Оптимизация по методу Бокса-Уилсона

Методические указания к лабораторным практикумам по курсам «Информационные технологии в химии и производстве ЭНМ» и «Хемометрика».
Сост. А.К.Тарасов – Самара; Самар. гос. техн. ун-т; 2013. -104 кадра.
Содержат рекомендации о порядке выполнения лабораторной работы
«Оптимизация по методу Бокса-Уилсона» по курсам
«Информационные технологии в химии и производстве ЭНМ» (240301) и
«Хемометрика» (280700).
Методические указания предназначены для студентов специальностей 240301 и 280700 инженерно-технологического факультета.

Цель работы
Целью данной работы является освоение метода оптимизации технологических процессов по методу Бокса=Уилсона с применением имитационного эксперимента.
Для выполнения данной работы используются файлы таблицы Excel.
Данные методические указания представляют из себя комплекс, в котором интегрированы обучающие модули типа презентаций Power Point и файлы-шаблоны Excel, в которых и выполняются упражнения.
Запуск обучающих модулей и открытие файлов-шаблонов выполняется с помощью гиперссылок из обучающих модулей.
Отчетом по выполненной работе является файл Excel с выполненным упражнением, сохраненный студентом в папке соответствующей группы (D:\Лабораторные занятия\Курс\Группа\...)

Введение
Поиск оптимальных условий является одной из наиболее распространенных научно-технических задач. Процесс их решения называется процессом оптимизации.
Задачу оптимизации, решаемую экспериментально на математической основе, называют также планированием эксперимента.
Планирование эксперимента (англ. experimental design techniques) — комплекс мероприятий, направленных на эффективную постановку опытов.
Основная цель планирования эксперимента — достижение максимальной точности измерений при минимальном количестве проведенных опытов и сохранении статистической достоверности результатов.
Планирование эксперимента по Боксу-Уилсону позволяет:
-минимизировать общее число опытов;
-одновременно варьировать всеми переменными, определяющими процесс, по специальным правилам — алгоритмам;
-использовать математический аппарат, формирующий многие действия экспериментатора;
-выбрать четкую стратегию для принятия обоснованных решении после каждой серии экспериментов.

Введение
Данный метод является градиентным, т.е. движение в процессе оптимизации выполняется по градиенту.
Градиент (от лат. gradiens, — шагающий, растущий) — вектор, своим направлением указывающий направление наискорейшего возрастания некоторой величины.
Применительно к оптимизации, градиент – вектор, своим направлением указывающий в факторном пространстве направление наискорейшего возрастания параметра оптимизации.

1 Основные понятия и определения
Независимые переменные величины, влияющие на протекание процесса, принято называть факторами.
Это, например, температура, время, состав реакционной смеси. Эти величины обозначают буквами с индексами х1, х2 и т.д.
Протекание процесса количественно характеризуется результатами эксперимента - одной или несколькими величинами, такими, как коэффициент распределения, степень извлечения и т.д.
Такие величины в теории планирования эксперимента называют функциями отклика и обозначают буквами с индексами y1, y2 и т.д.
Функции отклика зависят от влияющих факторов:

1 Основные понятия и определения
Геометрический образ, соответствующий функции отклика, называют поверхностью отклика (см. рисунок).
Координатное пространство, по осям которого отложены факторы, называют факторным пространством.

1 Основные понятия и определения
Рассмотрим некоторые типы поверхностей отклика.
Здесь в качестве примера функции отклика взята степень чистоты продукта реакции, выраженная в процентах.
На этом рисунке поверхность отклика имеет вид «вершины» и соответствует области значений факторов, где расположен максимум величины y.
Аналогичный вид имеют линии постоянного уровня и в случае минимума функции y. Красными стрелками показаны градиенты в различных местах поверхности отклика.

1 Основные понятия и определения
Поверхность, изображенная на этом рисунке характеризует плавное возрастание функции отклика с уменьшением фактора x1 и увеличением x2.
Такую поверхность принято называть «стационарным возвышением».
Красными стрелками показаны градиенты в различных местах поверхности отклика.

