doe_lhs — MULTIVAR `plan` op

• Datenarten: keine → design (ein Operator, der allein durch seine Argumente bestimmt ist — er nimmt kein Bild und keine Daten entgegen)

• Aufruf: import fullseye as fs; fs.ledger.doe_lhs(n=10, factors=3, seed=0, maximin=0, centered=False) -> 'dict' (die Implementierung direkt: import doe; doe.doe_lhs(n=10, factors=3, seed=0, maximin=0, centered=False) -> 'dict'; aus dem Register: opsmultivar.get("doe_lhs"))

Verwendung

Latin-Hypercube-Versuchsplan (McKay, Beckman & Conover 1979) -> design.

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

Each factor's range is cut into n equal strata and every stratum holds exactly one run, so each factor is sampled evenly however many factors there are (a random design of the same size leaves strata empty). Construction (McKay et al. 1979, section 2): for factor j draw an independent random permutation pi_j of 0..n-1 and put run i at u_ij = (pi_j(i) + U_ij) / n with U_ij ~ Uniform[0, 1) (centered=True uses the stratum mid-point, U = 1/2). Coded value = 2u - 1.

maximin=m (m >= 2) draws m independent hypercubes and keeps the one with the largest smallest inter-point distance (each candidate is still a Latin hypercube, so the stratum property is never traded away); 0 or 1 = one plain draw.

Parameters: n runs (2..1e6), factors (int or factor list, see module docstring), seed (int, reproducible), maximin (0..1000 candidates), centered.

Returns a design whose meta holds strata_ok (every factor has one point per stratum — the defining property, checked on the returned matrix) and min_distance (in the unit cube).

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie design_of_experiments

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• doe_plan_tour — py -3.11 examples/doe_plan_tour.py

• multivar_inspection_tour — py -3.11 examples/multivar_inspection_tour.py

• sensitivity_tour — py -3.11 examples/sensitivity_tour.py

• simcal_checks_tour — py -3.11 examples/simcal_checks_tour.py

Typkompatible Folge-Operatoren (nehmen `design` als Eingabe)

doe_decode · rsm_fit · doe_main_effects · sens_morris · sens_sobol

Gleiche Kategorie (`plan`)

doe_orthogonal_array · doe_fractional_factorial · doe_central_composite · doe_box_behnken

*Provenance: doe.py — MULTIVAR Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

doe_lhs — MULTIVAR plan op