أخذ العينات باللاتين هايبركيوب — تصميم المحاكاة الطبقية
- السنة
- 1979
- النوع
- Stratified space-filling sampling design
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
أخذ العينات باللاتين هايبركيوب (LHS) هو تصميم طبقي لملء الفضاء للتجارب الحاسوبية، قدمه ماكاي وبيكمان وكونوفر في عام 1979. يقسم هذا الأسلوب نطاق كل متغير إدخال إلى طبقات متساوية الاحتمال ويسحب عينة واحدة بالضبط لكل طبقة، مما يضمن تغطية مساحة الإدخال الكاملة بعدد أقل بكثير من تقييمات النموذج مما تتطلبه محاكاة مونت كارلو القياسية. يُقرن هذا الأسلوب بشكل روتيني بتحليل الحساسية الشامل — خاصة مؤشرات سوبول — لتحديد مدى تأثير كل إدخال على تباين المخرجات.
الفكرة الحدسية وراء الطريقة
تخيل أنك ترغب في فهم كيفية استجابة نموذج حاسوبي معقد عبر مجموعة واسعة من تركيبات المدخلات، ولكن كل تشغيل للنموذج مكلف. تسحب طريقة مونت كارلو القياسية العينات عشوائيًا ويمكن أن تترك مناطق كبيرة من مساحة المدخلات غير مغطاة بشكل جيد بالصدفة. يتجنب أخذ العينات باللاتين هايبركيوب هذا من خلال العمل كشبكة دقيقة: فهو يقسم كل بُعد إدخال إلى شرائح متساوية الاحتمال ويضمن تمثيل كل شريحة في العينة مرة واحدة بالضبط. والنتيجة هي مجموعة من نقاط الإدخال التي تنتشر بشكل أكثر توازناً عبر مساحة المعلمات مما لو كان أخذ العينات عشوائيًا، وبالتالي تتعلم المزيد عن سلوك النموذج لكل تشغيل. عند دمجها مع مؤشرات حساسية سوبول، تخبرك الطريقة أيضًا بأي المدخلات هي الأكثر أهمية — وهي خطوة حاسمة قبل الاستثمار في المزيد من التحليل أو المعايرة.
التاريخ
قدم ماكاي وبيكمان وكونوفر أخذ العينات باللاتين هايبركيوب في ورقة بحثية عام 1979 في مجلة Technometrics، حيث تمت مقارنته بأخذ العينات العشوائي البسيط وأخذ العينات العشوائي الطبقي كطريقة لاستكشاف مخرجات النموذج الحاسوبي. يشتق الاسم من الهيكل التوافقي للمربع اللاتيني الممتد إلى أبعاد أعلى: تمامًا كما يضع المربع اللاتيني رمزًا واحدًا في كل صف وعمود من الشبكة، يضع LHS عينة واحدة في كل صف وعمود من شبكة التقسيم الطبقي متعددة الأبعاد. أصبحت هذه الطريقة حجر الزاوية في تصميم التجارب الحاسوبية — وهو المجال الذي تم إضفاء الطابع الرسمي عليه بواسطة ساكس وآخرين (1989) — وتم تنظيم اقترانها بتحليل الحساسية الشامل القائم على التباين بواسطة سالتي وزملاؤه في التسعينيات والعقد الأول من القرن الحادي والعشرين، وبلغت ذروتها في المعالجة النصية المستخدمة على نطاق واسع من قبل سالتي وآخرين (2008).
متى تُستخدم
يُعد LHS مناسبًا كلما احتجت إلى استكشاف كيفية استجابة نموذج مكلف حسابيًا عبر مساحة إدخاله، وحيث يكون التصميم العاملي الكامل أو تصميم مونت كارلو العشوائي مكلفًا بشكل باهظ. تتطلب هذه الطريقة إمكانية تحديد حدود وتوزيعات متغيرات الإدخال — حتى التوزيعات الهامشية التقريبية كافية. وهي مناسبة بشكل خاص لتحليل الحساسية الشامل عندما تكون المدخلات مستمرة. إذا كانت المدخلات مترابطة بقوة، فطبق تصحيح إيمان-كونوفر قبل أخذ العينات. عندما يكون تقييم النموذج غير مكلف للغاية، فإن مونت كارلو القياسي بحجم عينة كبير جدًا هو بديل أبسط؛ وعندما تحتاج فقط إلى حساسية محلية، قد تكون الطرق القائمة على التدرج أكثر إفادة.
الحدود والاعتبارات
- يتطلب تحديد توزيعات المدخلات وحدودها مسبقًا؛ يمكن أن تؤدي التوزيعات المختارة بشكل سيء إلى تمثيل خاطئ لمساحة المعلمات الحقيقية.