1 Основные понятия и определения
Поверхность, показанная на этом рисунке, называется «хребтом».
Его гребень соответствует наибольшим значениям функции отклика.
Аналогично располагаются линии постоянных значений y и в случае «оврага», дно которого соответствует минимальным значениям функции отклика.
Красными стрелками показаны градиенты в различных местах поверхности отклика.

1 Основные понятия и определения
На этом рисунке изображена поверхность, называемая «седлом».
На двух участках этой поверхности наблюдается возрастание функции отклика, а на двух других – убывание.
Красными стрелками показаны градиенты в различных местах поверхности отклика.

2 Сущность метода Бокса-Уилсона
Сущность метода оптимизации по Боксу-Уилсону заключается в следующем
(на примере двухфакторной оптимизации).
1 В факторном пространстве выбирается начальная точка, от которой начинается оптимизация. Ее называют нулевым уровнем.
2 В этой области в точках 1, 2, 3, 4, имеющих координаты X1 и X2, соответствующие условиям (факторам) выполняют эксперименты, в которых определяют значения параметра оптимизации Y для каждого опыта.
Значения параметра оптимизации в этих опытах соответствуют ординате Y
точек 1, 2, 3, 4.
Нулевой
уровень
Значение
параметра оптимизации
соответствует
ординате Y

2 Сущность метода Бокса-Уилсона
3 По этим значениям рассчитывают коэффициенты уравнения, описывающего вид поверхности отклика в этой области.
Это уравнение называют уравнением регрессии. Оно является математической моделью участка поверхности отклика. Его коэффициенты выражают собой наклон поверхности (то есть, степень зависимости параметра оптимизации от фактора).
Y=B0 + B1*X1+B2*X2

2 Сущность метода Бокса-Уилсона
4 По уравнению регрессии рассчитывают направление градиента на данном участке поверхности.
5 По направлению градиента выполняется серия опытов, называемая «крутым восхождением» (опыты 5-10).
6 Точка с наилучшим значением параметра оптимизации (в данном примере 9) принимается за оптимум, а ее координаты X1 и X2 –оптимальными условиями.
Оптимум

3 Принятие решений перед планированием эксперимента
3.1 Выбор области эксперимента
При выборе области эксперимента прежде всего надо оценить границы областей определения факторов. При этом должны учитываться принципиальные ограничения для значений факторов, которые не могут быть нарушены ни при каких обстоятельствах.
Оптимизация обычно начинается в условиях, когда объект уже подвергался некоторым исследованиям. Информацию, содержащуюся в результатах предыдущих исследований, будем называть априорной (т. е. полученной до начала эксперимента).
Мы можем использовать априорную информацию для получения представления о параметре оптимизации, о факторах, о наилучших условиях ведения процесса и характере поверхности отклика, т. е. о том, как сильно меняется параметр оптимизации при небольших изменениях значений факторов, а также о кривизне поверхности.

3 Принятие решений перед планированием эксперимента
3.2 Выбор основного уровня
Наилучшим условиям, определенным из анализа априорной информации, соответствует комбинация (или несколько комбинаций) уровней факторов.
Каждая комбинация является многомерной точкой в факторном пространстве.
Ее можно рассматривать как исходную точку для построения плана эксперимента.
Назовем ее основным (нулевым) уровнем. Построение плана эксперимента сводится к выбору экспериментальных точек, симметричных относительно нулевого уровня.
3.3 Интервал варьирования
Интервалом варьирования факторов называется некоторое число (свое для каждого фактора), прибавление которого к основному уровню дает верхний, а вычитание — нижний уровни фактора.
Другими словами, интервал варьирования — это расстояние на координатной оси между основным и верхним (или нижним) уровнем.

