Altoparlante | Trascrizione |
| James Wisnowski | Benvenuta scoperta della squadra. Andrew Carl e Darryl Ahner e io vorremmo e siamo entusiasti di presentare due nuove tecniche di campionamento, campionamento adattivo e |
| Fornirà davvero ad alcuni professionisti una meravigliosa utilità in termini di miglioramento della progettazione degli esperimenti. E quello che voglio fare è passare in rassegna un paio dei nostri |
| Qui su Processi ho parlato di come tutto questo è avvenuto. Ma quando pensiamo al DOE e al potenziamento dei progetti, JMP offre già una solida funzionalità. |
| Ciò che abbiamo scoperto lavorando con alcuni studi di simulazione su larga scala è che qui manca un pezzo |
| progetti di riempimento delle lacune e progettazione di campionamento adattivo. E il |
| il punto chiave sarà che i progetti di campionamento adattivo si concentreranno sulla risposta. |
| Quindi questo è un po' diverso da quando pensi a un progetto standard in cui aumenti e guardi lo spazio di progettazione e guardi la matrice X. Quindi ora prenderemo effettivamente in considerazione gli obiettivi o le risposte. Quindi finirà davvero così |
| fornendo una funzionalità completamente nuova in modo da poter testare campioni aggiuntivi dove c'è l'eccitazione. Quindi vogliamo essere in una regione ad alto gradiente, proprio come si potrebbe pensare nella metodologia della superficie di risposta, profonda quanto l'ascesa. |
| Ora lo automatizzeremo in termini di possibilità di farlo con molte variabili e migliaia di esecuzioni nella simulazione. |
| La buona notizia è che questo si riduce abbastanza bene per il professionista anche con i design piccoli. |
| E farò una rapida panoramica dei nostri componenti aggiuntivi che vi mostreremo, e poi Andrew parlerà un po' dei dettagli tecnici di questo. |
| Quindi una cosa di cui voglio scusarmi è che sarà abbastanza incentrato su PowerPoint piuttosto che sull'aggiunta di JMP |
| per due motivi... dovrei dire, piuttosto che demo di JMP... per due motivi, principalmente perché il nostro |
| tempo, abbiamo molto materiale da esaminare, ma anche il nostro utilizzo di JMP è realmente nell'algoritmo che stiamo realizzando in questo campionamento adattivo. COSÌ |
| in definitiva, il punta e clicca di JMP è un'interfaccia utente molto semplice che abbiamo sviluppato, ma cosa c'è dietro le quinte |
| e l'algoritmo, qui è davvero la potenza di JMP, quindi. Così veloce, il design di riempimento degli spazi, abbastanza chiaro. Possiamo vedere che ci sono alcune lacune qui, forse questa è un'esagerazione che dimostra la tecnica, |
| anche se in realtà potremmo avere un numero molto elevato di fattori con cui la maledizione della dimensionalità può entrare in gioco e ci sono questi buchi nel vostro progetto. |
| E come potete vedere, potremmo migliorarlo con questo design che riempie lo spazio, che è una specie di cavallo di battaglia |
| nell'aumento di gran parte del nostro lavoro, in particolare nella chiamata di stimolazione, e non sembra poi così male. Se guardiamo quei punti blu che sono la novità |
| punti, i punti che abbiamo aggiunto, non sembrano poi così male. E poi se inizi a guardare forse un po' più da vicino, puoi vedere che abbiamo iniziato a replicarne molti |
| che abbiamo già fatto e forse non abbiamo riempito quei buchi tanto quanto pensavamo, in particolare quando togliamo la colorazione blu e possiamo vederlo |
| c'è ancora una discreta quantità di lacune lì dentro. Quindi noi, mentre stiamo sviluppando il campionamento adattivo, riconosciamo che una parte di ciò è che dovevamo riempire alcuni buchi |
| in molti di questi progetti. E abbiamo creato un algoritmo nel nostro strumento, il nostro componente aggiuntivo, chiamato Boundary Explorer, che farà proprio questo particolare... |
