造 好格子点法及其推广 随机优化法 均匀设计的应用 正交性与均匀性的联系 5.1 引言 传统试验设计中的未知参数 正交设计：主效应和二阶交互效应的个数为 最优回归设计：多元二次模型的未知参数个数为 模型未知 设计：均匀布点 建模：寻找近似模型 例1.6 (续) 事先假设模型未知 试验次数 n=12, 取 q(= 2, 3, 4, 6, 12) 个不同的均匀的试验点，并作适当重复(n/q 次)。 采用 d 阶多项式回归模型 重复 N=501 次试验，得到各模型的 N 个 MSE。取中位数对应的模型如下图 5.2 总体均值模型 试验区域上的总体均值 用试验点集 P ={x1, · · · , xn} 上的响应值的样本均值估计 5.3 均匀性度量 例 均匀性度量的要求： D(XP) 在X 的行交换或列交换是不变的，即改变试验点的编号，或改变因素的编号，不影响D(XP) 的值； 若将XP 关于平面 xj = 1/2 反射，即将XP 的任一列 (x1j , · · · , xnj)′变为(1 ? x1j , · · · , 1 ? xnj)′，则它们有共同的D(XP)； D(XP) 不仅能度量XP 的均匀性，而且也能度量XP 投影至Rs 中任意子空间的均匀性。 满足Koksma-Hlawka 不等式(5.8)； 易于计算； 与其它的试验设计准则有一定的联系，例如混杂、正交性，平衡性，等等； Lp-星偏差 其中，Fu(x)=x1… xs 为 Cs 上的均匀分布函数，x=(x1,…,xs). FP(x) 表示设计 P={x1, · · · , xn}的经验分布函数。 局部偏差函数 可卷偏差 (WD) 再生核希尔伯特空间 希尔伯特空间：完备的内积空间 核函数： 可分核： 再生核 再生核希尔伯特空间 偏差定义： (c) 离散偏差: 例 5.2 不同5水平设计的偏差的比较 例 5.3 不同6水平设计的偏差的比较 例 5.3 (续) 均匀设计 均匀设计的理论解 单因素试验 中心化偏差 可卷偏差 均匀设计的近似解 缩小设计空间 好格子点法的注意事项 生成向量中元素与 n 互质的的目的是使得向量 hj =(hj , 2hj , · · · , nhj) (mod n) 构成 {1, 2, · · · , n} 的一个置换； 给定 n，其唯一的素数分解为 ， 与其互质的正整数的个数为欧拉函数 ?(n) 欧拉函数 ?(n) 的个数多少对最后选择出来的设计的均匀性有很大影响。 例 5.6 初始设计 任选一列，如第三列，排序 取 m=13，应用(5.36) 式得到 例 5.6 (续) 按该列的大小关系，从最小到最大分别重记为1 到 9， 所有得到的设计中，U(3,13) 有最小的中心化偏差0.1027，比直接用glpm 得到的偏差 0.1044 要小。 切割法的优点 给定一个初始设计Up(ps)，可以找到多个不同 n 和s 的近似均匀设计 Un(ns), n p； 用切割法构造的设计比直接用glpm 构造的设计均匀性更好； 该设计不太依赖于偏差准则。 大试验次数的设计 双因素试验 Fibonacci 序列{Fn}：F0 = 0, F1 = 1, Fn+1 = Fn + Fn?1 (n 1)。则对于试验次数为Fm(m ≤ 3) 的两因素试验，由 (1, Fm?1) 作为生成向量的设计具有很好的均匀性。 多因素试验 设 a1, · · · , as 为s 个不同的正整数，记 Fi = ai(i = 1, · · · , s), Fm =Fm?1 + Fm?2 + · · · + Fm?s+1 (m s)，则称序列 {Fm} 为广义 Fibonacci 序列，则试验次数为Fm(m 3) 的设计可由 (1, Fm?1, Fm?2, · · · , Fm?s+1) 作为生成向量构造，对较大的n，所获的设计具有较好的均匀性。 模拟退火算法的思想 当新设计优于当前设计，即新设计的偏差低于当前设计，接受新设计，然后把新设计作为当前设计； 若新设计比当前设计差，则用一定的小概率接受新设计 5.7 均匀设计的应用 确定因素：对于具体问题，选择因素和相应的试验范围、水平数； 试验方案：选择相应的均匀设计安排试验方案； 作试验：按试验方案进行试验，得到相应的响应值； 建模：根据因素的取值及相应的响应值建立合适的模型； 预报：根据建立的模型给出响应和因素间的关系，同时寻找其极值点； 追加试验： 5.7.1 仅有定量变量的试验 例5.7. 在某化工的合成工艺中，为了提高产量，试