3 Принятие решений перед планированием эксперимента
Для упрощения записи условий эксперимента и обработки экспериментальных данных масштабы по осям выбираются так, чтобы верхний уровень соответствовал + 1, нижний -1, а основной — нулю.
Интервал варьирования не может быть меньше той ошибки, с которой экспериментатор фиксирует уровень фактора.
Иначе верхний и нижний уровни окажутся неразличимыми.
С другой стороны, интервал не может быть настолько большим, чтобы верхний или нижний уровни оказались за пределами области определения.

3 Принятие решений перед планированием эксперимента
Формулы для нахождения координат нулевой точки и интервала варьирования в общем виде записываются следующим образом:
Центральные композиционные планы представляют собой наборы точек, расположенные симметрично относительно центра изучаемой области факторного пространства.

3 Принятие решений перед планированием эксперимента
Все расчеты, начиная от вычисления коэффициентов регрессии и кончая исследованием уравнений, было предложено проводить в безразмерной системе координат, которую называют кодированной системой.
Переход от натуральной системы, т. е. системы координат, в которой ставят опыты, к кодированной, можно проиллюстрировать на примере двухфакторного пространства.
Пример
Изучается влияние на выход продукта в условном технологическом процессе (Y, %) двух факторов:
-температуры (Z1, °С) в диапазоне 20—30°С ;
-времени проведения реакции (Z2, мин) 25—35 мин.

4 Построение плана полного факторного эксперимента 22
На рисунке показана область факторного пространства, подлежащая исследованию, изображенная в натуральной и кодированной системах координат соответственно.
Рис. Исследуемая область в натуральной (а) и кодированной системе координат (б) .
Переход от натуральной системы к кодированной осуществляют посредством переноса начала координат в центр изучаемой области, т. е. в точку с координатами Z01 и Z02 и последующим изменением масштаба

4 Построение плана полного факторного эксперимента 22
Формула перехода от натуральной системы к кодированной имеет следующий вид:
где . j — номер фактора;
Xj — кодированное значение фактора;
Zj— натуральное значение фактора;
ΔZj —интервал варьирования фактора.

4 Построение плана полного факторного эксперимента 22
Первый этап планирования эксперимента для получения линейной модели основан на варьировании факторов на двух уровнях.
В этом случае, если число факторов известно, можно сразу найти число опытов, необходимое для реализации всех возможных сочетаний уровней факторов:
N = 2k,
где N — число опытов, k — число факторов, 2 — число уровней.
В общем случае эксперимент, в котором реализуются все возможные сочетания уровней факторов, называется полным факторным экспериментом (ПФЭ).
Если число уровней каждого фактора равно двум, то имеем полный факторный эксперимент типа 2k.

4 Построение плана полного факторного эксперимента 22
При проведении ПФЭ зададимся условиями, приведенными в данной таблице
(план эксперимента).

5 Построение матрицы планирования эксперимента 22
Нетрудно написать все сочетания уровней в эксперименте с двумя факторами.
В планировании эксперимента используются кодированные значения факторов:
+ 1 и -1 (часто для простоты записи единицы опускают).
Условия эксперимента можно записать в виде таблицы, где строки соответствуют различным опытам, а столбцы — значениям факторов.
Такие таблицы называются матрицами планирования эксперимента.

5 Построение матрицы планирования эксперимента 22
Матрица планирования для двух факторов приведена в данной таблице.
Столбцы для записи
результатов параллельных (дублирующих) опытов
Столбец для записи
среднеарифметического значения параметра оптимизации
Столбец для записи
значения дисперсии параметра оптимизации

5 Построение матрицы планирования эксперимента 22
Рандомизация
Чтобы исключить влияние систематических ошибок, вызванных внешними условиями (переменой температуры, сырья, исполнителя и т. д.), рекомендуется использовать прием, называемый рандомизацией.
Он заключается в том, что опыты проводят в случайной последовательности, которая устанавливается с помощью таблицы случайных чисел .

