计算机模拟试验及模型未知试验设计和建模方法比较-comparison of computer simulation test and model unknown test design and modeling methods.docx

第一章 前言 社会的发展和科学的进步, 引起人们探索更为深奥的未知世界, 为了解决日益 繁杂的实际问题, 尤其工业, 生物, 天文等, 我们常将其转化为数学模型及相关问题, 根据己有的信息得到有用的规律, 加以推广, 预测未知。基于这个目的, 本文中我们 考虑了模型未知的试验设计和建模, 即模型 y = f (x) + ε = f (x1, · · · , xs) + ε; x = (x1, · · · , xs) ∈ T. (1.0.1) 其中x = (x1, · · · , xs) 为试验中选取的变量, 又称因素, 其中 f (x) 是真模型, ε 为不 可避免的试验误差, 这里 T 为试验范围, 即 x1, · · · , xs 的变化范围。我们希望通过 有效的试验设计获取更多的信息, 然后进行一系列统计分析, 数学建模, 从而掌握事 物规律。与此同时, 随着计算机技术和软件的飞速发展, 统计理论的不断完善, 一种 新型的试验类型: 计算机模拟(仿真)试验, 在过去的三十年中迅速发展, 己广泛应用 于制造业、系统工程、制药业和自然科学等领域[21]。本文中亦对此类试验进行了讨 论。这里提及的计算机模拟试验, 含义如下: 设在一个系统中, 考虑 s 个参数(或因 素), 由系统的理论可以计算出感兴趣的响应 y , 即: y = f (x) = f (x1, · · · , xs); x = (x1, · · · , xs) ∈ T. (1.0.2) 此时, f (x) 一般是由相应的专业知识获得。但在很多案例中, f (x) 过于复杂而没 有解析表达式, 例如， y 是一组微分方程的解。在实用中希望找一个近似模型 y = g(x) = g(x1, · · · , xs); x = (x1, · · · , xs) ∈ T (1.0.3) 来逼近真模型 f (x) , 使得 |f (x1, · · · , xs) ? g(x1, · · · , xs)| 在试验区域 T 内达到要 求的精度。显然, 近似模型最好有解析表达式, 并易于处理。 这两类试验都包括两个重要环节: 试验设计和建模。所谓试验设计就是在区域 T 上取 n 个有代表的点 P = {(xk1, · · · , xks), k = 1, · · · , n}, 在计算机模拟试验中, 用 原模型(1.0.2)计算相应的响应, 得 y1, · · · , yn。然后根据数据 {(yk, xk1, · · · , xks); k = 1, · · · , n} 来寻找一个合适的近似模型(1.0.3)。显然, 参数空间的 n 个点应当在 T 中 均匀地分布, 称为 “空间填充设计” 或 “均匀设计”。在文献中常用的设计有均匀设 1 2 计算机模拟试验及模型未知试验的设计和建模方法的比较 计(UD [1])、正交设计(OD [14])、超拉丁方设计(LHD[19])等。第二章中我们详细介 绍了正交设计的方法, 包括正交表的使用和方差分析模型。同时也介绍均匀设计, 它 具有很强的数学理论背景, 所以我们着眼于介绍其均匀性度量, 产生均匀设计表的 方法和利用均匀设计的例子; 最后扼要介绍超拉丁方设计的核心思想, 以及产生超 拉丁方设计的方法。建模是本文中另一个重要的基础, 方法的选择很多, 这部分将 在第三章说明, 建模方法直接利用编程加以完成。如多项式回归模型, 介绍了它拟 合的理论基础, 及其拟合过程中涉及到的变量选择问题, 文章中选用的是逐步回归 变量选择方法。Kriging法适合计算机模拟试验, 第三章中论述了Kringing方法的理 论基础; 同时在第四章与第五章分别选用Kringing 方法和经验Kringing方法。第三 章中还介绍最近插值法(又称为最近邻点插值法)及人工神经网络。由于实际案例千 变万化, 如何选择试验设计和建模的方法很难有一个明确的指引, 加之设计和建模 的效应是混杂在一起的, 对这方面的研究增加了困难。本文中我们尝试着比较不同 条件下的试验设计与建模的不同之处, 寄希望得出有用的结论。故在第四章详细比 较了计算机模拟试验时的不同设计在不同样本量, 不同建模方法下的效果; 同时为 了更透彻的看到试验设计在实际试验中又有什么不同, 我们在第五章中详尽比较了 模型未知试验的设计与模型, 为了突出误差对建模的干扰作用, 我们对误差也分为 三种不同的情况进行讨论, 四、五两章是本文的重点。 为了比较不同的设计和不同的建模方法, 在文献中常采用如下的方法: 首先选 择 M 个有意义的真模型, 针对这些模型, 选择 N 种不同类型的设计, 这些设计的大 小 n 又可以考虑 L 种, 最后用 Q 种不同的建模方法。总共有 MNLQ 种组合