| Oratore |
Trascrizione |
| James Wisnowski |
Benvenuti al team Discovery. Andrew Carl, 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 |
| |
Processi. Qui ho parlato di come tutto questo è nato. Ma quando pensiamo al DOE e all'ampliamento dei progetti, JMP offre già una solida funzionalità. |
| |
Quindi, ciò che abbiamo scoperto lavorando con alcuni studi di simulazione su larga scala è che manca un pezzo qui |
| |
progetti di riempimento dei gap e progettazione del campionamento adattivo. E il |
| |
il punto chiave sarà che i modelli di campionamento adattivo si concentreranno sulla risposta. |
| |
Quindi questo è piuttosto diverso da quando pensi a un design standard in cui aumenti e osservi lo spazio di progettazione e la matrice X. Quindi ora prenderemo effettivamente in considerazione gli obiettivi o le risposte. Quindi questo finirà per |
| |
Fornire una capacità completamente nuova, in modo da poter testare campioni aggiuntivi dove c'è più interesse. Quindi vogliamo essere in una regione ad alto gradiente, proprio come si potrebbe pensare nella metodologia della superficie di risposta, profonda quanto la risalita. |
| |
Ora automatizzeremo questo processo in modo da poterlo fare con molte variabili e migliaia di esecuzioni nella simulazione. |
| |
La buona notizia è che questa soluzione si adatta bene anche ai progetti più piccoli. |
| |
Vi mostrerò velocemente il componente aggiuntivo che stiamo per mostrarvi, poi Andrew parlerà un po' dei dettagli tecnici. |
| |
Quindi una cosa per cui voglio scusarmi, questo sarà piuttosto incentrato su PowerPoint piuttosto che sul componente aggiuntivo JMP |
| |
per due motivi... dovrei dire, piuttosto che la demo JMP... per due motivi, principalmente perché il nostro |
| |
tempo, abbiamo un sacco di materiale da esaminare, ma anche il nostro utilizzo di JMP è davvero nell'algoritmo che stiamo realizzando in questo campionamento adattivo. Quindi |
| |
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, è proprio la potenza di JMP, quindi... Quindi, velocemente, il design del riempimento dei gap è abbastanza chiaro. Possiamo vedere che ci sono alcuni gap qui, forse è un po' esagerato, ma dimostra la tecnica. |
| |
sebbene in realtà potremmo avere un numero molto elevato di fattori con quella maledizione della dimensionalità che può entrare in gioco e potresti avere questi buchi nel tuo progetto. |
| |
E puoi vedere, potremmo aumentarlo 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 i nuovi |
| |
punti, i punti che abbiamo aggiunto, non sembrano poi così male. E poi se inizi a guardare un po' più da vicino, puoi vedere che abbiamo iniziato a replicare molti di quelli |
| |
che abbiamo già fatto e forse non abbiamo riempito quei buchi tanto quanto pensavamo, in particolare quando togliamo la colorazione blu e possiamo vedere che |
| |
Ci sono ancora parecchie lacune. Quindi, mentre sviluppiamo il campionamento adattivo, ci rendiamo conto che una parte di ciò è che dobbiamo colmare alcune lacune. |
| |
in molti di questi progetti. E abbiamo ideato un algoritmo nel nostro strumento, il nostro componente aggiuntivo, chiamato Boundary Explorer, che farà proprio questo... |
| |
per qualsiasi progetto, svolgerà questa particolare funzione per riempire i buchi e puoi vedere dove potrebbe essere molto utile in molte applicazioni diverse. |
| |
Quindi, in questa particolare diapositiva o grafico, possiamo vedere che quei punti blu sono ora forse più concentrati per i buchi e ce ne sono alcuni che sono dispersi nel resto della regione. Ma anche quando passiamo a... |
| |
puoi colorare in modo che sembri molto più uniforme, abbiamo riempito molto bene quello spazio. |
| |
Ora, 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 |
| |
erano i sistemi autonomi, che hanno suscitato molto entusiasmo e sono stati oggetto di produzione e test, in particolare presso il Dipartimento della Difesa. |