5 Упражнение 1. Обработка результатов эксперимента 22
Для изучения алгоритма обработки результатов полнофакторного эксперимента
откройте файл-шаблон системы MathCAD с соответствующим упражнением.
Ссылка для открытия файла-шаблона упражнения

6 Графическая интерпретация процесса оптимизации
Для лучшего понимания процесса оптимизации по Боксу-Уилсону
и сознательного выполнения виртуального эксперимента
изучите данный раздел,
в котором наглядно представлен ход процесса оптимизации
с применением графики .

6 Графическая интерпретация процесса оптимизации
На данных рисунках представлена графически сущность данного метода, разъясненная в следующих кадрах.
Рассматриваем пример оптимизации условного технологического процесса
по двум факторам – X1 и X2.

6 Графическая интерпретация процесса оптимизации
На рисунке слева представлена процедура оптимизации в трехмерном пространстве.
X1 и X2 –оптимизирующие факторы, Y – параметр оптимизации.
Поверхность отклика представлена каркасной сеткой, вид ее неизвестен экспериментатору.
На рисунке справа – представление процедуры оптимизации в двумерном факторном
пространстве. Поверхность отклика показана линиями равного уровня, как на топографических картах.

6 Графическая интерпретация процесса оптимизации
6.1 Построение плана эксперимента
В факторном пространстве по априорным (доопытным сведениям) выбирается начальная точка, которая называется
центром плана

6 Графическая интерпретация процесса оптимизации
6.1 Построение плана эксперимента
Для каждого фактора (X1 и X2) выбирается интервал варьирования, сложение которого со значением центра плана дает для каждого фактора верхний уровень,
а вычитание – нижний уровень фактора.
В точках 1 и 2 значение фактора Х1 на верхнем уровне,
В точках 3 и 4 значение фактора Х1 на нижнем уровне,
В точках 2 и 3 значение фактора Х2 на верхнем уровне,
В точках 1 и 4 значение фактора Х2 на нижнем уровне,

6 Графическая интерпретация процесса оптимизации
6.1 Построение плана эксперимента
Координаты каждой точки (1, 2, 3, 4) в факторном пространстве соответствуют условиям опытов.
Точки 1, 2, 3, 4 образуют план двухфакторного эксперимента.
Затем выполняют опыты в этих условиях (соответствующих точкам 1, 2, 3, 4).

6 Графическая интерпретация процесса оптимизации
6.2 Получение математической модели
Полученные в результате этих опытов значения параметра оптимизации используют
для расчета коэффициентов корреляционного уравнения, описывающего фрагмент поверхности отклика в области прямоугольника, с вершинами в точках 1, 2, 3, 4.

6 Графическая интерпретация процесса оптимизации
6.2 Получение математической модели
Уравнение регрессии имеет вид
Y= B0 + B1*X1 + B2*X2 + B12*X1*X2.
Коэффициенты при факторах B1 и B2 выражают степень наклона поверхности отклика к оси данного фактора, то есть чувствительность параметра оптимизации к данному фактору.

6 Графическая интерпретация процесса оптимизации
6.2 Получение математической модели
Коэффициент B0 численно равен значению параметра оптимизации при постановке эксперимента в центре плана.
B0

6 Графическая интерпретация процесса оптимизации
6.2 Получение математической модели
Коэффициент B12 выражает степень нелинейности фрагмента поверхности отклика.
На левом рисунке коэффициент B12 незначим (мал или равен 0),
на правом имеет значимую величину (поверхность нелинейна).
Y=B0 + B1*X1+B2*X2
Y=B0 + B1*X1+B2*X2+B12*X1*X2

6 Графическая интерпретация процесса оптимизации
6.2 Получение математической модели
На данном рисунке корреляционное уравнение фрагмента поверхности отклика имеет значение коэффициента B2 (при факторе X2) близкое к 0 (или равное 0).
Параметр оптимизации не зависит от фактора Х2.
Уравнение регрессии имеет вид Y=B0 + B1*X1

6 Графическая интерпретация процесса оптимизации
6.2 Получение математической модели
На данном рисунке корреляционное уравнение фрагмента поверхности отклика имеет значение коэффициента B1 при факторе X1 близкое к 0 (или равное 0).
Параметр оптимизации не зависит от фактора Х1.
Уравнение регрессии имеет вид Y=B0 + B2*X2

