Latin Hypercube Sampling — طراحی شبیهسازی طبقهبندیشده
Latin Hypercube Sampling (LHS) یک طرح طبقهبندیشده و فضایی برای آزمایشهای کامپیوتری است که در سال ۱۹۷۹ توسط مککی، بکمن و کانور معرفی شد. این روش دامنه هر متغیر ورودی را به طبقههای با احتمال برابر تقسیم میکند و دقیقاً یک نمونه از هر طبقه میگیرد، که تضمین میکند فضای ورودی کامل با ارزیابیهای مدل بسیار کمتر از شبیهسازی استاندارد مونت کارلو پوشش داده میشود. این روش معمولاً با تحلیل حساسیت سراسری — بهویژه شاخصهای سوبول — برای سنجش میزان تأثیر هر ورودی بر تغییرات خروجی همراه میشود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
منابع
- 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. DOI: 10.1080/00401706.1979.10489755 ↗
- Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M. & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley. DOI: 10.1002/9780470725184 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Latin Hypercube Sampling and Sensitivity Analysis. ScholarGate. https://scholargate.app/fa/simulation/latin-hypercube-sampling
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- شبیهسازی بوتاسترپشبیهسازی↔ compare
- طراحی آزمایشهاطراحی آزمایش↔ compare
- شبیهسازی مونت کارلوتصمیمگیری↔ compare
- تکنیکهای کاهش واریانس برای شبیهسازی مونت کارلوشبیهسازی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →