Ich habe Zweifel an dem LPP-Problem.
Ich bevorzuge DOE -> Kundenspezifisches Design
Hier definiere ich unser Ziel
Z = Maximum oder Minimum
Dann definiere und beziehe ich mich auf Faktoren sowie deren Variablentyp und Wertebereich (sagen wir X1 und X2).
Dann definiere ich die Einschränkungen.
Dann wähle ich die Anzahl der Durchläufe (Standardeinstellung oder benutzerdefiniert).
Dann Design erstellen -> Tabelle erstellen
Die Datenoptionen für die Werte von X1 und X2 sind in dieser Phase bereits festgelegt.
Die Formel unseres Motors, d.h. Z=X1 +X2 oder X1-X2 oder X1*X2 oder viele andere Formelmöglichkeiten sind in JMP bis jetzt noch nicht definiert.
Wie kann JMP dann gemäß der Formel den optimalen Wert ermitteln?
Ich habe dasselbe Problem. Ich erhalte nur Extremwerte im Datensatz, der optimale Wert liegt aber dazwischen.
Hallo @AnkushSethi ,
Willkommen in der Community!
Die Definition des korrekten angenommenen Modells (oder eines für das jeweilige Problem geeigneten Basismodells) ist nicht immer trivial. Abhängig von Ihrem Ziel (Screening, Exploration, Optimierung, Vorhersage usw.), der Anzahl der Faktoren und den experimentellen Budgetbeschränkungen (Anzahl der möglichen Versuche) stehen Ihnen verschiedene Optionen zur Verfügung. Das angenommene Modell hilft dabei, die angenommene Gleichung zu definieren, die Ihr Problem beantwortet, und Designpunkte zu generieren, die zur Bestimmung dieses Modells/dieser Gleichung beitragen. Beachten Sie, dass Sie das Modell in dieser Phase noch nicht perfekt spezifizieren müssen. Sie analysieren die Ergebnisse und passen ein Modell an, sobald Sie die Ergebnisse erhalten haben. Das endgültige Modell kann einfacher sein (mit weniger Termen) als das angenommene Modell, das Sie während der Versuchsplanung festgelegt haben. Sollte Ihr angenommenes Modell zu einfach sein (fehlende Terme), können Sie Ihren Versuchsplan erweitern , um komplexere Modelle mit mehr Termen zu untersuchen. Nutzen Sie dazu Ihre Vorversuche mit neu generierten Termen, ohne von vorn beginnen zu müssen. Sollten Sie keine Kenntnis vom zugrunde liegenden Modell haben und/oder kein Interesse an der Modellform besitzen, können Sie auch raumfüllende Versuchspläne ausprobieren. Diese erzeugen gleichmäßig verteilte Punkte im Versuchsraum und ermöglichen so die Optimierung und Vorhersage mithilfe verschiedener Modellierungsansätze (standardmäßige multivariate lineare Modelle und Modelle des maschinellen Lernens).
Sie liefern nur sehr wenige Informationen, um das Ziel Ihres Problems und Ihre geplante Strategie zu verstehen. Auch die Zielsetzung Ihrer Antwort (Maximieren oder Minimieren) und die Notwendigkeit von Mittelwerten in der Antwort sind mir nicht ganz klar. Sie können die Zielsetzung als „ Ziel erreichen “ definieren, wobei jeder erwartete Wert für das Optimum (Mittelwert oder beliebiger Wert) zulässig ist.
Wenn Sie jedoch nur wenige Faktoren haben und die Zielgröße optimieren möchten, um mittlere Werte zu erzielen, können Sie ein Response-Surface-Modell (RSM) auswählen (klicken Sie im Modellbereich auf RSM ). Dadurch wird sichergestellt, dass die Faktoren auf drei Stufen getestet werden: Minimum, Mitte und Maximum. Dies kann zu einer größeren Variabilität der Zielgrößen beitragen und Situationen vermeiden, in denen bei der Untersuchung von Minimal- und Maximalwerten ausschließlich extreme Zielgrößen auftreten.
Wenn Ihr Budget für Experimente begrenzt ist und Sie es sich nicht leisten können, Läufe durchzuführen, um ein vollständiges RSM-Modell zu testen, können Sie dennoch Mittelpunkte in Ihrem Versuchsdesign hinzufügen (die Anzahl der Mittelpunkte können Sie im Panel „Design Generation“ angeben), um zu testen, welcher Antwortwert sich in der Mitte Ihres Versuchsdesigns befindet.
Ich hoffe, ich habe Ihr Problem verstanden und dass Ihnen diese beiden Optionen weiterhelfen können.
Hallo @AnkushSethi : Meinst du mit „LPP-Problem“ ein lineares Optimierungsproblem? Falls ja, ist DoE nicht für lineare Optimierung ausgelegt.