6 Графическая интерпретация процесса оптимизации
6.2 Получение математической модели
На данном рисунке фрагмент поверхности отклика имеет
значение коэффициентов B1 и В2 при факторах X1 и Х2 соответственно
близкое к 0 (или равное 0).
Параметр оптимизации не зависит от оптимизирующих факторов Х1 и Х2
в данной подобласти.
Уравнение регрессии имеет вид Y=B0
B
B0

6 Графическая интерпретация процесса оптимизации
6.3 Крутое восхождение
Полученная математическая модель позволяет рассчитать направление градиента
(как изменять одновременно два фактора, чтобы результирующее движение в факторном пространстве происходило по градиенту).
Выбирают величину шага для фактора, сильнее влияющего на параметр оптимизации (базового).
Для другого фактора шаг движения рассчитывают по коэффициентам уравнения регрессии.
Градиент
Шаг по фактору Х1
задается
(базовый)
Шаг по фактору Х2
(рассчитывается)

6 Графическая интерпретация процесса оптимизации
6.3 Крутое восхождение
Используя значения шага по каждому фактору рассчитывают условия опытов
крутого восхождения (точки 5, 6, 7, 8, 9, 10).
Опыты крутого восхождения

6 Графическая интерпретация процесса оптимизации
6.3 Крутое восхождение
Выполняют опыты в условиях, соответствующих точкам 5, 6, 7, 8, 9, 10.
Допустим, для каждого опыта получены значения параметра оптимизации,
приведенные на рисунке справа.
Наилучшее значение параметра оптимизации получено в опыте 9.
Координаты этой точки в факторном пространстве можно принять за оптимальные условия.
86
89
85
81
76
71

6 Графическая интерпретация процесса оптимизации
6.4 Уточнение положения экстремума
Для проверки истинности достигнутого экстремума точку, в которой достигнуто лучшее значение параметра оптимизации принимают за центр нового плана эксперимента с уменьшенным интервалом варьирования факторов.

6 Графическая интерпретация процесса оптимизации
6.4 Уточнение положения экстремума
Проводят эксперименты в точках нового плана (красные точки), получают новую математическую модель (уравнение регрессии) в подобласти с центром в точке 9.
Если коэффициенты уравнения регрессии будут незначимы, то это свидетельствует о достижении квазистационарной области
(области, в которой параметр оптимизации практически не зависит от значения оптимизирующих факторов.

6 Графическая интерпретация процесса оптимизации
6.4 Уточнение положения экстремума
Если коэффициенты уравнения оказываются значимы, то может быть выполнено новое крутое восхождение для уточнения положения экстремума.
Новое крутое восхождение

Упражнение 2.
Выполнение оптимизации условного технологического процесса по Боксу-Уилсону
(полнофакторный эксперимент 22)
с применением имитационно-моделирующей
программы-тренажера.
Перед работой с программой-имитатором изучите
технику работы с ней, просмотрев кадры с информацией
Для запуска программы-имитатора лабораторной работы нажмите на ссылку.
При работе с программой сохраняйте ее периодически в каталоге
D:\Лабораторные работы\Курс\Группа\... , добавив к ее имени свою фамилию.
Ссылка для открытия программы-имитатора

7.1 Выбор номера варианта
Запустите программу «Метод Бокса-Уилсона»
Введите номер указанного преподавателем варианта.

7.2 Составление плана эксперимента
Для выбранного варианта указываются рекомендованные значения
нулевого уровня факторов.
При нажатии на эту кнопку можно увидеть
как составляется план эксперимента
для варианта 1, выбранного в качестве примера.

7.2 Составление плана эксперимента
Пустая таблица плана эксперимента
Заполненная таблица плана эксперимента
Составьте план эксперимента для своего варианта.

7.2 Составление плана эксперимента
На рисунке справа приведено графическое представление плана эксперимента 22.