| per qualsiasi progetto, svolgerà questa particolare funzione per riempire i buchi e potrai vedere dove potrebbe avere molta utilità in molte applicazioni diverse. |
| Quindi in questa particolare diapositiva o grafico, possiamo vedere che quei punti blu ora sono forse più concentrati per i buchi e ce ne sono alcuni che sono dispersi nel resto della regione. Ma anche quando andiamo al... |
| puoi colorare in modo che appaia molto più uniforme, abbiamo riempito quello spazio molto bene. |
| Questa era più un'utilità di cui avevamo bisogno per il nostro obiettivo generale, che era un campionamento attivo. E l'applicazione principale che abbiamo trovato per questo |
| si trattava di sistemi autonomi, che hanno suscitato molto interesse e molta produzione e test, in particolare presso il Dipartimento della Difesa. |
| Quindi nei sistemi autonomi, potresti pensare che ci siano davvero due elementi principali quando ci pensi. Nei sistemi autonomi in realtà quello che stai guardando è ciò di cui hai davvero bisogno |
| qualche sensore per far sapere al sistema dove si trova. E poi l'algoritmo o il software per reagire a ciò. Quindi è una specie di sensore... |
| integrazione software dell'algoritmo su cui ci concentriamo principalmente. E ciò che poi guida è un modello di simulazione molto complesso che onestamente deve esserlo |
| eseguire molte, molte migliaia di volte. Ma ancora più importante, ciò che abbiamo scoperto è che in questi sistemi autonomi ci sono questi limiti nelle prestazioni. |
| Quindi, ad esempio, abbiamo un esempio di leader-seguace proveniente dall'esercito. È lì che un soldato guiderebbe un blindato molto pesante |
| camion in un convoglio e poi il resto del convoglio sarebbe autonomo, non avrebbero soldati a bordo. |
| O pensa magari all'ultima Tesla, al camioncino, dove hai il navigatore automatico, giusto? Quindi l'idea è che stiamo cercando di testare questi sistemi e alla fine dobbiamo fare molti test. E quello che succede è |
| per esempio, forse anche in questa Tesla, che potresti andare a 30 miglia all'ora, potresti stare bene ed evitare un ostacolo. Ma a 30.1 dovresti fare una manovra evasiva che non rientra nelle specifiche dell'algoritmo. COSÌ |
| è di questo che parliamo quando diciamo che questi confini sono là fuori. Sono molto ripidi |
| cambiamenti nella risposta, regioni a gradiente molto elevato. Ed è proprio lì che vogliamo concentrare la nostra attenzione. |
| Non siamo così interessati quanto a una superficie piana, in realtà è lì che si trova la parte interessante, è lì che vorremmo farlo. |
| E onestamente, quello che abbiamo scoperto è che più iteriamo su questo, migliore diventa la nostra soluzione. Noi completamente |
| consiglio di farlo come un processo iterativo. Quindi, questa è la parte adattiva di tutto questo: fai i tuoi test e poi genera alcuni nuovi punti positivi, poi vedi quali sono quelle risposte e quindi adatta ad esse la tua prossima serie di esecuzioni. |
| Questo è il nostro campionamento adattivo. |
| In realtà l'idea di questo, la genesi, è venuta da un lavoro che abbiamo svolto con i laboratori di fisica applicata alla Johns Hopkins University. Stanno facendo un ottimo lavoro con i militari e |
| mentre lo rivedevo in uno dei loro articoli di giornale, pensavo tra me e me, sai, è fantastico in termini di quello che stai facendo, e potremmo anche usare JMP per trovare una soluzione che sia più accessibile a molti dei praticanti. Perché il problema con |
| Johns Hopkins è che è molto specifico ed è in qualche modo... da integrare, non è qualcosa di molto |
| accessibile ai team di test più piccoli. Quindi vogliamo dare... metterlo nelle mani di persone che possano usarlo subito. |
| Quindi questo articolo del Journal of Systems and Software è una specie di fonte per il nostro esploratore di confini. E a quanto pare, abbiamo utilizzato molte delle buone idee ma siamo stati in grado di trovare approcci diversi e |
