行交换
dRE = rowexch (nfactors nruns)
[dRE,X]=rowech(nfactors,nruns)
[dRE,X]=RowexH(nfactors,NRUN,模型
)
(dRE, X) = rowexch(…参数1
,val1
,参数2
,val2
,……)
dRE = rowexch (nfactors nruns)
使用行交换算法生成D最优设计数据记录设备
与nruns
排成一行数据记录设备
)对于一个线性可加模型nfactors
因子(列数据记录设备
).该模型包含一个常数项。
[dRE,X]=rowech(nfactors,nruns)
还返回关联的设计矩阵X
,其列是在每个处理(行)处评估的模型项数据记录设备
.
[dRE,X]=RowexH(nfactors,NRUN,
使用中指定的线性回归模型模型
)模型
.模型
是下列情况之一:
“线性”
-常数和线性项。这是默认值。
“互动”
-常数、线性和交互项
“二次”
-常数项、线性项、相互作用项和平方项
“purequadratic”
-常数项,线性项和平方项
列的顺序X
对于一个完全二次模型n条款如下:
常数项
顺序为1,2,…,的线性项。。。,n
(1, 2),(1, 3),…(1,n),(2, 3),……, (n1,n)
平方项是(1 2…)n
其他模型以同样的顺序使用这些术语的子集。
另外,模型
可以是指定任意顺序多项式项的矩阵。在这种情况下,模型
模型中的每个因子应具有一列,每个术语应具有一行模型
是列中因子的幂。例如,如果模型具有因子X1
,X2
和X3
,然后一行[0 1 2]
在模型
指定这个词(X1.^0.*(X2.^1.*(X3.^2)
.中的一行全零模型
指定一个常数项,可以省略。
(dRE, X) = rowexch(…
为设计指定附加的参数/值对。下表列出了有效参数及其值。参数1
,val1
,参数2
,val2
,……)
参数 | 价值 |
---|---|
“界限” |
每个因子的上下限,指定为 |
“分类” |
分类预测指标。 |
“显示” |
任何一个 |
“excludefun” |
排除不希望运行的运行的函数的句柄。如果函数是f,它必须支持语法金宝appb=f(年代),年代矩阵的处理方法是 |
“初始化” |
初始设计 |
“级别” |
每个因素的级别数向量。 |
“麦克斯特” |
最大迭代次数。默认值为 |
选项 |
一种结构,指定是否并行运行,并指定一个或多个随机流。创建
|
“尝试” |
尝试从新起点生成设计的次数。算法每次尝试使用随机点,第一次除外。默认值为 |
假设你想要一个设计来估计以下三因素、七项交互模型中的参数:
使用Rowexh
生成一个D-七次运行的优化设计:
nfactors=3;nruns=7;[dRE,X]=Rowexh(nfactors,nruns,'interaction','trys',10)dRE=-1-11-11-11-11-1-1-11-1-11-11-11 X=1-1-11-11-11-11-11-11-11-11-11-1-1-11-11-11-11-11-11
设计矩阵的列X
模型条款是否在设计的每一行进行评估数据记录设备
.术语从左到右依次出现:常数项、线性项(1、2、3)、交互项(12、13、23)。使用X
以适应模型,如线性回归,以响应在设计点测量的数据数据记录设备
.
二者都cordexch
和Rowexh
使用迭代搜索算法。它们通过增量地改变初始设计矩阵来运作X增加D= |XTX|在每一步。在这两种算法中,初始设计的选择和增量变化的选择都有随机性。因此,这两种算法都可能返回局部,而不是全局,D最优设计。运行每个算法多次,并为您的最终设计选择最佳结果。两个函数都有“尝试”
参数,该参数自动进行重复和比较。
在每一步,行交换算法交换一整行X使用设计矩阵中的一行C在可行治疗的候选集上进行评估Rowexh
函数自动生成一个C适用于指定的模型,通过调用candgen
和candexch
函数序列。提供自己的C通过调用candexch
直接。无论哪种情况,如果C如果内存很大,它在内存中的静态存在可能会影响计算。