7.3 Составление матрицы планирования эксперимента
Пустой шаблон матрицы планирования эксперимента.
Заполненный шаблон матрицы планирования эксперимента

7.3 Составление матрицы планирования эксперимента
Натуральные значения факторов записываются в матрицу в соответствие
с кодированными значениями данного фактора.
-1 соответствует нижнему уровню фактора (выделено синим цветом),
1 соответствует верхнему уровню фактора. (выделено красным цветом).
Соответствие столбцов кодированных и натуральных значений факторов
показано стрелками.

7.4 Выполнение виртуального эксперимента
После составления матрицы планирования выполняют виртуальные опыты
в условиях, указанных в матрице планирования.
Каждая строка в матрице соответствует опыту,
каждый опыт дублируется два раза.
Нажатие на эту кнопку выводит на экран диалоговое окно виртуального эксперимента.
Условия опыта вводят в соответствующие поля

7.4 Выполнение виртуального эксперимента
Нажатие на кнопки 1 и 2 вызывает выполнение дублирующих опытов
виртуального эксперимента (программа генерирует случайную ошибку).
Полученные значения параметра оптимизации автоматически записываются в соответствующие ячейки матрицы.

7.4 Выполнение виртуального эксперимента
Выполняют второй опыт.

7.4 Выполнение виртуального эксперимента
Выполняют третий опыт.

7.4 Выполнение виртуального эксперимента
Выполняют четвертый опыт.

7.5 Проверка воспроизводимости опытов
(однородности дисперсий)
В этом фрагменте программы наглядно показано,
как рассчитывается критерий Кохрена (максимальная дисперсия делится
на сумму всех дисперсий).

7.5 Проверка воспроизводимости опытов
(однородности дисперсий)
Для проверки однородности дисперсий нужно вызвать диалоговое окна, нажав на кнопку:

7.5 Проверка воспроизводимости опытов
(однородности дисперсий)
Для вызова таблицы со значениями критерия Кохрена нужно нажать
на кнопку:

7.5 Проверка воспроизводимости опытов
(однородности дисперсий)
В соответствующие поля нужно ввести расчетное и табличное
значения критерия Кохрена

7.5 Проверка воспроизводимости опытов
(однородности дисперсий)
Если расчетное значение критерия Кохрена меньше табличного,
то дисперсии считаются однородными (опыты воспроизводимы).
Сделайте нужный вывод
нажмите на соответствующую
кнопку.
Если вывод правильный, появится информационное окно:

7.5 Проверка воспроизводимости опытов
(однородности дисперсий)
Если расчетное значение критерия Кохрена
больше табличного, то дисперсии считаются неоднородными (опыты невоспроизводимы).
Следовательно, нужно повторить выполнение опыта,
в котором получилась наибольшая дисперсия, добиваясь меньшей разности между результатами
параллельных опытов.

7.6 Расчет дисперсии воспроизводимости
Если дисперсии однородны, то затем рассчитывается дисперсия параметра оптимизации.

7.7 Расчет коэффициентов уравнения регрессии
В таблице 4 наглядно показано, как рассчитываются коэффициенты
уравнения регрессии.
Коэффициент уравнения регрессии рассчитывается как среднеарифметическое значение параметров оптимизации для каждого опыта, взятых со знаком, соответствующим кодированному значению фактора в данном опыте.

7.7 Расчет коэффициентов уравнения регрессии
В таблице 5 приведены полученные значения коэффициентов уравнения регрессии

7.8 Проверка значимости коэффициентов уравнения регрессии
Оценить значимость коэффициентов уравнения регрессии можно
сопоставляя их с ошибкой определения коэффициентов уравнения.
Для этого рассчитывается ошибка определения коэффициентов уравнения (ошибка эксперимента по следующей формуле:

7.8 Проверка значимости коэффициентов уравнения регрессии
Значимость коэффициентов уравнения проверяют с помощью t-критерия, значение которого для 4-х опытов берут из таблицы:

7.8 Проверка значимости коэффициентов уравнения регрессии
Расчетное значение t-критерия для каждого фактора определяют как частное от деления значения коэффициента на ошибку эксперимента.
В таблице 7 приведены значения коэффициентов и расчетные значения
t-критерия для каждого фактора.
Если расчетное значение t-критерия больше табличного, то коэффициент значим.
Для данного примера табличное значение t-критерия равно 2,78,
поэтому все коэффициенты значимы.