- يتطلب تحليل حساسية سوبول حجم عينة N·(k+2)، والذي يمكن أن يصبح كبيرًا عندما يكون عدد المدخلات k مرتفعًا.
- لا يضمن LHS الأمثلية في المساحات عالية الأبعاد — تتضاءل الميزة على أخذ العينات العشوائي مع زيادة الأبعاد.
- الطريقة استكشافية بحتة؛ فهي لا تقدر في حد ذاتها عدم اليقين في توزيع المخرجات دون تحليل إضافي.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يحقق دقة تقدير مماثلة لطريقة مونت كارلو القياسية بعدد أقل بكثير من تقييمات النموذج، مما يجعله فعالاً للغاية للمحاكاة المكلفة.
- يضمن تغطية كاملة لنطاق كل متغير إدخال من خلال التقسيم الطبقي، مما يلغي التكتل والفجوات التي تعاني منها طريقة أخذ العينات العشوائية البحتة.
- يتوافق بشكل طبيعي مع مؤشرات حساسية سوبول الشاملة، مما يتيح ترتيبًا مبدئيًا لأهمية المدخلات.
- قابل للتطبيق على أي نموذج صندوق أسود — لا يتطلب معلومات مشتقة أو صيغة تحليلية.
- يتعامل امتداد إيمان-كونوفر مع المدخلات المترابطة دون التضحية بخاصية ملء الفضاء.
التطبيقات
- تحليل عدم اليقين والحساسية في النماذج البيئية والمناخية، حيث يكون تشغيل النموذج آلاف المرات بدقة كاملة غير ممكن.
- هندسة الموثوقية وسلامة الهياكل: نشر خصائص المواد والأحمال غير المؤكدة عبر نماذج العناصر المحدودة لتقدير احتمالات الفشل.
- النمذجة الصيدلانية والطبية الحيوية: استكشاف كيفية تأثير المعلمات الفسيولوجية غير المؤكدة على تنبؤات تركيز الدواء في النماذج الدوائية الحركية.
- تحليل المخاطر المالية: أخذ عينات من معلمات السوق غير المؤكدة لتقدير قيمة المحفظة المعرضة للخطر في ظل نموذج تسعير معقد.
- المحاكاة الاجتماعية القائمة على الوكلاء: استكشاف منهجي لكيفية تأثير المعلمات السلوكية غير المؤكدة على النتائج الإجمالية.
كيف يعمل
كيف يعمل
يتم تعيين توزيع احتمالي (منتظم، طبيعي، لوغاريتمي طبيعي، إلخ) لكل متغير إدخال غير مؤكد، ويتم تحديد نطاقه المعقول. توضح هذه الخطوة ما يعرفه المحلل — أو يفترضه — عن كل معلمة قبل بدء أخذ العينات. إذا كانت المدخلات مترابطة، يمكن تطبيق طريقة إيمان-كونوفر للارتباط الرتبي للحفاظ على هيكل تبعيتها مع الاستمرار في إنتاج تصميم صالح لـ LHS.
يتم تقسيم التوزيع التراكمي لكل متغير إدخال إلى N فواصل متساوية الاحتمال (طبقات). يتم سحب قيمة واحدة عشوائيًا من داخل كل طبقة، ويتم تبديل القيم N المسحوبة عشوائيًا بشكل مستقل عبر متغيرات الإدخال. والنتيجة هي مصفوفة N × k (N عينة، k مدخلات) حيث كل صف هو تركيبة مميزة من قيم الإدخال وكل طبقة تظهر مرة واحدة بالضبط في كل عمود. هذه الخاصية الطبقية هي ما يجعل LHS أكثر كفاءة من أخذ العينات العشوائي البسيط.
يتم تقييم النموذج الحاسوبي — سواء كان محاكاة، أو حلاً للعناصر المحدودة، أو نموذجًا قائمًا على الوكيل، أو أي دالة صندوق أسود — عند كل من تركيبات الإدخال N التي تم أخذ عينات منها. تشكل قيم المخرجات متجهًا Y بطول N. الحجم الأدنى الموصى به للعينة هو عمومًا 1000 تشغيل؛ تحت هذا الحد، تضيق ميزة التغطية لـ LHS على مونت كارلو العادي وتصبح مؤشرات سوبول غير موثوقة. بالنسبة لتحليل سوبول على وجه التحديد، يزداد حجم العينة المطلوب كـ N·(k+2)، حيث k هو عدد المدخلات.
يتم تقدير مؤشرات حساسية سوبول القائمة على التباين من مخرجات النموذج. يقيس مؤشر الرتبة الأولى S_i جزء التباين الكلي للمخرجات الذي يُعزى إلى المدخل i وحده؛ بينما يلتقط مؤشر الرتبة الكلية S_Ti كلاً من التأثيرات المباشرة وتأثيرات التفاعل. وهما معًا يرتبان المدخلات حسب الأهمية، ويحددان أي المعلمات يمكن تثبيتها دون فقدان للمعلومات، ويوجهان تبسيط النموذج وجهود المعايرة الإضافية.
