如果选择合适的DOE？

inndoor

如题。
选择不同的方法的主要意义是？

zxkchina

DOE Sequence：手工输入DOE样本，用于控制计算确定的样本点
Random：随机抽取样本
SOBOL：伪随机法，最大限度降低聚类效应，决定性算法（没有seed）配合MOGA比较好，建议20一下样本数
Constraint Satisfaction：用于强约束情况下的DOE，采用一种迭代计算方法，寻找满足约束的点（在变量空间有约束的情况下，其他方法有可能找到不满足约束的点）
Incremental Space Filler：适合配合RSM，这种方法考虑已经抽取的样本，填充已抽取的样本间的空隙，如果没有已经抽取的样本，则抽取中点，然后再填充。其中一个技巧是，如果希望在某些点附近抽取点，那么可以把这个点mark（在Design table中mark）

Full Factorial：全因子法。推荐用于变量数少于6个的情况
Reduced Factorial：简因子法。
Central Composite Designs：
Box-Behnken：
以上四种方法都有共同特点，以3变量（3维样本空间为例）可以看做是在立方体的面心或者线终点或者体心或者定点，以某种规律取点。具体的方式网上一搜就有。需要注意的是，这些方法的抽样数量不能灵活决定，是由变量数决定的，而且也是决定性方法

Latin Square：抽样的数量=水平数的平方（最大水平数=20），将每个变量分为几个水平，
Plackett Burman：适合于寻求主要因素的分析中使用。（比如自变量太多，想减少自变量熟练，只留下影响力比较大的变量）

Taguchi matrix
Latin Hypercube-Monte Carlo：
这两种适合高度非线性问题使用

Dataset Reducer：通过增加数据间最小距离，来减小已有抽样数量的方法
Uniform Reducer：通过选择具有一致性分布的subset，来减小以后抽样数量的方法
D-Optimal：通过减小相关性，来减少已有抽样数量的方法，适用于设计空间强约束的情形。

MACK：论坛上有过例子的，测试函数那个例子中有用到，基于已经算好的点在kringing模型中插值误差大的地方加点，适用于做RSM

lipschitz sampling：用lipshitz常数来描述空间的“复杂性”在复杂性大的地方加点，和MACK比较像，只是MACK是以插值误差大为标准


如果有错误希望大家指正，有什么经验也希望大家跟帖，

inndoor

多谢，很好狠强大~~