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...
本发明提供一种约束域优化拉丁超立方设计方法,包括以下步骤:步骤S100:输入采样点个数n和各约束变量的基准范围,根据所设定的约束条件,重构各变量的取值范围,得到采样空间;步骤S200:根据可行域采样点个数n,确定基准采样点个数N=n,设置迭代次数i=1;步骤S300:采用ESE算法对按式(4)所示的Ψ进行优化,得到ni个可行点;...
我试过一种方法,就是把那些不符合约束域的样本点给去掉,然后重新补充新的样本点。可是这真的是个特别蠢的办法。第一,去掉样本点会破坏拉丁超立方原本的均匀性,这就好比你从一个编织好的篮子里抽出几根藤条,整个篮子的形状就变形了。第二,重新补充样本点也不是那么容易准确做到均匀分布的。 我又想了个办法,我...
首先通过网格划分将已有的样本点映射到划分好 的正交超棋盘格,之后在序列样本点生成时,根据最小距离最大化(maximin distance)准贝1J,通过逐次局部枚举完成序列样本点的生成。[0010] 本发明的目的是通过下述技术方案实现的。[0011] 本发明提出的一种高效序列拉丁超立方试验设计方法,其特征在于,其具体实施 步骤为:[...
针对传统优化试验设计方法计算耗时长、效率低的问题,提出一种快速优化拉丁超立方试验设计方法:在拉丁超立方抽样框架下,采用基于最大最小距离准则连续局部枚举方法设计生成高性能小尺寸基础样本,然后利用平移传播算法通过“平移”基础样本快速获得大尺寸试验样本。结合提出的样本尺寸调整策略,使该方法可以快速得到空间填充性能...
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,即将0-1范围内的值分为多个层数进行随机抽样。相比于一枪一枪打鸟的蒙特卡罗方法,可以在较少的样本条件下更好...
1.一种高效序列拉丁超立方试验设计方法,其特征在于,其具体实施步骤为: 步骤1:根据实际问题确定设计空间; 所述设计空间为n维空间,n≥2,且n为整数; 步骤2:在所述设计空间内生成m 1 个初始样本点,m 1 ≥0,且m 1 为整数; 步骤3:对所述设计空间内的初始样本点坐标进行归一化处理,使归一化后的各初始样本点...
2.根据权利要求1所述的一种高效的拉丁超立方计算试验设计方法,其特征在于:所述的步骤1中在第1个单位超体中的任意一个单位正方体中预设第1个试验设计点的方案,也可以改为从第m个单位超体中的任意一个单位正方体中预设第1个试验设计点,按从第m个单位超体到第1个单位超体的方向进行试验设计点的设计,而其设计方法...
具体实施方式一:如图1和图2所示,一种基于自适应遗传算法的最优拉丁超立方试验设计方法包括以下步骤: 步骤一:随机生成n个拉丁超立方试验设计矩阵lhd(n,p),其中n为实验次数,p为试验因子数,每一个lhd(n,p)为n×p阶矩阵,记为矩阵l;由n个lhd(n,p)个体所构成的初始种群npop表示为k×n的矩阵,其中k=n×p; ...