| e altri metodi. In particolare, utilizzando le funzionalità native di JMP Pro e alcuni sviluppi, come il design per colmare le lacune che abbiamo realizzato lungo il percorso. |
| Ora, |
| In termini di questo problema di esempio, probabilmente è meglio che vada e lo spieghi |
| proprio in una demo qui. Quindi se guardo un grafico qui, posso vedere che... userò questo... tornerò all'esempio di Tesla. Quindi diciamo che sto svolgendo un'attività di tipo navigazione automatica e ho due fattori di input e diciamo forse |
| abbiamo velocità e densità del traffico. Quindi stiamo pensando a questo algoritmo di Tesla. Vuole immettersi nella corsia a sinistra quindi vuole, dovrei dire, passare. Quindi deve fondersi. Quindi uno di questi sarebbe la velocità a cui va la Tesla e poi l'altro potrebbe essere la densità del traffico. |
| E poi forse in quest'area qui abbiamo un numero più basso. Quindi possiamo pensare a questi numeri da 2 a 10, potremmo forse anche pensare alle risposte, forse anche alla probabilità di una collisione. |
| Quindi giù a bassa velocità/bassa densità abbiamo una probabilità molto bassa di collisione, ma quassù ad alta velocità/ |
| alta densità, allora hai una probabilità molto alta. Ma il punto è quello che ho evidenziato e selezionato qui, puoi vedere che lì è molto ripido |
| differenze di prestazione lungo la regione di confine. Quindi, mentre facciamo la simulazione, inizieremmo a fare sempre più test software per l'algoritmo, |
| noteremo che non ci fa davvero molto bene ottenere più punti quaggiù. Sappiamo che facciamo bene a bassa densità e bassa velocità. Quello che vogliamo fare è davvero lavorare sull'area che delimita i confini qui. Quindi questo è il nostro problema |
| come posso generare 200 nuovi punti che seguiranno davvero le mie condizioni al contorno qui. |
| Ora, quello che ho fatto è che in realtà sono X1 e X2, ancora una volta, penso alla velocità e... |
| la nostra velocità e la densità. E poi ho inserito qui una variabile predittrice che non significa nulla. E poi c'è la nostra risposta. Quindi, per fare questo, tutto quello che devo fare è entrare in Boundary Explorer e sotto il campionamento adattivo, |
| le mie due risposte (e puoi avere tutte le risposte di cui hai bisogno) e poi ecco i miei tre fattori di input. E poi ho alcune impostazioni qui, se voglio o meno puntare al minimo e al massimo globale, mostrare il limite. |
| E alla fine ti mostreremo anche che hai un certo controllo qui. Quindi quello che succede in questo algoritmo è cosa stiamo realmente cercando, cosa stanno facendo i vicini più vicini? Se tutti i vicini più vicini hanno la stessa risposta, come nella probabilità zero di avere |
| un incidente, non è un posto molto interessante. Voglio vedere dove ci sono grandi differenze. Ed è lì che si trova il vicino più vicino |
| entra in gioco. Quindi andrò avanti e lo eseguirò. E quello che vediamo qui è che possiamo vedere proprio ora che l'algoritmo ha utilizzato la capacità nativa di JMP per lo screening delle previsioni e |
| fortunatamente, non utilizza la distribuzione normale. Puoi vedere che sta eseguendo la foresta di bootstrap. Andrew parlerà di dove è stato utilizzato. |
| E alla fine |
| quello che faremo qui è generare tutta una serie di nuovi punti che, si spera, dovrebbero cadere lungo il confine. Quindi ci sono voluti circa 30 secondi per fare questi punti e da qui posso semplicemente andare avanti e fermarmi |
| i miei nuovi punti. Quindi puoi vedere che i miei nuovi punti sono più o meno lungo questi confini, probabilmente più facili da vedere se vado avanti e inserisco l'altro |
| quelli. |
| Quindi proprio qui, forse lo farò |
| cambia il colore qui molto velocemente. |
| E andrò avanti e mostrerò forse il punto medio della perturbazione. |