7.8 Проверка значимости коэффициентов уравнения регрессии
Y=B0 + B1*X1+B2*X2+B12*X1*X2
Значимость коэффициента при совместном влиянии факторов означает, что фрагмент поверхности
в области плана эксперимента нелинеен, а градиент поверхности можно рассчитывать только для плоской поверхности
Поэтому обнуляем коэффициент В12.

7.8 Проверка значимости коэффициентов уравнения регрессии
Этап, выполняемый при нажатии на данную кнопку имеет контролирующий характер.
Нужно ввести количество значимых коэффициентов уравнения регрессии.
Если ответ верный, то появляется сообщение:

7.8 Проверка значимости коэффициентов уравнения регрессии
Далее появляется еще одно сообщение:

7.9 Проверка адекватности уравнения регрессии
Так как в уравнении регрессии теперь отсутствует член, учитывающий совместное влияние факторов, то необходима проверить уравнение на адекватность (способность описывать поверхность отклика).
Расчетные значения параметра оптимизации получают, подставляя в уравнение регрессии условия каждого опыта в кодированном виде.
В таблице 9 приведены экспериментальные и расчетные значения параметра оптимизации, а также разности между ними.
Ниже показано, как рассчитывается дисперсия адекватности.

7.9 Проверка адекватности уравнения регрессии
В этом фрагменте программы представлена процедура проверки уравнения на адекватность с помощью критерия Фишера.
Как получено табличное значение критерия Фишера, показано далее.

7.9 Проверка адекватности уравнения регрессии
При нажатии на эту кнопку открывается диалоговое окно проверки уравнения регрессии на адекватность.

7.9 Проверка адекватности уравнения регрессии
Если нажать на кнопку подсказка, то в соответствующих полях появятся значения степеней свободы для числителя и знаменателя

7.9 Проверка адекватности уравнения регрессии
Определенное по таблице значение критерия Фишера нужно ввести в данное поле, затем закрыть окно, нажав ОК.

7.9 Проверка адекватности уравнения регрессии
Если расчетное значение критерия Фишера меньше табличного,
то уравнение адекватно.
В данном примере уравнение регрессии адекватно,
так как F рас = 1,1 < F табл = 224.
Причиной неадекватности чаще всего является слишком большой интервал варьирования.
Если уравнение неадекватно, то использование его коэффициентов для расчета градиента может привести к существенной ошибке в определении направления движения к оптимуму.

7.10 Крутое восхождение по поверхности отклика
Для расчета условий опытов крутого восхождения сначала выбирают базовый фактор.
За базовый выбирают фактор, у которого произведение коэффициента уравнения на интервал варьирования больше.
В таблице 11 показана процедура выбора базового фактора.
Нужно нажать на кнопку
с номером выбранного базового фактора.
(в данном примере – 1,
т.к. 8,71>5,95)
Если выбор верный,
появится сообщение

7.10 Крутое восхождение по поверхности отклика
Ввод коэффициента базового фактора – контролирующая процедура. нужно нажать на данную кнопку для открытия диалогового
окна ввода коэффициента.
Если ошибки нет, то появится сообщение:

7.10 Крутое восхождение по поверхности отклика
Математическая модель (уравнение регрессии) фрагмента поверхности отклика (квадрат с вершинами 1,2, 3,4) позволяет рассчитать координаты (условия) опытов крутого восхождения по градиенту.
Опыты крутого восхождения

