要使用拉丁超立方方法,请执行以下步骤: 1. 选择实验设计 > 特殊目的 > 空间填充设计。 2. 按需输入响应和因子。 请参见响应。 3. 按需更改因子水平值。4 个因子的空间填充对话框显示将两个因子添加到现有两个因子中并将其值更改为 1 和 8 以替代默认值 –1 和 1。
为了直观演示拉丁超立方技术的特性,使用图形生成器创建一个图。 1. 使用默认X1和X2因子创建另一拉丁超立方设计。 2. 确保更改因子值以使它们为 0 和 1 而非默认值 –1 和 1。 3. 点击继续。 4. 指定样本大小为 8(试验次数)。 5. 点击拉丁超立方。因子设置和设计诊断显示在具有 2 个因子和 8 次试验...
2.1 拉丁超立方抽样 请参考这里。图1(a)为拉丁超立方抽样初始化的种群分布,图1(b)为标准HHO算法随机初始化的种群分布,其中种群规模 。对比分析可知,图1(b)中存在个体聚集情形较严重,且左上角位置的空白区域较大,初始种群的均匀化程度偏低,而在图1(a)中个体均匀的存在于整个解空间,种群的区域覆盖性偏高,并且...
一个包含 n 次试验和 m 个变量的拉丁超立方设计可 以用一个 n×m 矩阵表示,其中每一列都是向量(1,2…,n)'的一个置换。称一个拉丁超立方设 计为正交拉丁超立方设计, 如果它的任意两个列向量的相关系数为零。 早期的拉丁超立方设计对 水平进行随机排序安排因子, 不能保证设计在多维投影上的均匀性, 也...
实验设计(DOE)及最优拉丁超立方(OLHS)介绍 最近翻到以前写的一些资料,分享一下。原文会放在公众号YanPlayground上
现代实验方法包括蒙特卡洛设计、拉丁超立方体设计、正交实验设计、均匀设计以及哈默斯利序列采样方法(听都没听过的方法)等[1]。现代实验设计主要采用“空间填充思想”。主要就是用于基于大量数据和计算机算法的实验和模拟。以下介绍拉丁超立方体。 要了解拉丁超立方体,首先要了解拉丁方阵[2]。
拉丁超立方设计(LatinHypercubeDesign,LHD)由于具有良好的低维投影性质,并且能自由安排仿真次数,在计算机仿真中应用最为广泛。LHD由McKay在1979年首次提出,其设计结果为一矩阵,每一行代表一组输入变量组合,每一列代表对应变量的是采样值,任意一列均是的排列。由于随机LHD的任意性,并不能很好地保证其空间均布性,大量学...
空间填充设计是有效的计算机试验设计, 比如均匀 设计、 最大最小距离拉丁超立方体设计等. 虽然这些设计在整个试验空间中有较好的均匀性, 但其 低维投影均匀性可能并不理想. 对于因子是定量的计算机试验, 已有文献构造了诸如最大投影 设计、均匀投影设计 等相适应的设计; 而对于同时含 有定性因子和定量因子的计算机...
51CTO博客已为您找到关于python 拉丁超立方设计表的相关内容,包含IT学习相关文档代码介绍、相关教程视频课程,以及python 拉丁超立方设计表问答内容。更多python 拉丁超立方设计表相关解答可以来51CTO博客参与分享和学习,帮助广大IT技术人实现成长和进步。