最陡上升或下降的路徑<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />你好，
我有一個客戶問怎麼樣在 JMP 中執行「最陡上升或下降路徑 (POA/POD)」？ 他說Minitab中有一個巨集功能就是用於這種目的的。 我以前從未使用過 Minitab，也不知道如何用它來進行 POA。 根據我的理解，方向是由一階模型的係數給出的，並且有一個公式來定義沿著路徑每一步移動的距離。 如果您能在 JMP 中分享一個範例或外掛程式來解決此類問題，我們將不勝感激。
謝謝。
燕飛
回覆：最陡上升或下降的路徑燕飛：客戶可能追求的場景的另一個方面是多重回應協同優化？ 如果是這種情況，JMP 中的邏輯和概念會變得更加優雅，因為 JMP 使用意願函數來幫助確保解決方案符合意願函數規定的條件。 JMP 意願函數演算法需要每個回應的權重因子（我認為權重是以幾何平均邏輯形式提出的？...我必須承認距離我上次檢查已經有一段時間了？），這反過來又影響了路徑協同優化器將沿著表面找到解決方案。 僅基於這些權重因子，協同優化器可以在因子空間中找到不同的解決方案。
回覆：最陡上升或下降的路徑謝謝你，盧。 這很有幫助。
現在我了解了這個過程，我知道在 JMP 中進行這種計算很容易。 正如 Martin 所建議的，我也會向他推薦更先進的方法，例如 DSD。
回覆：最陡上升或下降的路徑嗨馬丁，
我認為 DSD 是一個值得探索的有趣替代方案。 透過允許在更廣泛的範圍內進行實驗，它提供了以下可能性：
- 在一次實驗中確定局部最優（如果三個以上的因素很重要，則可以在兩次實驗中確定）
- 更簡單的學習與掌握工作流程
- 防止因兩個因素相互作用的混淆而失去重要因素，這是 Minitab 推廣的工作流程中的一個風險。
馬爾科姆
回覆：最陡上升或下降的路徑非常感謝你，馬丁。
我剛剛安裝了 Minitab，下載了巨集並嘗試運行一個範例來看看它的作用。 從輸出我知道它只是在給定基本因子的步長的情況下計算其他因子的係數和增量步長。
同時感謝您提供詳細的計算過程，以便我可以向客戶展示，以便他們在需要時可以在 JMP 中編寫公式。 DSD對客戶來說也是一個很好的建議。 他們應該知道他們有更好的選擇，即使他們目前還沒有準備好改變。 我認為客戶會很高興知道有先進的技術可以幫助他們解決問題。
回覆：最陡上升或下降的路徑嗨燕飛，
看看 Minitab 中的宏，它的用法如下：
1. 進行篩選實驗以確定重要的主要因素
2. 擬合線性模型
3. 現在巨集將用於識別新的運行以準備 RSM 模型。 因此，它將選擇一個基變數並沿著路徑行走。 以下是您在巨集中也可以找到的描述：
4. 現在運行新實驗
5. 現在，您可以利用所有資料對 RSM 進行建模，以識別顯著的模型效果並最佳化設定。
也就是說，我相信您可以為客戶提供運行 DSD，該 DSD 允許在此過程中一步最多使用 3 個變數。 此外，如果您有更多變量，DSD 將允許主效應在交互作用和二次效應方面正交，這也使得很有可能立即找到一個好的模型。 如果您有約束或許多分類變量，您可能需要使用自訂設計器來實現此目的，或使用具有確認運行的 DSD。
無論如何，客戶通常知道某種做事方式並依賴它。 因此，他們希望在切換到另一個工具時再次具有相同的功能。 有時有更好的方法，但不是他們所知道的。 因此，我相信讓他相信這個宏並不是做他想做的事情的唯一好方法，這一點很重要。
我對我的想法的其他意見感興趣。
馬丁
回覆：最陡上升或下降的路徑燕飛,
如果有幫助，這裡是 Minitab 巨集的鏈接
http://support.minitab.com/en-us/minitab/17/macro-library/macro-files/quality-control-and-doe-macros/ascent/
回覆：最陡上升或下降的路徑謝謝你，馬丁。 客戶詢問 JMP 的功能，而不是針對特定問題進行諮詢。 我需要從他那裡得到更多信息，然後讓他知道我們能做什麼。
回覆：最陡上升或下降的路徑謝謝你，唐。
是的，對我來說最大的挑戰是決定每一步要走多遠。 正如你所說，這取決於很大一部分領域知識而不是公式。
雖然客戶對此沒有任何具體需求，但他只是問“對於一階模型擬合，JMP 中如何執行「最速上升或下降路徑 (POA/POD)」？ Minitab 中是否有用於此目的的等效巨集函數？”我只是不確定他對 Minitab 中的巨集函數是什麼意思。
我稍後會和他核實，明天從他那裡得到更多資訊。
回覆：最陡上升或下降的路徑嗨燕飛，
我首先想到的是客戶想要達成什麼目標。 POA/POD 通常用於最佳化問題，並且有多種實作方式。 基本原理如 Don 所描述的，觀察漸層。 但是，除非您改變起點和步長，否則這些方法可能會產生局部最優值。
願分析器中的優化器已經能夠實現他想要實現的目標。 也許不會。 我猜他不僅有 2D 事物，而且至少有 3D 問題，並且他想找到表面的最大/最小？
馬丁
回覆：最陡上升或下降的路徑POA 或 POD 是預測方程式的梯度。 最大的挑戰不在於計算，而是一旦走出設計空間（而且通常是從設計空間的角落開始），要走多遠。 它幾乎總是需要領域知識。 我想如果您一次運行一次，您可以從一個標準值（可能是設計空間範圍的一小部分）開始，計算每個步驟的預期值和實際值之間的差異，然後根據情況增加/減少/停止關於這個值有多大。
