拉丁超立方的一些理解

最新推荐文章于 2024-07-21 08:02:15 发布

QHX_hit

最新推荐文章于 2024-07-21 08:02:15 发布

阅读量6.4k

点赞数 9

分类专栏：算法类文章文章标签： matlab 线性代数矩阵算法

本文链接：https://blog.csdn.net/QHX_hit/article/details/122717975

版权

算法类文章专栏收录该内容

2 篇文章 1 订阅

订阅专栏

拉丁超立方的一些理解

基本原理：在一个设计空间中抽取n个样本，每一个样本点由m个分量组成。将每一个分量的取值范围均分为n个，将这n个样本随机地投放到设计空间中，在投放地的时候需要满足以下两个基条件。
拉丁超立方的两个基本要求：
（1）每一个样本点在小区间内随机地分布；
（2）将所有样本点投影到任意一维时，每一个小区间内有且仅有一个样本点。

例1：10个样本点，每一个样本点由2个分量构成，取值范围为[0,1]；；

那么拉丁方抽样可以设计为如下公式：

.cn/26354f5eccaa463e9a0f04949c2d16ba.png)-

其中i代表第i个样本点；
j代表第i个样本点的第j个分量；
$U_j$ 的取值为[0,1]；
$n_s$ 为样本点总数；
$\pi$ 的取值为[0,n-1]的一个随机数。

根据前面的两个基本要求可以设计出以下matlab程序：

%% THIS project is an example for Latin hypercube sampling
clc
clear

%%
number_dimension=2;
number_sample=10;

sample=ones(number_sample,number_dimension);

count1=0;
for i=1:1:number_dimension
    
    pi_matrix=0:1:number_sample-1;
    
    for j=1:1:number_sample
        
        count1=randsrc(1,1,pi_matrix);
        sample(j,i)=(count1+ unifrnd(0,1))/number_sample;
        index=find(pi_matrix==count1);
        pi_matrix(index)=[ ];
       
    end
    
end

scatter(sample(:,1),sample(:,2));

代码结果如下图；

例2：10个样本点，每一个样本点由7个分量构成，取值范围为[-10,10]；

那么拉丁方抽样可以设计为如下公式：

$x_nomalized为前面公式得到的结果$ ；
根据前面的两个基本要求可以设计出以下matlab程序：

%% THIS project is an example for Latin hypercube sampling
clc
clear

%%
number_dimension=7;
number_sample=10;

max_range_of_sample=10;
min_range_of_sample=-10;
distance=max_range_of_sample-min_range_of_sample;


sample_pre=ones(number_sample,number_dimension);

sample=ones(number_sample,number_dimension);

count1=0;
for i=1:1:number_dimension
    
    pi_matrix=0:1:number_sample-1;
    
    for j=1:1:number_sample
        
        count1=randsrc(1,1,pi_matrix);
        sample_pre(j,i)=(count1+ unifrnd(0,1))/number_sample;
          
        
        index=find(pi_matrix==count1);
        pi_matrix(index)=[ ];
        sample(j,i)=distance*sample_pre(j,i)+min_range_of_sample;
       
    end
    
end

scatter(sample(:,1),sample(:,2));