[论文解读] Minimax designs using clustering

Simon Mak, V. Roshan Joseph|arXiv (Cornell University)|Feb 12, 2016

Advanced Multi-Objective Optimization Algorithms参考文献 37被引用 3

一句话总结

该论文提出了一种基于聚类的新型算法，通过最小化任意点到其最近设计点的最大距离，在高维凸且有界区域内高效生成极小化最大设计。该方法在维度上呈线性扩展，极小化最大性能优于现有方法，并引入了极小化最大投影设计，以提升在子空间上的覆盖效果。

ABSTRACT

Minimax designs provide a uniform coverage of a design space $\mathcal{X} \subseteq \mathbb{R}^p$ by minimizing the maximum distance from any point in this space to its nearest design point. Although minimax designs have many useful applications, e.g., for optimal sensor allocation or as space-filling designs for computer experiments, there has been little work in developing algorithms for generating these designs. In this paper, a new clustering-based method is presented for computing minimax designs on any convex and bounded design region. The computation time of this algorithm scales linearly in dimensionality $p$, meaning our method can generate minimax designs efficiently for high-dimensional regions. Simulation studies and a real-world example show that the proposed algorithm provides improved minimax performance over existing methods on a variety of design regions. Finally, we introduce a new type of experimental design called a minimax projection design, and show that this proposed design provides better minimax performance on projected subspaces of $\mathcal{X}$ compared to existing designs.

研究动机与目标

• 解决在高维凸且有界设计区域内计算极小化最大设计时缺乏高效算法的问题。
• 开发一种在维度上呈线性扩展的方法，使其在高维设置下具有实际应用可行性。
• 与现有设计生成技术相比，提升极小化最大性能（以到最近设计点的最大距离衡量）。
• 提出并评估一类新型实验设计——极小化最大投影设计，其在设计区域的投影子空间上实现最优覆盖。
• 通过模拟研究和一个实际应用，证明所提出方法的有效性。

提出的方法

• 该算法采用基于聚类的方法，迭代地放置设计点，以最小化设计区域内任意点到最近设计点的最大距离。
• 利用凸且有界区域的几何特性，确保收敛性和均匀覆盖。
• 该方法在维度 $ p $ 上呈线性扩展，使其在高维问题中计算高效。
• 该算法适用于任意凸且有界的设计区域 $ \mathcal{X} \subseteq \mathbb{R}^p $，无需特定结构假设。
• 通过优化设计点的布局以最小化投影子空间上的最大距离，引入了一种新型设计——极小化最大投影设计。
• 该算法通过在由设计区域定义的度量空间中进行迭代优化和距离最小化来实现。

实验结果

研究问题

• RQ1 基于聚类的算法能否在高维凸且有界区域内实现维度上线性扩展，高效生成极小化最大设计？
• RQ2 与现有方法相比，该算法在各种设计区域中的极小化最大性能表现如何？
• RQ3 所提出的方法能否通过一种新型设计扩展至优化在低维子空间上的覆盖？
• RQ4 所引入的极小化最大投影设计在投影子空间上的极小化最大性能是否优于现有设计？
• RQ5 该算法在真实世界和模拟场景中的经验性能如何？

主要发现

• 所提出的基于聚类的算法在维度 $ p $ 上实现线性扩展，使高维设计区域中的计算更加高效。
• 模拟研究表明，该算法在多个设计区域中均提供了优于现有方法的极小化最大性能（即更低的最大距离）。
• 真实世界示例证实了该算法的实际应用价值和更高的覆盖效率。
• 所提出的极小化最大投影设计在最小化设计区域投影子空间上的最大距离方面优于现有设计。
• 该方法在包括非平凡几何形状在内的多种凸且有界设计区域中均保持优异性能。
• 该算法的高效性和有效性使其适用于传感器布置和计算机实验等应用。