7.10 Крутое восхождение по поверхности отклика
Крутое восхождение выполняется из центра плана,
Поэтому нужно ввести его характеристики из таблицы 1.
Нужно нажать на данную кнопку для появления диалогового окна.
Ввод характеристик плана:
Ввод завершен

7.10 Крутое восхождение по поверхности отклика
Шаг крутого восхождения выбирают для базового фактора.
В данном примере мы ищем максимум параметра оптимизации, поэтому знак шага должен быть таким же как у коэффициента при данном факторе.
Величину шага выбирают равной или несколько меньше интервала варьирования.
Градиент
Шаг по фактору Х1
задается
(базовый)
Шаг по фактору Х2
(рассчитывается)

7.10 Крутое восхождение по поверхности отклика
Для ввода шага нужно нажать данную кнопку и ввести в поле диалогового окна значение шага.
Ввод значения шага
Ввод
завершен

7.10 Крутое восхождение по поверхности отклика
Таблица 13 является планом крутого восхождения.
Натуральные значения 1-го фактора
Натуральные значения 2-го фактора
Кодированные значения 1-го фактора
Кодированные значения 1-го фактора
Расчетные
значения параметра
оптимизации
Экспериментальные
значения параметра
оптимизации
Расчетное значение параметра оптимизации в центре плана называется «мысленным опытом»

7.10 Крутое восхождение по поверхности отклика
Для виртуального выполнения опытов крутого восхождения нужно нажать эту кнопку.
Диалоговое окно виртуального эксперимента такое же, как при выполнении опытов матрицы планирования.

7.10 Крутое восхождение по поверхности отклика
Выполняем опыт №1.

7.10 Крутое восхождение по поверхности отклика
Выполняем опыт №2.

7.10 Крутое восхождение по поверхности отклика
Выполняем опыт №3.

7.10 Крутое восхождение по поверхности отклика
Выполняем опыт №4.

7.10 Крутое восхождение по поверхности отклика
Выполняем опыт №5.

7.10 Крутое восхождение по поверхности отклика
Выполняем опыт №6.

7.10 Крутое восхождение по поверхности отклика
Анализируем результаты крутого восхождения.
Наилучшее значение параметра оптимизации (86.02) получено в опыте №4.
Оптимальные условия:
Фактор 1: 29
Фактор 2: 32.2

7.10 Крутое восхождение по поверхности отклика
Для контроля правильности решения нужно нажать на данную кнопку.
Введите результаты крутого восхождения в поля диалогового окна.

7.10 Крутое восхождение по поверхности отклика
Если решение верное, оно фиксируется в таблице «Оптимальные условия»:
На графиках наглядно показывается ход крутого восхождения по каждому фактору:

7.11 Проверка истинности достигнутого оптимума
Для получения инструкции о проверке истинности достигнутого экстремума нужно нажать на данную кнопку:
Внимательно изучите эту информацию:

7.11 Проверка истинности достигнутого оптимума
Нужно составить новый план эксперимента с центром в точке факторного пространства, в которой получено наилучшее значение параметра оптимизации. Значения факторов округлим до целых значений.

7.11 Проверка истинности достигнутого оптимума
Составляем новую матрицу планирования эксперимента и выполняем виртуальные эксперименты, как в начале процесса оптимизации.

7.11 Проверка истинности достигнутого оптимума
Выполняем проверку воспроизводимости опытов (однородности дисперсий).

7.11 Проверка истинности достигнутого оптимума
Получены коэффициенты корреляционного уравнения, описывающего поверхность отклика в области достигнутого экстремума.

7.11 Проверка истинности достигнутого оптимума
Коэффициенты корреляционного уравнения проверяем на значимость.

7.11 Проверка истинности достигнутого оптимума
Принимаем решение о завершении оптимизации.

7 Упражнение 2. Оптимизация по Боксу-Уилсону
Для запуска программы-имитатора лабораторной работы нажмите на ссылку.
При работе с программой сохраняйте ее периодически в каталоге
D:\Лабораторные работы\Курс\Группа\... , добавив к ее имени свою фамилию.
Ссылка для открытия программы-имитатора