| Quindi adesso possiamo vedere dove sono tutti i nuovi punti. Quindi, quelli che sono in qualche modo ombreggiati, quelli sono quelli che erano originali e ora stiamo vedendo tutti i miei nuovi punti che sono stati generati in quel confine. |
| Quindi ovviamente la domanda è: come, come abbiamo fatto? |
| Quindi quello che farò è tornare alla mia presentazione. |
| E da lì, lo passerò ad Andrew, che fornirà un po' più di dettagli tecnici in termini di come procedere per trovare questi punti di confine perché non è così semplice come pensavamo. |
| Andrea Carlo | Va bene. Grazie, Jim. Inizierò parlando del gap che si colma molto velocemente perché abbiamo aggiunto anche questo in aggiunta all'integrazione nello strumento bestia generale. |
| È anche uno strumento autonomo. Si presenta quindi con un'interfaccia piuttosto semplice nella quale selezioniamo le colonne che definiamo lo spazio che siamo andati a riempire. |
| E per i fattori continui, legge la proprietà della colonna di codifica per ottenere i valori alto e basso e può anche prendere fattori nominali. |
| Inoltre, se lo hai generato da un design personalizzato o da un design di riempimento dello spazio e hai combinazioni non consentite, verrà letto nello script della combinazione non consentita |
| e riempire gli spazi solo nello spazio consentito. Pertanto l'utente specifica le proprie colonne e il numero di nuove esecuzioni che desidera. |
| E lasciatemi mostrare un esempio rapido e reale in uno spazio di dimensione superiore. Questo è un caso di tre dimensioni. Abbiamo un cubo in cui abbiamo estratto un cilindro cavo e abbiamo seguito il processo di aggiunta di queste corse di riempimento degli spazi, e le accenderemo insieme per vedere come si incastrano. |
| E poi spegni anche il colore e vedi cosa succede. |
| Quindi questo è bello perché nello spazio dimensionale superiore possiamo colmare queste lacune che non potremmo nemmeno necessariamente vedere nei grafici variabili. Allora come lo facciamo? |
| Quindi quello che facciamo è prendere i punti originali, che in questo caso ora sono colorati di rosso invece che di nero e possiamo vedere dove erano quei due spazi vuoti, |
| e sovrapponiamo una serie di corse candidate da un progetto di riempimento dello spazio per l'intero spazio. |
| Aggiungiamo le tabelle di dati concatenate delle vecchie e delle nuove corse candidate, abbiamo una colonna indicatore, una colonna indicatore continua, etichettiamo i vecchi punti 1 e etichettiamo il punto candidato 0. E in questo spazio concatenato, ora inseriamo i 10 vicini più vicini |
| modello nella colonna dell'indicatore e salviamo le previsioni da questo. Quindi il candidato corre con i pronostici più piccoli, in questo caso blu, |
| sono i punti di gap che vogliamo aggiungere al design. Ora, se lo facciamo in un unico passaggio, ciò che tende a fare è enfatizzare eccessivamente le lacune più grandi. Quindi facciamo davvero questo in a |
| processo decuplicato, in cui prenderemo un decimo dei nostri nuovi punti, li selezioneremo come vediamo qui, quindi li aggiungeremo e quindi eseguiremo nuovamente il nostro algoritmo k-vicino più vicino per selezionare alcuni nuovi punti e riempire tutti gli spazi più uniformemente. |
| Quindi questa è solo un'opzione... il riempimento degli spazi vuoti è un'opzione disponibile all'interno di Boundary Explorer. |
| Quindi Jim ha dimostrato che possiamo utilizzare un numero qualsiasi di risposte, un numero qualsiasi di fattori e possiamo avere sia risposte continue e nominali che fattori continui e nominali. |
| Il fatto...i continui fattori che entrano in gioco, normalizzeremo quelli dietro le quinte a 01 per metterli su un piano più paritario. |
| E per le risposte individuali che rientrano in questo, eseguiremo il loop individualmente su ciascuna risposta per trovare i confini per ciascuna delle risposte all'interno dello spazio dei fattori. |
