Data-Driven Methods for Multiple and Dual Response Optimization on Operational Data Using Stochastic PRIM

Koo, Dong-Hyun

doi:10.1002/qre.70211

Data-Driven Methods for Multiple and Dual Response Optimization on Operational Data Using Stochastic PRIM

2026-07-01

0

PRE

AI

DOI：10.1002/qre.70211

原文链接

原文求助

摘要

En 中文

在建立多响应优化（MRO）或双响应优化（DRO）后，响应曲面法（RSM）作为一种传统的模型驱动框架，用于优化小规模实验数据以推导出预期响应良好的输入条件。RSM通过多次实验利用经验预测模型估计响应曲面，但在将严格模型拟合于大型、复杂操作数据时存在预测不确定性。针对MRO和DRO的数据驱动方法通过采用监督数据挖掘算法从操作数据中发现优异的输入子范围选项，有效规避了RSM的预测能力问题。本研究提出两种新的随机数据驱动方法用于响应优化，可自动从工业操作数据中推导出大量令人满意的输入条件。随机子空间方法依据MRO和DRO的有效目标函数设计，被整合到患者规则归纳法中。对比案例研究通过N折验证和敏感性分析，证明了本研究的随机方法在性能上优于确定性基线。

Keyword:

data-driven approach

dual response optimization

multiple response optimization

objective function design

operational data

patient rule induction method

random subspace technique

Data-Driven Methods for Multiple and Dual Response Optimization on Operational Data Using Stochastic PRIM

摘要

期刊

机构

引用论文