| |
Quindi, nei sistemi autonomi, si potrebbe pensare che ci siano due elementi principali. Nei sistemi autonomi, quello che si sta realmente osservando è se si ha realmente bisogno di... |
| |
Un sensore che in un certo senso fa sapere al sistema dove si trova. E poi l'algoritmo o il software che reagisce. Quindi è un po' come se il sensore... |
| |
integrazione di algoritmi e software su cui ci concentriamo principalmente. E ciò che ne consegue è un modello di simulazione molto complesso che onestamente deve essere |
| |
Eseguiti migliaia di volte. Ma la cosa più importante è che abbiamo scoperto che in questi sistemi autonomi ci sono dei limiti in termini di prestazioni. |
| |
Ad esempio, abbiamo un esempio di leader-seguace nell'esercito. È lì che un soldato guidava un veicolo pesantemente corazzato. |
| |
camion in un convoglio e poi il resto del convoglio sarebbe autonomo, non ci sarebbero soldati a bordo. |
| |
Oppure pensate all'ultimo modello di Tesla, il pick-up, con il navigatore automatico, giusto? Quindi l'idea è che stiamo cercando di testare questi sistemi e alla fine dovremo fare molti test. E quello che succede è... |
| |
Ad esempio, forse anche in questa Tesla, a 48 km/h, potresti evitare un ostacolo senza problemi. Ma a 48 km/h dovresti effettuare una manovra evasiva che esula dalle specifiche dell'algoritmo. Quindi |
| |
Ecco di cosa parliamo quando diciamo che questi confini sono là fuori. Sono molto ripidi |
| |
cambiamenti nella risposta, regioni ad altissimo gradiente. Ed è lì che vogliamo concentrare la nostra attenzione. |
| |
Non ci interessa tanto la superficie piana, è lì che si trova la parte interessante, è lì che vorremmo farlo. |
| |
E onestamente, quello che abbiamo scoperto è che più ripetiamo questo, migliore diventa la nostra soluzione. Siamo completamente |
| |
Consiglio di procedere in questo modo come un processo iterativo. Quindi, la parte adattiva è questa: eseguire i test e poi generare nuovi punti positivi, quindi osservare quali sono queste risposte e adattare di conseguenza la serie successiva di esecuzioni. |
| |
Ecco il nostro campionamento adattivo. |
| |
In un certo senso, l'idea di tutto questo, la genesi, è nata da un lavoro che abbiamo svolto con i laboratori di fisica applicata della Johns Hopkins University. Stanno facendo un ottimo lavoro con l'esercito e |
| |
mentre lo esaminavo in uno dei loro articoli di giornale, pensavo tra me e me, sai, questo è fantastico in termini di ciò che stai facendo, e potremmo anche usare JMP per trovare una soluzione che sarebbe più accessibile a molti professionisti. Perché il problema con |
| |
La Johns Hopkins è molto specifica e in un certo senso...da integrare, non è qualcosa di molto |
| |
accessibile ai team di test più piccoli. Quindi vogliamo dare... mettere questo nelle mani di persone che possano usarlo subito. |
| |
Quindi questo articolo del Journal of Systems and Software, è in un certo senso la fonte del nostro esploratore di confini. E a quanto pare, abbiamo utilizzato molte delle buone idee, ma siamo stati in grado di elaborare approcci diversi e |
| |
e altri metodi. In particolare, utilizzando le funzionalità native di JMP Pro e alcune attività di sviluppo, come la progettazione del riempimento dei gap che abbiamo svolto lungo il percorso. |
| |
Ora, |
| |
Per quanto riguarda questo esempio di problema, probabilmente è meglio che lo spieghi |
| |
Proprio qui, in una demo. Quindi, se guardo un grafico qui, vedo 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 la velocità e la densità del traffico. Quindi stiamo pensando a questo algoritmo Tesla. Vuole immettersi nella corsia di sinistra, quindi vuole, direi, sorpassare. Quindi deve immettersi. Quindi uno di questi potrebbe essere la velocità della Tesla e l'altro potrebbe essere la densità del traffico. |
| |
