拉丁超立方设计 在拉丁超立方中,每个因子具有与设计中试验次数相同的水平数。这些水平在因子的下限和上限之间等间距分布。与球堆积方法类似,拉丁超立方方法选择点使设计点之间的最小距离最大化,但是具有约束。约束可保持因子水平之间等间距。
拉丁超立方体设计.docx,拉丁超立方体设计 【摘要】随着计算机技术的飞速发展,计算机在研究中得到越来越多的应用。传统的实体试验存在花费高、周期长等问题,甚至一些实验根本不可能进行,这时在计算机上利用代码来模拟具体情形,获得试验数据。而计算机试验和实体试验最大
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...
51CTO博客已为您找到关于python拉丁超立方体设计的相关内容,包含IT学习相关文档代码介绍、相关教程视频课程,以及python拉丁超立方体设计问答内容。更多python拉丁超立方体设计相关解答可以来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。
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
在很多基于代理模型的CFD优化问题中,需要预先生成一个样本库,以便于构造代理模型。很多文献均提到了一种抽样方法——拉丁超立方采样方法(Latin hypercube sampling,简称为LHS)。 LHS是一种随机分层抽样方法,…
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...
本发明公开了一种均匀拉丁超立方试验设计方法,包括:S1:确定输入的试验设计参数;S2:生成一个初始的均匀试验设计样本;S3:对初始设计样本点进行旋转,使每个点在同一坐标轴上的投影后的距离相等,旋转后因素数数量不变为n,而每个因素的水平数变为ln且等于样本总数;S4:归一化处理,对旋转生成的矩阵进行缩放,使每个因素的...
首先还是像往常一样构建一个初步的拉丁超立方,不过在选择样本点的时候,通过特定的算法对每一个可能的样本点进行约束检验。这个算法就像一个筛子,把不符合约束域的样本点直接筛掉,留下合适的。这样既保证了拉丁超立方的基本性质,又能把约束域合理地加进去了。 我现在觉得还有个要注意的地方就是管理约束的轻重问题。