| Alla fine abbiamo uno strumento multivariato che utilizza una foresta casuale che considera tutte le risposte contemporaneamente. |
| E quindi vedremo come ciascuna delle diverse opzioni disponibili qui nella GUI, nell'interfaccia utente, si presenta all'interno dell'algoritmo. |
| Pertanto, dopo la normalizzazione di una qualsiasi di queste colonne continue, il primo passaggio è lo screening dei predittori per tutte le risposte sia continue che nominali. |
| Ciò che bisogna fare è scoprire i predittori, sono rilevanti per ogni risposta particolare. |
| Inoltre, nell'interfaccia utente abbiamo un'impostazione predefinita pari a 0,05 per la proporzione delle varianti spiegate o la porzione di contributo di ciascuna variabile. Quindi, in questo caso, vediamo che X1 e X2 vengono mantenuti per la risposta Y1 e il rumore X3 viene rifiutato. |
| Il prossimo passo è eseguire un algoritmo del vicino più vicino. E utilizziamo il valore predefinito 5, ma è un'opzione che l'utente può attivare. |
| E non siamo così preoccupati di quanto bene questo preveda da usarlo semplicemente come metodo |
| per raggiungere i cinque vicini più vicini. Quali sono le file dei cinque vicini vicini e quanto distano? Qual è la distanza dalla riga corrente? |
| E useremo queste informazioni sui vicini più vicini per identificare ogni punto, la probabilità che ogni punto sia un punto di confine. |
| Dobbiamo usare la divisione qui e usare un metodo diverso per le risposte continue o nominali. Per le risposte nominali, ciò che facciamo è concatenare la risposta dalla colonna corrente |
| insieme alle risposte dei cinque vicini più vicini in ordine, in questa colonna concatena concatena i vicini. |
| E abbiamo una semplice euristica che usiamo per identificare la probabilità al confine in base alla colonna dei vicini concat. |
| Se tutte le risposte sono uguali, diciamo che la probabilità che si tratti di un punto di confine è bassa. |
| Se almeno una delle risposte è diversa, allora diciamo che ha una probabilità media di essere un confine, scusatemi, un punto di confine. |
| E se due o più risposte sono diverse, è molto probabile che si tratti di un punto di confine. Registriamo anche la riga utilizzata. In questo caso, questa è la coppia di confini. Quindi questo è il vicino più vicino che ha una risposta diversa dalla riga corrente. |
| Possiamo tracciare quelle probabilità di confine nel nostro progetto originale di riempimento dello spazio. |
| Quindi, come Jim ha menzionato all'inizio, abbiamo... inizialmente eseguiamo un progetto di riempimento dello spazio prima di eseguire questo strumento di esplorazione dei confini per arrivare... a esplorare lo spazio e ottenere alcune risposte. |
| E ora lo inseriamo e abbiamo calcolato la probabilità al contorno per questi. E possiamo vedere che le nostre probabilità di confine coincidono con i confini effettivi. |
| Per le risposte continue prendiamo la risposta continua dei cinque vicini più vicini e aggiungiamo una colonna per ciascuno di essi e prendiamo la deviazione standard di questi. |
| Quelli con le maggiori deviazioni standard dei vicini sono i punti che si trovano nelle aree con gradiente più ripido e che hanno maggiori probabilità di essere i nostri punti di confine. |
| Moltiplichiamo anche la deviazione standard per la distanza media per ottenere la nostra metrica informativa, |
| perché ciò che fa è che per due punti che hanno una deviazione standard uguale dei vicini, aumenterà il peso di quello che si trova in una regione più sparsa con meno punti già presenti. |
| Quindi ora abbiamo questa metrica di informazione continua e dobbiamo capire come suddividerla in probabilità alta, media e bassa per ciascun punto. |