E poi forse in quest'area abbiamo un numero più basso. Quindi possiamo pensare a questi numeri da 2 a 10, potremmo anche pensare alle risposte, magari anche come una probabilità di collisione. |
| |
Quindi, 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 che quello che ho evidenziato e selezionato qui, puoi vedere che c'è una probabilità molto ripida |
| |
differenze di prestazioni lungo la regione di confine. Quindi, man mano che eseguiamo la simulazione, iniziamo a testare sempre più il software per l'algoritmo, |
| |
Notiamo che non ci serve a molto ottenere più punti qui. Sappiamo che andiamo bene a bassa densità e bassa velocità. Quello che vogliamo fare è lavorare sull'area nei 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 stato davvero, sono X1 e X2, di nuovo, pensate alla velocità e... |
| |
la nostra velocità e la densità. E poi ho semplicemente inserito una variabile predittiva che non significa nulla. E poi c'è la nostra risposta. Quindi, per farlo, tutto ciò che devo fare è aprire Boundary Explorer e, con il campionamento adattivo, |
| |
Le mie due risposte (e puoi avere tutte le risposte che ti servono) 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 globali, mostrare il limite. |
| |
E alla fine vi mostreremo che avete un certo controllo. Quindi, quello che succede in questo algoritmo è che stiamo cercando di capire cosa stanno facendo i vicini più prossimi. Se tutti i vicini più prossimi hanno la stessa risposta, come ad esempio zero probabilità 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 prossimo. |
| |
entra in gioco. Quindi andrò avanti ed eseguirò questo. E quello che stiamo vedendo è che possiamo vedere ora che l'algoritmo ha utilizzato la capacità nativa di JMP per lo screening delle previsioni e |
| |
Fortunatamente, non usa la distribuzione normale. Come potete vedere, sta eseguendo la foresta bootstrap. Andrew parlerà di dove è stata utilizzata. |
| |
E alla fine |
| |
Quello che faremo qui è generare un intero set di nuovi punti che, si spera, dovrebbero trovarsi lungo il confine. Ci sono voluti circa 30 secondi per creare questi punti e da qui posso semplicemente andare avanti e tirare su |
| |
i miei nuovi punti. Quindi puoi vedere che i miei nuovi punti sono in un certo senso lungo quei confini, probabilmente è più facile vederli se vado avanti e inserisco gli altri |
| |
quelli. |
| |
Quindi proprio qui, forse lo farò |
| |
cambia velocemente il colore qui. |
| |
E andrò avanti e mostrerò forse il punto medio della perturbazione. |
| |
Quindi ora possiamo vedere dove si trovano tutti i nuovi punti. Quelli che sono in qualche modo ombreggiati sono quelli originali e ora vediamo tutti i nuovi punti che sono stati generati in quel confine. |
| |
Quindi la domanda è ovviamente: come abbiamo fatto? |
| |
Quindi quello che farò è tornare alla mia presentazione. |
| |
Da qui in poi passerò la parola ad Andrew, che fornirà qualche dettaglio più tecnico su come trovare questi punti limite, perché non è così semplice come pensavamo. |
| Andrew Karl |
Okay. Grazie, Jim. Inizierò parlando velocemente del riempimento degli spazi vuoti, perché abbiamo anche aggiunto questa funzionalità, oltre a integrarla nello strumento Beast generale. |
| |
È anche uno strumento autonomo. Ha un'interfaccia piuttosto semplice, in cui selezioniamo le colonne in cui definire lo spazio da riempire. |
| |
Per i fattori continui, legge la proprietà della colonna di codifica per ottenere i valori alto e basso e può anche accettare fattori nominali. |
| |
Inoltre, se hai generato questo 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 riempiono gli spazi vuoti solo entro lo spazio consentito. In questo modo, l'utente specifica le proprie colonne e il numero di nuove esecuzioni che desidera. |
| |
E lasciatemi fare un esempio molto veloce in uno spazio a più dimensioni. Questo è un caso di spazio tridimensionale. Abbiamo un cubo da cui abbiamo estratto un cilindro cavo e abbiamo aggiunto queste sequenze di riempimento, e le attiveremo insieme per vedere come si incastrano. |
