多个参数同时影响结果，如何用最少的实验拿到最优解？ DOE · 设计实验
当温度、时间、速度、压力等多个因素同时影响结果时，别再一次只改一个参数， DOE 通过有计划地组合实验条件，识别关键因素、交互作用，并寻找更优的参数区域。
什么是 DOE？应该用哪一类 DOE？
DOE（Design of Experiments，实验设计）不是“一次只改一个参数”， 而是让多个因素按照设计矩阵有计划地一起变化， 从有限的实验中识别关键因素、交互作用和更优的参数区域。
其他条件固定，只改变温度；再固定温度，只改变时间。 这种方法容易理解，但只能看到“其他条件固定时”的局部结果。
温度、时间、速度等因素按照设计组合同时变化， 可以在同一组实验里估计 Main Effect、Interaction，必要时进一步研究 Curvature。
Interaction · 交互作用
如果一个因素的效果会随着另一个因素的水平改变，就存在 Interaction。 这时不能简单说“温度越高越好”——最佳温度可能取决于时间。
不同阶段，用不同的 DOE
不存在一种 DOE 适合所有实验。最重要的是先确认： 你是要筛选因素、研究交互、寻找最佳点，还是优化配方比例。
把所有因素水平组合全部做一遍，可以完整估计主效应和交互作用。
不做全部组合，用较少 Runs 换取部分信息。 适合因素较多、实验成本较高的早期筛选。
当候选因素很多时，用尽可能少的实验先筛出真正值得继续研究的因素。
当关键因素已经缩小到少数几个，并怀疑响应存在峰值、谷值或弯曲时， 用二次模型寻找最佳区域。
当因素不是独立参数，而是配方比例，并且总和受到固定约束时， 不能直接套普通 Factorial DOE。
如果只是想判断温度、时间、速度哪个重要，并研究交互，可从 Factorial DOE 开始； 如果之后发现存在最佳点，再进入 RSM。
因为各成分比例受到总量约束，多加一个成分就必须减少其他成分， 这种问题应进入 Mixture Design。
先选择正确的 DOE 类型
这一部分只负责选方法。方法确定后，再到下一部分填写因子数量、因子名称、Factor Type、Low / Center / High 和 Response Y。
你的因素能彼此独立改变吗？
用于配方比例总和固定的场景。
下一步填写各成分 Lower / Upper，而不是普通独立因子的 Low / High。
你现在最主要想解决什么问题？
首轮筛选时，你还希望保留什么信息？
多因素快速 Screening，重点看 Main Effects。
减少 Runs，同时尽量保留有价值的 Interaction 信息。
多因素筛选，同时希望获得部分二次效应 / Curvature 信息。
所有水平组合都做一遍，实验次数可以接受吗？
完整执行所有组合，Main Effects 和 Interactions 信息最完整。
Full Factorial 成本过高，用合理 Confounding 换更少 Runs。
设计空间的极端组合可以执行吗？
用于连续因素二次模型与响应曲面优化。
用于二次模型优化，同时避免同时跑所有因素的极端角点。
直接生成 DOE 实验表
填写因子名称和实际水平后，网站直接生成随机化 DOE Design Matrix。 X 的组合已经全部确定，实验时只需要按随机运行序执行，并填写最终 Response Y。
不确定 DOE 类型时，请先使用上方第 03 部分判断树。
有问题？联系作者
如果以上操作、样本量计算或 Prompt 使用过程中有任何问题， 请通过邮件联系作者。