| Quindi quello che facciamo è adattarci alla distribuzione. Inseriamo la normale miscela tre e utilizziamo la media come distribuzione più grande come limite per i punti ad alta probabilità. |
| E usiamo l'intersezione delle densità della distribuzione normale più grande e della seconda più grande come limite per i punti di media probabilità. |
| Quindi, una volta identificati i cut-off, li applichiamo per formare la nostra colonna delle probabilità di confine. |
| E manteniamo anche la riga utilizzata, che è la più vicina. In questo caso per le risposte continue, cioè il vicino che ha la risposta più diversa in valore assoluto dal ruolo attuale. |
| Quindi ora sia per le risposte continue che per quelle nominali abbiamo lo stesso output. Abbiamo la probabilità al contorno e la riga utilizzata. Ora che abbiamo identificato i punti di confine, |
| dobbiamo essere in grado di usarlo per generare nuovi punti lungo il confine. |
| Quindi il primo e, per certi versi, il metodo migliore |
| per mirare e ingrandire il confine è ciò che chiamiamo metodo del punto medio. E cosa facciamo per ogni coppia di confini, ogni riga e la sua riga, il suo vicino più vicino |
| identificato in precedenza... mi dispiace, quindi non il vicino più vicino ma il vicino più rilevante in termini di differenza nella risposta nominale o più diverso in termini di risposta continua. |
| Per i fattori continui prendiamo la media delle coordinate per ciascuno di questi due punti per formare il punto medio. Ed è quello che vedi nel grafico qui. Quindi vorremmo mettere un punto |
| al cerchio rosso. Per i fattori nominali, quello che facciamo per le coppie di confini è prendere i livelli di quel fattore |
| presenti in ciascuno dei due punti e ne scegliamo uno a caso. La cosa bella è che se sono entrambi uguali, significa che anche il punto medio sarà allo stesso livello per quel fattore nominale per quei due punti. |
| Un secondo metodo che chiamiamo metodo della perturbazione consiste semplicemente nell'aggiungere una deviazione casuale a ciascuno dei punti di confine identificati. |
| Quindi per il confine alto... punti ad alta probabilità, aggiungiamo due di questi punti di perturbazione per il mezzo, ne aggiungiamo uno. |
| E per quello aggiungiamo, per i fattori continui, aggiungiamo una deviazione casuale. Normale significa 0; deviazione standard, .075 nello spazio normalizzato, e quel .075 è qualcosa che puoi ridimensionare |
| all'interno dell'interfaccia utente per aumentare o ridurre la quantità di diffusione attorno al confine. |
| E poi per i fattori nominali, quello che facciamo è prendere... scegliamo casualmente un livello di ciascuno dei fattori nominali. Ora, per l'alta probabilità... |
| punti di confine ad alta probabilità che ottengono un secondo punto di perturbazione, ciò che facciamo è nel secondo limitare le impostazioni dei fattori nominali in modo che siano tutte uguali a quelle del punto originale. |
| Quindi eseguiamo questo processo di identificazione del confine e creazione di punti medi e punti di perturbazione per ciascuna delle risposte specificate nel Boundry Explorer. |
| Una volta fatto ciò, concateniamo tutto insieme e poi esamineremo tutti i punti medi identificati per tutte le risposte, |
| e ora utilizza una tecnica multivariata per generare eventuali esecuzioni aggiuntive. Poiché l'utente può specificare quante esecuzioni desidera e questi metodi del punto medio e di perturbazione generano solo un numero fisso di esecuzioni e, a seconda del |
| la conformazione del terreno, immagino si possa dire, per i dati. |
| Quindi quello che facciamo è qualcosa di simile al progetto di riempimento dei gap in cui prendiamo tutte le perturbazioni identificate e i punti medi per tutte le risposte |
