
- •Общие вопросы моделирования
- •1.1. Прогнозирование расчетных ситуаций
- •1.2. Общие сведения о моделировании систем
- •1.2.1. Виды моделирования
- •1.2.2. Математическое моделирование Виды математических моделей
- •Структурные математические модели
- •Функциональные математические модели
- •1.3. Подготовка данных и обработка результатов моделирования систем
- •1.3.1. Случайные величины, законы их распределения
- •1.3.2. Основные виды теоретических распределений
- •1.3.3. Определение параметров эмпирических распределений
- •1.3.4. Доверительные интервалы. Надежность. Обеспеченность
- •1.3.6. Подбор подходящего теоретического распределения Критерии согласия
- •1.4. Планирование эксперимента
- •1.4.1. Полный факторный эксперимент
- •1.4.2. Дробные реплики
- •1.4.3. Общая схема планирования эксперимента Крутое восхождение
- •Этапы планирования эксперимента
- •1.4.4. Стратегическое и тактическое планирование
- •Стратегическое планирование эксперимента
- •Тактическое планирование
- •1.5. Обработка и анализ результатов моделирования систем
- •1.5.1. Общие положения
- •1.5.2. Метод наименьших квадратов
- •Основы метода
- •Последовательность обработки данных
- •1.5.3. Практические приемы подбора кривых
- •1.5.4. Подбор эмпирических формул по кривым
1.4.3. Общая схема планирования эксперимента Крутое восхождение
Рассмотренные выше приемы позволяют аппроксимировать поверхность отклика, если она в пределах исследуемой области линейна или близка к линейной. В общем случае поверхность отклика может иметь самую причудливую форму, напоминающую гористую местность с холмами и оврагами, с вершинами и впадинами. Задачей эксперимента часто является поиск экстремальных значений поверхности отклика: самой высокой вершины или самой глубокой впадины. Такую задачу решают методом случайного или целенаправленного поиска. Случайный поиск или простой перебор точек факторного пространства требует очень больших затрат ресурсов, поэтому используют целенаправленный перебор точек факторного пространства. Схема такого перебора («крутого восхождения») показана на рис. 1.21.
Вначале случайным образом выбирают достаточно малую область факторного пространства. Для этой области планируют дробный факторный эксперимент, проводят первую серию (обычно из четырех) опытов и строят линейную функцию отклика. Цель этих опытов - еще не поиск экстремального значения функции, а предварительное отыскание направления дальнейшего поиска. Получив приближенное линейное уравнение, находят его градиенты (векторы производных по каждой переменной в каждой точке, или, другими словами, углы наклона поверхности в каждом направлении) и выбирают следующую область для приближенных исследований. В этой области вновь ставят серию опытов и определяют коэффициенты нового линейного приближения. Повторяя такие операции, достигают, наконец, вершины поверхности отклика, т. е. такой области факторного пространства, в которой по всем направлениям функция отклика практически не изменяется. В этой области проводят полный факторный эксперимент с определением не только линейных коэффициентов регрессии, но и всех учитываемых взаимодействий.
Рис. 1.21. Крутое восхождение
Направление градиента линейного приближения геометрически представляет собой прямую, перпендикулярную изолиниям, т. е. это самый крутой склон (кратчайший путь), ведущий от данной точки к вершине, что и определило название метода. Рассмотренный подход был предложен в 1951 г. Боксом и Вильсоном.
Тот факт, что функция отклика в окрестности исследуемой точки почти не изменяется, еще не означает, что мы находимся вблизи точки максимума. Мы можем при этом находиться на медленно поднимающемся гребне или на гребне постоянной высоты. Возможно также, что достигнута седловидная точка, являющаяся максимальной точкой по одному направлению и минимальной — по другому. Наконец, мы можем найти точку не глобального, а локального максимума. Надо заметить, что в реальных условиях, как правило, поверхность отклика имеет один максимум, и это упрощает дело.
Как уже отмечалось, в точке максимума следует проводить полный факторный эксперимент с учетом взаимодействий факторов. Более достоверные результаты дает квадратичное приближение вида
Для оценки коэффициентов регрессии в этой модели необходимо измерить каждый фактор по меньшей мере на трех уровнях. Это означает необходимость проведения полного 3m-факторного эксперимента или его дробных реплик. К сожалению, в случае более чем трех переменных число опытов может стать слишком большим даже при использовании неполного факторного эксперимента. Поэтому разработаны ротатабельные построения, которые получаются посредством добавления дополнительных точек к данным, полученным из 2m-факторного эксперимента.