Moderne Versuchsdesigns stoßen häufig auf die sogenannte Behandlungskardinalitätsbeschränkung, d. h. die Beschränkung der Anzahl der in jeder Behandlung berücksichtigten Faktoren. Experimente mit solchen Beschränkungen treten häufig in der Ingenieursimulation, der Optimierung von KI-Systemen und der Verifikation von Großsystemen auf.
Es erfordert die Entwicklung geeigneter Versuchsdesigns, um statistische Effizienz für Modellierung und Analyse innerhalb realisierbarer Randbedingungen zu gewährleisten. Wir haben zweistufige Versuchsdesigns entwickelt, die auf kardinalitätsbeschränkte Umgebungen zugeschnitten sind und die Faktoraktivität ausbalancieren, gute Projektionseigenschaften in niedrigdimensionalen Unterräumen erhalten und Aliasing reduzieren, um eine interpretierbare Modellierung zu ermöglichen. Unser Ansatz basiert auf dem balancierten unvollständigen Blockdesign (BIBD) und nutzt einen effizienten genetischen Algorithmus (GA) zur Erkundung des eingeschränkten Versuchsraums.
Um die praktische Anwendung zu ermöglichen, nutzten wir ein JMP-Add-in, das bestehende JMP-DOE- und Evaluierungswerkzeuge verwendet und unseren Konstruktionsalgorithmus für die durchgängige Designgenerierung und -bewertung integriert. Das Add-in automatisiert die Überprüfung der Projektionsqualität und der Aliasstruktur. Numerische Beispiele demonstrieren eine verbesserte Schätzgenauigkeit und deutlichere Faktoreffekte unter Berücksichtigung von Behandlungskardinalitätsbeschränkungen.