| |
E poi spegni anche il colore e vedi cosa succede. |
| |
Questo è interessante perché nello spazio dimensionale superiore possiamo colmare queste lacune che non potremmo nemmeno necessariamente vedere nei grafici per varianza. Come possiamo farlo? |
| |
Quindi quello che facciamo è prendere i punti originali, che in questo caso sono colorati di rosso invece che di nero e possiamo vedere dove si trovavano quei due spazi vuoti, |
| |
e sovrapponiamo un set di candidati di esecuzioni da un progetto di riempimento dello spazio per l'intero spazio. |
| |
Aggiungiamo per le tabelle di dati concatenati delle vecchie e nuove esecuzioni candidate, abbiamo una colonna indicatrice, una colonna indicatrice continua, etichettiamo i vecchi punti 1 ed etichettiamo il punto candidato 0. E in questo spazio concatenato, ora adattiamo un vicino più prossimo 10 |
| |
modello alla colonna dell'indicatore e salviamo le previsioni da questa. Quindi il candidato esegue le previsioni più piccole, in questo caso, blu, |
| |
sono i punti di gap che vogliamo aggiungere al design. Ora, se lo facciamo in un'unica passata, tendiamo a enfatizzare eccessivamente i gap più grandi. Quindi lo facciamo in un |
| |
processo decuplo, in cui prenderemo un decimo dei nostri nuovi punti, li selezioneremo come vediamo qui, quindi li aggiungeremo e poi rieseguiremo il nostro algoritmo del k-vicino più prossimo per selezionare alcuni nuovi punti e riempire tutti gli spazi in modo più uniforme. |
| |
Quindi questa è solo una delle opzioni... il riempimento degli spazi vuoti è una delle opzioni disponibili in Boundary Explorer. |
| |
Quindi Jim ha dimostrato che possiamo usare un numero qualsiasi di risposte, un numero qualsiasi di fattori e possiamo avere sia risposte continue che nominali e fattori continui e nominali. |
| |
Il fatto...i fattori continui che entrano in gioco, li normalizzeremo dietro le quinte a 01 per metterli su un piano di maggiore parità. |
| |
E per le singole risposte che entrano in gioco, analizzeremo singolarmente ogni risposta per trovare i limiti di ciascuna risposta all'interno dello spazio fattoriale. |
| |
E 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. |
| |
Quindi, dopo la normalizzazione di una qualsiasi di queste colonne continue, il primo passo è lo screening del predittore per tutte le risposte, sia continue che nominali. |
| |
Lo scopo è scoprire quali sono i fattori predittivi rilevanti per ogni specifica risposta. |
| |
E abbiamo un'impostazione predefinita nell'interfaccia utente pari a 0,05 per la proporzione di varianti spiegate, ovvero la porzione di contributo di ciascuna variabile. Quindi, in questo caso, vediamo che X1 e X2 vengono mantenuti per la risposta Y1, mentre il rumore X3 viene rifiutato. |
| |
Il passo successivo è eseguire un algoritmo di tipo "nearmost neighbor". Usiamo il valore predefinito 5, ma è un'opzione che l'utente può attivare o disattivare. |
| |
E non siamo così preoccupati di quanto bene questo predice quanto piuttosto di usarlo semplicemente come metodo |
| |
Per raggiungere i cinque vicini più prossimi. Quali sono le file dei cinque vicini e quanto sono distanti? Qual è la distanza dalla fila attuale? |
| |
E useremo queste informazioni sui vicini più prossimi per identificare ogni punto, la probabilità che ogni punto sia un punto di confine. |
| |
Qui dobbiamo usare la divisione e adottare un metodo diverso per le risposte continue o nominali. Per le risposte nominali, concateniamo la risposta dalla colonna corrente. |
| |
insieme alle risposte dei cinque vicini più prossimi in ordine, in questa colonna concatenate concatenate neighbors. |
| |
E abbiamo una semplice euristica che utilizziamo per identificare la probabilità al contorno in base alla colonna dei vicini concatenati. |
