单项论证报告
A、名称、版本号、组成及功能、用途名称：基于仿真试验数据快速预测模型求解优化与验证软件MACROS版本：V32组成及功能：MACROS由试验设计、数据维数降阶、重要变量提取、代理模型、仿真实验数据融合和优化模块组成，其主要功能如下：
1试验设计模块（GTDoE）
MORCOS试验设计工具：这个通用的工具提供了目前最先进的算法生成各种类型的DOEDesig
ofExperime
ts方案，其算法的多样性和智能性方便用户能够根据不同类型的数据来取样。试验设计工作即是用尽可能少的数据来获取整个模型的信息。除可以系统和有效的对设计空间进行分析之外，试验设计得到的样本数据还可以用于构建代理模型。
DOE空间填充技术
Macros空间填充技术能够使得有限的样本点更加均匀的充满整个设计空间。同时能够保证样本点在任何地方中断后，序列样本点都能够合理的均匀分布于设计空间。该工具支持两种类型的DOE技术：随机伪随机算法；包括全因子、部分因子、拉丁方、优化拉丁方；确定性算法：Halto
、Sobol、Faure序列。样本在设计空间中的均匀性是DOE算法的一项重要指标，为比较，下面两张图描述了上述2类方法的均匀性。
图1随机伪随机算法示例（左）专为响应面制作样本点
确定性算法示例（右）
MACROS的该项专有技术专为GTApprox代理模型模块中的响应面构建样本点，这些样本点可以最大限度的减少。
1
fa模型参数估计的误差；b模型预测的误差。
下图是MACROS为响应面构建的7个样本点，以及响应面模型。
图2MACROS优化的DOE技术
用其构建的响应面
如果是采用一般DOE算法构建7个样本点，可能会产生下面的误差相对较大的响应面模型。
图3一般DOE技术的样本点
用其构建的响应面
自适应DOE技术
MACROS中的自适应DOE技术可以迭代的增加样本点，减少GTApprox模块中高斯过程中的不确定性。这个方法允许通过自适应抽样计划来控制代理模型，来提高代理模型的质量。下图为一般DOE技术构建的代理模型和使用自适应DOE技术构建的代理模型。
2
f图4一般DOE技术构建的代理模型（模型细节缺失）
自适应技术构建的代理模型
2数据维数降阶模块（GTDR）
通常情况下，一个所要研究的对象的数据参数非常庞杂，因此我们希望能够降低其数据描述的维数。简单来说就是为方便参数化、以及后续的优化和可视化。MACROS的工具包可以进行这样的降维工作。
通用的主成份分析工具（GTGPCA）
该工具通过主成分分析实现了一个有效的非线性归纳过程。如果待研究对象由一个多维数的点集构成，r