最陡上升或下降的路径<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />你好，
我有一个客户问怎么样JMP 中正在执行“最陡上升或下降路径 (POA/POD)”？ 他说Minitab中有一个宏功能就是用于这种目的的。 我以前从未使用过 Minitab，也不知道如何用它进行 POA。 根据我的理解，方向是由一阶模型的系数给出的，并且有一个公式来定义沿路径每一步移动的距离。 如果您能在 JMP 中分享一个示例或插件来解决此类问题，我们将不胜感激。
谢谢。
燕飞
回复：最陡上升或下降的路径燕飞：客户可能追求的场景的另一个方面是多重响应协同优化？ 如果是这种情况，JMP 中的逻辑和概念会变得更加优雅，因为 JMP 使用意愿函数来帮助确保解决方案满足意愿函数规定的条件。 JMP 意愿函数算法需要每个响应的权重因子（我认为权重是以几何平均逻辑形式提出的？...我必须承认距离我上次检查已经有一段时间了？），这反过来又影响了路径协同优化器将沿着表面找到解决方案。 仅基于这些权重因子，协同优化器可以在因子空间中找到不同的解决方案。
回复：最陡上升或下降的路径谢谢你，卢。 这很有帮助。
现在我了解了这个过程，并且我知道在 JMP 中进行这种计算很容易。 正如 Martin 所建议的，我还会向他推荐更先进的方法，例如 DSD。
回复：最陡上升或下降的路径嗨马丁，
我认为 DSD 是一个值得探索的有趣替代方案。 通过允许在更广泛的范围内进行实验，它提供了以下可能性：
- 在一次实验中确定局部最优（如果三个以上的因素很重要，则可以在两次实验中确定）
- 更简单的学习和掌握工作流程
- 防止由于两个因素相互作用的混淆而丢失重要因素，这是 Minitab 推广的工作流程中的一个风险。
马尔科姆
回复：最陡上升或下降的路径非常感谢你，马丁。
我刚刚安装了 Minitab，下载了宏并尝试运行一个示例来看看它的作用。 从输出中我知道它只是在给定基本因子的步长的情况下计算其他因子的系数和增量步长。
同时感谢您提供详细的计算过程，以便我可以向客户展示，以便他们在需要时可以在 JMP 中编写公式。 DSD对于客户来说也是一个很好的建议。 他们应该知道他们有更好的选择，即使他们目前还没有准备好改变。 我认为客户会很高兴知道有先进的技术可以帮助他们解决问题。
回复：最陡上升或下降的路径嗨燕飞，
查看 Minitab 中的宏，它的用法如下：
1. 进行筛选实验以确定重要的主要因素
2. 拟合线性模型
3. 现在宏将用于识别新的运行以准备 RSM 模型。 因此，它将选择一个基变量并沿着路径行走。 以下是您在宏中也可以找到的描述：
4. 现在运行新实验
5. 现在，您可以利用所有数据对 RSM 进行建模，以识别显着的模型效果并优化设置。
也就是说，我相信您可以为客户提供运行 DSD，该 DSD 允许在此过程中一步最多使用 3 个变量。 此外，如果您有更多变量，DSD 将允许主效应在交互作用和二次效应方面正交，这也使得很有可能立即找到一个好的模型。 如果您有约束或许多分类变量，您可能需要使用自定义设计器来实现此目的，或者使用带有确认运行的 DSD。
总之，客户通常知道某种做事方式并依赖它。 因此，他们希望在切换到另一个工具时再次具有相同的功能。 有时有更好的方法，但不是他们所知道的。 因此，我相信让他相信这个宏并不是做他想做的事情的唯一好方法，这一点很重要。
我对我的想法的其他意见感兴趣。
马丁
回复：最陡上升或下降的路径燕飞,
如果有帮助，这里是 Minitab 宏的链接
http://support.minitab.com/en-us/minitab/17/macro-library/macro-files/quality-control-and-doe-macros/ascent/
回复：最陡上升或下降的路径谢谢你，马丁。 客户询问 JMP 的功能，而不是针对特定问题进行咨询。 我需要从他那里得到更多信息，然后让他知道我们能做什么。
回复：最陡上升或下降的路径谢谢你，唐。
是的，对我来说最大的挑战是决定每一步要走多远。 正如你所说，这取决于很大一部分领域知识而不是公式。
虽然客户对此没有任何具体需求，但他只是问“对于一阶模型拟合，JMP 中如何执行“最速上升或下降路径 (POA/POD)”？ Minitab 中是否有用于此目的的等效宏函数？”我只是不确定他对 Minitab 中的宏函数是什么意思。
我稍后会和他核实，明天从他那里得到更多信息。
回复：最陡上升或下降的路径嗨燕飞，
我首先想到的是客户想要实现什么目标。 POA/POD 通常用于优化问题，并且有多种实现方式。 基本原理正如 Don 所描述的，观察渐变。 但是，除非您改变起点和步长，否则这些方法可能会产生局部最优值。
愿分析器中的优化器已经能够实现他想要实现的目标。 也许不会。 我猜他不仅有 2D 事物，而且至少有 3D 问题，并且他想找到表面的最大/最小？
马丁
回复：最陡上升或下降的路径POA 或 POD 是预测方程的梯度。 最大的挑战不在于计算，而在于一旦你走出设计空间（而且你通常是从设计空间的角落开始），要走多远。 它几乎总是需要领域知识。 我想如果您一次运行一次，您可以从一个标准值（可能是设计空间范围的一小部分）开始，计算每个步骤的预期值和实际值之间的差异，然后根据情况增加/减少/停止关于这个值有多大。
