أوبتي سلانج

باستخدام توزيعات منتظمة دون تفاعلات بين المتغيرات، يُحدد تحليل الحساسية القائم على التباين مدى مساهمة متغيرات التحسين في تحسين استجابات النموذج. وعلى عكس طرق الحساسية القائمة على المشتقات المحلية، يُحدد هذا النهج مساهمة المتغيرات ضمن نطاقات المتغيرات المحددة.

معامل التنبؤ (CoP) ^{[ 3 ]} معامل التنبؤ هو مقياس مستقل عن النموذج لتقييم جودة النموذج ويتم تعريفه على النحو التالي:

${\displaystyle CoP=1-{\frac {SS_{E}^{\text{pred}}}{SS_{T}}}}$

أين${\displaystyle SS_{E}^{\text{pred}}}$يمثل مجموع مربعات أخطاء التنبؤ. تُقدّر هذه الأخطاء بناءً على التحقق المتبادل . في إجراء التحقق المتبادل، تُربط مجموعة نقاط الدعم بـ${\displaystyle q}$المجموعات الجزئية. ثم يتم بناء نموذج التقريب عن طريق إزالة المجموعة الجزئية${\displaystyle i}$انطلاقاً من نقاط الدعم وتقريب مخرجات نموذج المجموعة الفرعية${\displaystyle y_{i}}$باستخدام مجموعة النقاط المتبقية. هذا يعني أن جودة النموذج تُقدَّر فقط عند النقاط التي لم تُستخدم في بناء نموذج التقريب. وبما أن خطأ التنبؤ يُستخدم بدلاً من المطابقة، فإن هذا النهج ينطبق على نماذج الانحدار وحتى نماذج الاستيفاء.

نموذج التنبؤ الأمثل (MOP): ^{[ 3 ]} يمكن تحسين جودة التنبؤ لنموذج تقريبي بإزالة المتغيرات غير المهمة منه. وقد تم تبني هذه الفكرة في نموذج التنبؤ الأمثل (MOP)، الذي يعتمد على البحث عن مجموعة المتغيرات المدخلة المثلى ونموذج التقريب الأنسب (متعدد الحدود أو المربعات الصغرى المتحركة ذات الأساس الخطي أو التربيعي). ونظرًا لاستقلالية النموذج وموضوعية مقياس CoP، فهو مناسب تمامًا لمقارنة النماذج المختلفة في الفضاءات الفرعية المختلفة.

التحسين متعدد التخصصات : يمكن استخدام فضاء المتغيرات الأمثل ونموذج التقريب المُستنتج من إجراء CoP/MOP في عملية تحسين أولية قبل استخدام مُحسِّنات شاملة (الخوارزميات التطورية، وطرق سطح الاستجابة التكيفية، والطرق القائمة على التدرج، والطرق البيولوجية) لإجراء تحسين مباشر أحادي الهدف. بعد إجراء تحليل حساسية باستخدام MOP/CoP، يمكن أيضًا إجراء تحسين متعدد الأهداف لتحديد إمكانات التحسين ضمن الأهداف المتعارضة، واستخلاص عوامل ترجيح مناسبة لتحسين أحادي الهدف لاحق. في النهاية، يُحدد هذا التحسين أحادي الهدف التصميم الأمثل.

تقييم المتانة: في تحليل المتانة القائم على التباين، تُدرس تغيرات استجابات النموذج الحرجة. في برنامج optiSLang ، تُستخدم طرق أخذ العينات العشوائية لتوليد عينات منفصلة من دالة كثافة الاحتمال المشتركة للمتغيرات العشوائية المعطاة. بناءً على هذه العينات، التي يُقيّمها المُحلِّل بشكل مشابه لتحليل الحساسية، تُقدَّر الخصائص الإحصائية لاستجابات النموذج، مثل المتوسط، والانحراف المعياري، والكميات، والعزوم العشوائية ذات الرتب العليا.

تحليل الموثوقية: في إطار تقييم السلامة الاحتمالي أو تحليل الموثوقية، تُنمذج تأثيرات التشتت كمتغيرات عشوائية، تُحدد بنوع التوزيع، واللحظات العشوائية، والارتباطات المتبادلة. وتُعدّ نتيجة التحليل مكملاً للموثوقية، أي احتمال الفشل، والذي يمكن تمثيله على مقياس لوغاريتمي.