| |
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, scusate, 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, si tratta della coppia di confine. Quindi, questo è il vicino più prossimo che ha una risposta diversa dalla riga corrente. |
| |
Possiamo tracciare tali probabilità al contorno nel nostro progetto originale di riempimento dello spazio. |
| |
Quindi, come ha detto Jim all'inizio, inizialmente eseguiamo un progetto di riempimento dello spazio prima di eseguire questo strumento di esplorazione dei confini per... esplorare lo spazio e ottenere alcune risposte. |
| |
Ora inseriamo tutto questo e calcoliamo la probabilità limite per questi. E possiamo vedere che le nostre probabilità limite corrispondono ai limiti effettivi. |
| |
Per le risposte continue prendiamo la risposta continua dei cinque vicini più prossimi, 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 il 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 la stessa deviazione standard dei vicini, darà più peso a quello che si trova in una regione più sparsa con meno punti già presenti. |
| |
Ora abbiamo questa metrica informativa continua e dobbiamo capire come suddividerla in probabilità alte, medie e basse per ogni punto. |
| |
Quindi quello che facciamo è adattare la distribuzione. Adattiamo una normale miscela di tre e utilizziamo la media come distribuzione più ampia come soglia per i punti ad alta probabilità. |
| |
E utilizziamo l'intersezione delle densità della distribuzione normale più grande e della seconda più grande come valore limite per i punti di probabilità media. |
| |
Una volta identificati questi valori limite, li applichiamo per formare la nostra colonna di probabilità limite. |
| |
E manteniamo anche la riga utilizzata, che è la più vicina. In questo caso, per le risposte continue, si tratta del vicino che ha la risposta più diversa in valore assoluto dal ruolo corrente. |
| |
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 al contorno, |
| |
dobbiamo essere in grado di utilizzarlo per generare nuovi punti lungo il confine. |
| |
Quindi il primo e, per certi versi, il metodo migliore |
| |
Per il targeting e lo zoom sul confine, chiamiamo il metodo del punto medio. E ciò che facciamo per ogni coppia di confini, ogni riga e il suo utilizzo di riga, il suo vicino più prossimo |
| |
identificato in precedenza...mi dispiace, quindi non il vicino più prossimo 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 di ciascuno di quei due punti per formare il punto medio. Ed è quello che vedete nel grafico qui. Quindi metteremmo un punto |
| |
nel cerchio rosso. Per i fattori nominali, quello che facciamo per le coppie di confine è prendere i livelli di quel fattore |
| |
presenti in ciascuno dei due punti e ne scegliamo uno a caso. Il bello 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 di perturbazione consiste semplicemente nell'aggiungere una deviazione casuale a ciascuno dei punti di confine identificati. |
| |
Quindi per i punti di confine alti...ad alta probabilità, aggiungiamo due di questi punti di perturbazione per il mezzo, ne aggiungiamo uno. |
| |
E per questo, aggiungiamo, per i fattori continui, aggiungiamo una deviazione casuale. Normale significa 0; deviazione standard, 0,075 nello spazio normalizzato, e quello 0,075 è un valore che si può scalare. |
| |
all'interno dell'interfaccia utente per aumentare o ridurre la quantità di dispersione attorno al confine. |
| |
E poi per i fattori nominali, quello che facciamo è prendere... scegliere a caso 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 nel secondo è 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 dei punti medi e dei punti di perturbazione per ciascuna delle risposte specificate nell'esploratore di confini. |
| |
Una volta fatto questo, concateniamo tutto insieme e poi esamineremo tutti i punti medi identificati per tutte le risposte, |
