[论文解读] Musings about Constructions of Efficient Latin Hypercube Designs with Flexible Run-sizes

Hongzhi Wang, Qian Xiao+1 more|arXiv (Cornell University)|Oct 19, 2020

Advanced Multi-Objective Optimization Algorithms参考文献 46被引用 4

一句话总结

本文对生成具有灵活运行次数的最优拉丁超立方设计（LHDs）的代数构造方法与搜索算法进行了全面综述与对比分析。评估了模拟退火、遗传算法（GA）、粒子群优化（PSO）及代数技术等方法，结论指出在中等至大型设计中，GA 在性能与计算效率之间提供了最佳平衡，适用于近似最优LHDs。

ABSTRACT

Efficient Latin hypercube designs (LHDs), including maximin distance LHDs, maximum projection LHDs and orthogonal LHDs, are widely used in computer experiments. It is challenging to construct such designs with flexible sizes, especially for large ones. In the current literature, various algebraic methods and search algorithms have been proposed for identifying efficient LHDs, each having its own pros and cons. In this paper, we review, summarize and compare some currently popular methods aiming to provide guidance for experimenters on what method should be used in practice. Using the R package we developed which integrates and improves various algebraic and searching methods, many of the designs found in this paper are better than the existing ones. They are easy to use for practitioners and can serve as benchmarks for the future developments on LHDs.

研究动机与目标

• 评估并比较现有代数构造方法与搜索算法在具有灵活运行次数的最优拉丁超立方设计（LHDs）中的表现。
• 在多种最优性准则下（包括最大最小距离、最大投影性与正交性），识别每种方法的优势与局限性。
• 为研究人员和实践者提供实用指导，根据设计规模、计算预算及期望的最优性准则选择合适的设计策略。
• 指出当前存在的开放性挑战，并为未来最优LHD构造方法的发展提供基准参考。

提出的方法

• 系统性地回顾并对比广泛使用的搜索算法：模拟退火（SA）、SA2008（Joseph和Hung，2008）、分层LHD（SLHD）、LaPSO（粒子群优化）及遗传算法（GA）。
• 评估代数构造方法，如Costas阵列（Xiao和Xu，2017）、Williams变换（Wang等，2018）以及其他方法（Ye，1998；Sun等，2010），以在特定运行次数下实现可证明的最优性。
• 通过多种标准进行实证基准测试：平均与最大|q|值（用于MaxPro）、CPU时间，以及在L2距离与最大最小准则下的最优性。
• 在多种设计规模（n × k）下实现并测试算法，涵盖经验法则规模与非标准规模。
• 使用R包LHD与MaxPro生成基于GA与MaxPro的LHD，通过平均与最大|q|值及计算时间衡量性能。
• 对14种不同设计规模配置下的算法性能进行统计比较，结果汇总于表11至表14。

实验结果

研究问题

• RQ1 在广泛运行次数与因子数量范围内，哪种搜索算法能持续生成最高质量的拉丁超立方设计？
• RQ2 在非标准设计规模下，代数构造方法与元启发式搜索算法在最优性保证与计算成本方面如何比较？
• RQ3 在构建MaxPro与最大最小LHDs时，GA、PSO、SA与MaxPro在计算效率与设计质量之间的权衡如何？
• RQ4 在哪些设计规模下，代数构造方法能提供可证明的最优解？在何种情况下必须使用基于搜索的方法？
• RQ5 调参设置与计算预算如何影响GA、LaPSO及其他元启发式算法在LHD构造中的相对性能？

主要发现

• 遗传算法（GA）在设计质量（低平均与最大|q|值）与计算效率方面均持续优于其他搜索算法，尤其在中等至大型设计中表现突出。
• 对于MaxPro LHDs，R包MaxPro计算速度快，但其结果质量劣于LHD包中实现的GA。
• LaPSO在设计质量方面表现良好，但其计算时间显著长于GA，因此在大规模应用中实用性较低。
• 基于Costas阵列与Williams变换的代数构造方法可在特定运行次数（如n = p−1、p或p−2，其中p为素数）下提供可证明的最优设计，但其在非标准规模下的适用性有限。
• 对于正交或近似正交的LHDs，推荐使用Sun10与Ye98代数方法处理n = 4r、4r+1、8r或8r+1的情况，而GA适用于其他规模。
• 表12至表14提供了实用建议：GA适用于大多数设计规模下的最大最小与最大投影LHDs，而MaxPro仅适用于小规模设计（n ≤ 5），因其性能受限。