Полиномиальные модели

Как выбрать модель?

Исходя из выбранной стратегии, ясно, что главное требование к модели – это способность предсказывать направление дальнейших опытов, причем предсказывать с требуемой точностью. Так как до получения модели мы не знаем, какое направление нам понадобится, то естест­венно требовать, чтобы точность предсказания во всех возможных направлениях была одинакова.

Это значит, что в некоторой подобласти, в которую входят и координаты выполненных опытов, предсказанное с помощью модели значение отклика не должно отличаться от фактического больше чем на некоторую заранее задан­ную величину. Модель, которая удовлетворяет такому или какому-либо аналогичному требованию, называется адек­ватной. Проверка выполнимости этого требования называется проверкой адекватности модели. Методы, с помощью которых проверяется адекватность, рассматриваются далее.

Если несколько различных моделей отвечают нужным требованиям, то следует предпочесть ту из них, которая является самой простой.

На будущее мы договоримся, что при прочих равных условиях мы всегда будем предпочитать степен­ные ряды. Точнее, отрезки степенных рядов – алгебраи­ческие полиномы.

Фактически мы произвели выбор класса моделей. Мы сказали, что всегда, когда это возможно, будем искать модель среди полиномов. Построение полинома возможно в окрестностях любой точки факторного пространства, по­скольку мы предположили, что функция является аналитической.

Мы представили неизвестную нам функцию отклика полиномом. Операция замены одной функции дру­гой в каком-то смысле эквивалентной функцией назы­вается аппроксимацией. Значит, ми аппроксими­ровали неизвестную функцию полиномом.

Но полиномы бывают разных степеней. Какой взять на первом шаге?

Эксперимент нужен только для того, чтобы найти численные значения коэффициентов полинома. Поэтому чем больше коэффициентов, тем больше опытов окажется необходимым. А мы стремимся сократить их число. Зна­чит, надо найти такой полином, который содержит как можно меньше коэффициентов, но удовлетворяет требо­ваниям, предъявленным к модели. Чем ниже степень полинома при заданном числе факторов, тем меньше в нем коэффициентов.

Мы хотим, чтобы модель хорошо предсказывала направление наискорейшего улучшения параметра опти­мизации. Такое направление называется направлением градиента. Ясно, что движение в этом направлении при­ведет к успеху быстрее, чем движение в любом другом направлении (это значит, что будет достигнута экономия числа опытов).

Полином первой степени – линейная модель – это то, что нам нужно.

С одной стороны, он содержит информацию о направле­нии градиента, с другой – в нем минимально возможное число коэффициентов при данном числе факторов. Един­ственное опасение в том, что неясно, будет ли линейная модель всегда адекватной. Ответ зависит еще и от объекта.

Вопрос в том, как выбрать подобласть в фактор­ном пространстве, чтобы линейная модель оказалась адек­ватной. Условие аналитичности функции отклика гаран­тирует нам эту возможность. Всегда существует такая окрестность любой точки (точнее, почти любой точки), в которой линейная модель адекватна.

Размер такой области заранее не известен, но адек­ватность можно проверять по результатам эксперимента. Значит, выбрав сначала произвольную подобласть, мы, рано или поздно, найдем ее требуе­мые размеры, И как только это случится, воспользуемся движением по градиенту.

На следующем этапе мы будем искать линейную мо­дель уже в другой подобласти. Цикл повторяется до тех пор, пока движение по градиенту не перестанет давать эффект. Это значит, что мы попали и область, близкую к оптимуму. Такая область называется «почти стационарной». Здесь линейная модель уже не нужна. Либо попада­нием в почти стационарную область задача решена, либо надо перехо­дить к полиномам более высоких степеней, например вто­рой степени, чтобы подробнее описать область оптимума.

Удачный выбор подобласти имеет боль­шое значение для успеха всей работы. Он связан с интуи­тивными решениями, которые принимает эксперимента­тор на каждом этапе.

Кроме задачи оптимизации, иногда возникает задача построения интерполяционной модели. В этом случае нас не интересует оптимум. Просто мы хотим предсказывать результат с требуемой точностью во всех точках некоторой заранее заданной области. Тут не приходится выбирать подобласть. Необходимо последовательно уве­личивать степень полинома до тех пор, пока модель не окажется адекватной. Если адекватной оказывается линейная, или неполная квадратная модель (без членов, содержащих квадраты факторов), то ее построение ана­логично тому, что требуется для оптимизации.

Дата добавления: 2014-01-11