| |
e ora utilizzare una tecnica multivariata per generare eventuali esecuzioni aggiuntive. Poiché l'utente può specificare quante esecuzioni desidera e questi metodi di punto medio e perturbazione generano solo un numero fisso di esecuzioni e, a seconda del |
| |
la situazione, direi, per quanto riguarda 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 con 0 in un indicatore continuo, i punti medi con 1 e i punti di perturbazione con 0,01. |
| |
Adattiamo una foresta casuale a questo indicatore. Poi diamo un'occhiata. Salviamo le previsioni per i punti di riempimento dello spazio candidato. |
| |
e poi prendiamo le corse candidate con i valori predittivi più grandi di questo indicatore di confine. |
| |
E sono quelli che aggiungiamo usando il metodo della foresta casuale. Ora, poiché si tratta di un metodo multivariato, se si ha un'area del proprio spazio di progettazione che costituisce un confine per più risposte, questa riceverà maggiore enfasi e più tentativi. |
| |
Ecco quindi mostrati insieme i tre tipi di punti. |
| |
Ora, ancora una volta, per sottolineare ciò che ha detto Jim, questo deve avvenire in più iterazioni, quindi raccoglieremo queste informazioni dal nostro strumento di esplorazione dei confini |
| |
e poi concatenarlo nuovamente al set di dati originale. E poi, dopo aver ottenuto queste risposte, rieseguiamo Boundary Explorer e... |
| |
Continuando a ripetere le iterazioni, ingrandisci i confini e gli impatti, eventualmente trova anche altri confini. Quindi i punti di perturbazione sono più utili. |
| |
per le prime iterazioni, quando si sta ancora esplorando lo spazio, sono più distribuite, e il metodo della foresta casuale è migliore per le iterazioni successive, perché |
| |
avrà più punti intermedi disponibili 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 aggiunto. Quindi utilizzeremo anche tutti i punti intermedi precedenti. |
| |
Quindi se inseriamo il nostro grafico di superficie per questo esempio che abbiamo esaminato per una funzione a gradini, possiamo vedere che i nostri nuovi punti, punti medi e punti di perturbazione cadono tutti lungo le scogliere, che sono i confini, che è ciò che volevamo vedere. |
| |
Quindi le ultime due opzioni per l'interfaccia utente o per indicare che le esecuzioni di riempimento degli spazi vuoti e possiamo anche chiedergli di puntare al minimo massimo globale o di abbinare il target per qualsiasi fattore continuo, se impostato come proprietà di colonna. |
| |
Per fare un ultimo esempio, abbiamo questo esempio in cui abbiamo due canyon che attraversano un piano con una specie di pozzo profondo all'intersezione di questi. |
| |
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 vengono posizionati tutti i nuovi punti e possiamo vedere gli spazi vuoti più o meno nel mezzo di queste due linee. Cosa sono questi spazi vuoti? |
| |
Se osserviamo il grafico di superficie, quelle lacune sono i fondali del canyon, dove in realtà il terreno non è ripido. Quindi è piatto, anche localmente su una piccola regione. |
| |
ma tutti questi punti, tutti questi punti medi, |
| |
Non sono stati posizionati sui piani, ma sulle ripide scogliere, che è dove volevamo. E qui stiamo attivando e disattivando i punti minimi e potete vedere che toccano il fondo del pozzo. Quindi siamo riusciti a raggiungere anche il minimo. |
| |
Quindi il nostro strumento presenta due distinti, due discreti |
| |
Opzioni, nuovi strumenti. Vogliamo che il riempimento degli spazi vuoti possa essere utilizzato su qualsiasi tabella dati che abbia proprietà di codifica impostate per i fattori continui. |
| |
E poi lo strumento di esplorazione dei confini che può essere utilizzato per aggiungere, eseguire esecuzioni che non considerano lo spazio dei fattori di per sé, ma esaminano la risposta per individuare le aree ad alto gradiente...ad alto cambiamento per aggiungere esecuzioni aggiuntive. |