| e riempiamo l'intero spazio con il disegno di riempimento dello spazio dei punti candidati. Abbiamo etichettato i punti candidati 0 in un indicatore continuo, i punti medi 1 e i punti di perturbazione 0,01. |
| Adattiamo una foresta casuale a questo indicatore. E poi diamo un'occhiata. Salviamo le previsioni per i punti di riempimento dello spazio candidato |
| quindi prendiamo le corse del candidato con i valori predittivi più grandi di questo indicatore di confine. |
| E questi sono quelli che aggiungiamo utilizzando questo metodo della foresta casuale. Poiché si tratta di un metodo multivariato, se un'area dello spazio di progettazione costituisce un confine per più risposte, riceverà ulteriore enfasi e corse extra. |
| Quindi ecco mostrati i tre tipi di punti insieme. |
| Ora, ancora una volta, per sottolineare ciò che ha detto Jim, ciò deve avvenire in più iterazioni, quindi raccoglieremo queste informazioni dal nostro strumento di esplorazione dei confini |
| e quindi concatenarlo nuovamente nel set di dati originale. E poi, dopo aver ricevuto queste risposte, esegui nuovamente Boundary Explorer e tutto funzionerà |
| continuamente nel corso delle iterazioni, ingrandire i confini e gli impatti, possibilmente anche trovare più confini. Quindi i punti di perturbazione sono molto utili |
| per le prime iterazioni quando stai ancora esplorando lo spazio, sono più sparsi e il metodo della foresta casuale è migliore per le iterazioni successive, perché |
| avrà a disposizione più punti medi perché utilizza non solo quelli dell'iterazione corrente, ma anche quelli registrati in precedenza. Abbiamo una colonna nella tabella dati che registra il tipo di punto che è stato aggiunto. Quindi utilizzeremo anche tutti i punti medi precedenti. |
| Quindi, se inseriamo il grafico della superficie per questo esempio che abbiamo cercato per una funzione a gradini, possiamo vedere i nostri nuovi punti, i punti medi e i punti di perturbazione cadono tutti lungo le scogliere, che sono i confini, che è ciò che volevamo da vedere. |
| Quindi vengono eseguite le ultime due opzioni per l'interfaccia utente o per indicare le operazioni di riempimento degli spazi vuoti e possiamo anche chiedergli di scegliere come target il minimo massimo globale o la corrispondenza del target per qualsiasi fattore continuo, se impostato come proprietà della colonna. |
| Solo per mostrare un ultimo esempio qui, abbiamo questo esempio in cui abbiamo questi due canyon attraverso un piano con una specie di pozzo profondo all'intersezione di questi. |
| E abbiamo eseguito i punti iniziali di riempimento dello spazio, che sono i punti mostrati per avere un'idea della risposta. E se eseguiamo due iterazioni del nostro strumento di esplorazione dei confini, |
| qui è dove sono posizionati tutti i nuovi punti e possiamo vedere gli spazi vuoti nel mezzo di queste due linee. Quali sono queste lacune? |
| Se diamo un'occhiata alla superficie, quegli spazi vuoti sono i fondi del canyon, dove in realtà laggiù non è ripido. Quindi è piatto, anche localmente su una piccola regione, |
| ma tutti questi punti, tutti questi punti medi, |
| non sono stati posizionati sugli aerei, ma sulle ripide scogliere, che è dove volevamo. E qui stiamo attivando e disattivando i punti minimi e puoi vedere che stanno toccando il fondo del pozzo. Quindi siamo stati in grado di puntare anche al minimo. |
| Quindi il nostro strumento ne presenta due distinti, due discreti |
| opzioni, nuovi strumenti. Vogliamo il riempimento degli spazi che può essere utilizzato su qualsiasi tabella dati con proprietà di codifica impostate per i fattori continui. |
| E poi lo strumento di esplorazione dei confini che può essere utilizzato per aggiungere, esegue esecuzioni che non esaminano lo spazio dei fattori di per sé, ma esaminano la risposta per indirizzare il gradiente elevato... aree ad alto cambiamento per aggiungere ulteriori esecuzioni . |
