行交换
Dre = Rowexch(Nfactors,nruns)
(dRE, X) = rowexch (nfactors nruns)
(dRE, X) = rowexch (nfactors nruns,模型
)
[dre,x] = rowexch(...,param1
那Val1.
那param2
那val2.
,......)
Dre = Rowexch(Nfactors,nruns)
使用行交换算法生成D.- 优化的设计衣服
和尼伦斯
运行(行衣服
)的线性可加模型nfactors
因素(柱子)衣服
).该模型包含一个常数项。
(dRE, X) = rowexch (nfactors nruns)
也返回相关的设计矩阵X
,其列是在每个处理(行)的模型术语衣服
.
(dRE, X) = rowexch (nfactors nruns,
使用指定的线性回归模型模型
)模型
.模型
是下列情况之一:
'线性'
- 常数和线性术语。这是默认值。
'相互作用'
- 常数,线性和互动条款
“二次”
- 常数,线性,互动和平方术语
'purequadratic'
- 常数,线性和平方术语
列的顺序X
为一个完整的二次模型N.条件是:
常数项
线性项在(1,2,…)N.
顺序(1,2),(1,3),...,(1,N.),(2,3),......,(N.-1,N.)
平方术语为1,2,...,...,...,...,N.
其他模型以相同的顺序使用这些术语的子集。
或者,模型
可以是指定任意顺序的多项式条款的矩阵。在这种情况下,模型
模型中每个因素应该有一列,每个项应该有一行。的任意行中的项模型
为列中因子的幂。例如,如果一个模型有因子X1
那X2
,X3
,然后是一排[0 1 2]
在模型
指定术语(X1。^ 0)* (X2 ^ 1)。* (X3。^ 2)
.全是0的一行模型
指定可以省略的常量术语。
[dre,x] = rowexch(...,
指定设计的其他参数/值对。下表列出了有效参数及其值。param1
那Val1.
那param2
那val2.
,......)
范围 | 价值 |
---|---|
“界限” |
每个因素的下限和上限,指定为a |
'分类' |
分类预测因子的指标。 |
“显示” |
要么 |
'不包括@' |
处理不包括不良运行的函数。如果函数是F,它必须支持语法金宝appB.=F(S.), 在哪里S.是一种治疗矩阵 |
“init” |
初始设计为 |
“水平” |
每个因子的层次数向量。 |
'maxiter' |
最大迭代次数。默认为 |
选项 |
一种结构,它指定是否并行运行,并指定随机流或流。创建
|
“尝试” |
尝试从一个新的起点生成一个设计。除了可能的第一次外,算法每次尝试都使用随机点。默认为 |
假设您希望设计为估计以下三因素的参数,七个互动模型:
使用rowexch
生成A.D.-优化设计,七次运行:
nfactors = 3;nruns = 7;(dRE, X) = rowexch (nfactors nruns,“互动”,“尝试”,10)dRE = 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 X = 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
设计矩阵的列X
是在每行设计中评估的模型术语衣服
.这些项从左到右依次出现:常数项、线性项(1,2,3)、相互作用项(12,13,23)。使用X
适合模型,如上所述线性回归,在设计点测量的响应数据衣服
.
这两个灯笼
和rowexch
使用迭代搜索算法。它们通过逐步更改初始设计矩阵来操作X增加D.= |XT.X|在每一步。在这两种算法中,存在随机内置于选择初始设计中,并选择增量变化的选择。结果,这两个算法都可以在本地返回,但在全球范围内,D.- 优化的设计。多次运行每种算法,然后选择最终设计的最佳结果。这两个函数都有一个“尝试”
可自动执行此重复和比较的参数。
在每个步骤中,行交换算法交换整行X用设计矩阵中的一行C在一组可行的治疗方案上进行评估。的rowexch
函数自动生成C适用于指定的模型,分两步操作,通过调用坎
和烛光
按顺序函数。提供自己的C通过呼叫烛光
直接地。在任何一种情况下,如果C大时,它在内存中的静态存在会影响计算。