الأخطاء الشائعة
- استخدام أقل من 1000 نقطة عينة: لا يتم تغطية مساحة المعلمات بشكل كافٍ، وتكون مؤشرات سوبول المحسوبة من عينات صغيرة ذات تباين عالٍ وغير موثوقة.
- تجاهل الارتباطات بين المدخلات: التعامل مع المدخلات المترابطة على أنها مستقلة يشوه العينة وينتج تقديرات حساسية مضللة — طبق دائمًا تصحيح إيمان-كونوفر عندما تكون الارتباطات غير مهملة.
- الخلط بين مؤشرات سوبول من الرتبة الأولى والرتبة الكلية: لا يعني المؤشر الصغير من الرتبة الأولى أن المدخل غير مهم إذا كان يشارك في تأثيرات تفاعل قوية تلتقطها مؤشرات الرتبة الكلية.
- تطبيق LHS عندما يكون النموذج حتميًا وسلسًا جدًا: في هذه الحالة، قد توفر نماذج بديلة أو طرق قائمة على التدرج نفس الرؤية بتكلفة أقل.
الأسئلة الشائعة
كيف يختلف LHS عن أخذ العينات بطريقة مونت كارلو القياسية؟
تُستخدم كلتا الطريقتين لأخذ عينات من مساحة المدخلات للمحاكاة، لكنهما تختلفان في كيفية وضع العينات. تسحب طريقة مونت كارلو القياسية كل نقطة عينة بشكل مستقل وعشوائي منتظم، مما قد يترك بعض مناطق مساحة المدخلات ممثلة بشكل زائد ومناطق أخرى متفرقة بالصدفة البحتة. يفرض LHS قاعدة تقسيم طبقي: يتم تقسيم نطاق كل متغير إدخال إلى فترات متساوية الاحتمال، ويتم وضع عينة واحدة بالضبط في كل فترة. وهذا يضمن تغطية أفضل لمساحة المدخلات بنفس العدد من النقاط، مما يؤدي إلى تباين تقدير أقل للعديد من الكميات ذات الأهمية.
كم عدد العينات المطلوبة؟
الحد الأدنى الموصى به عادة هو 1000 نقطة عينة لتغطية موثوقة لمساحة المدخلات باستخدام LHS. بالنسبة لتحليل حساسية سوبول، فإن حجم العينة المطلوب هو N·(k+2)، حيث k هو عدد متغيرات المدخلات. على سبيل المثال، مع 10 مدخلات و N = 1024، يكون العدد الإجمالي لتقييمات النموذج 12288. تحت 1000 عينة، تضيق ميزة ملء الفضاء لـ LHS وتصبح مؤشرات سوبول غير مؤكدة للغاية.
ما هي مؤشرات سوبول ولماذا تستخدم مع LHS؟
مؤشرات سوبول هي مقاييس حساسية قائمة على التباين. يحدد مؤشر الرتبة الأولى S_i مقدار التباين الكلي للمخرجات الذي يفسره المدخل i وحده؛ بينما يلتقط مؤشر الرتبة الكلية S_Ti التأثير المشترك للمدخل i وجميع تفاعلاته مع المدخلات الأخرى. يتم إقرانها عادةً بـ LHS لأن LHS ينتج عينة موزعة جيدًا عبر مساحة المدخلات، وهي نقطة البداية لمقدر سالتي لمؤشرات سوبول. تحدد التقنيتان معًا المدخلات التي تدفع مخرجات النموذج والتي يمكن التعامل معها على أنها ثابتة — وهي خطوة رئيسية في تبسيط النموذج وتخطيط المعايرة.
ماذا يجب أن أفعل عندما تكون المدخلات مترابطة؟
يولد LHS القياسي عينات بافتراض أن المدخلات مستقلة. عندما تكون المدخلات مترابطة، طبق طريقة إيمان-كونوفر للارتباط الرتبي كخطوة معالجة لاحقة: فهي تعيد ترتيب أعمدة LHS لتحفيز الارتباطات الرتبية المطلوبة بين المدخلات مع الحفاظ على التوزيعات الهامشية وخاصية التقسيم الطبقي. يؤدي تجاهل الارتباطات المعروفة إلى تضخيم أو تقليل تقديرات الحساسية ويعطي صورة مضللة عن المدخلات الأكثر أهمية.
طرق ذات صلة
المصادر
McKay, M.D., Beckman, R.J. & Conover, W.J. (1979). A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code. Technometrics, 21(2), 239-245.
افتح مرجع DOIتم النسخ.Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M. & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley.
افتح مرجع DOIتم النسخ.