| 具有上下界约束混料试验的渐近A-最优设计的K-means聚类算法
| 具有上下界约束混料试验的渐近A-最优设计的K-means聚类算法
摘 要: 随着实际应用的需要和混料试验设计的深入研究, 试验者面临着复杂程度不同的试验域及混料模型的问题, 使得最优设计点的求解变得越发困难. 传统的计算方法大都计算量大, 灵活性不高, 无法满足混料试验设计的实际需求. 因此提出一种基于无监督学习K-means聚类的搜索算法, 以获得附加约束条件的混料试验渐近A-最优设计的支撑点. 进一步, 通过增加格子的方法为聚类算法提供高质量的初始点集, 并利用K-means聚类算法对结果进行划分. 同时, 在搜索过程中嵌套最优准则筛选条件, 逐步逼近混料模型A-最优设计点. 最后, 在无附加约束和具有上下界约束的混料试验问题, 分别以三分量二阶Scheffé模型和三分量三阶Scheffé模型为例, 验证了算法的有效性, 并获得了渐近A-最优设计支撑点的数值解.