Forest-Genetic method to optimize parameter design of multiresponse experiment

Abstract

[EN] We propose a methodology for the improvement of the parameter design that consists of the combination of Random Forest (RF) with Genetic Algorithms (GA) in 3 phases: normalization, modelling and optimization. The first phase corresponds to the previous preparation of the data set by using normalization functions. In the second phase, we designed a modelling scheme adjusted to multiple quality characteristics and we have called it Multivariate Random Forest (MRF) for the determination of the objective function. Finally, in the third phase, we obtained the optimal combination of parameter levels with the integration of properties of our modelling scheme and desirability functions in the establishment of the corresponding GA. Two illustrative cases allow us to compare and validate the virtues of our methodology versus other proposals involving Artificial Neural Networks (ANN) and Simulated Annealing (SA).

[ES] Proponemos una metodología para la mejora del diseño de parámetros que consiste en la combinación de Random Forest (RF) con Algoritmos Genéticos (GA) en 3 fases: normalización, modelización y optimización. La primera fase corresponde a la preparación previa del conjunto de datos mediante funciones de normalización. En la segunda fase, diseñamos un esquema de modelización ajustado a múltiples características de calidad, que hemos llamado Multivariante Random Forest (MRF) para la determinación de la función objetivo. Finalmente, en la tercera fase se obtiene la combinación ¿optima de los niveles de los parámetros mediante la integración de propiedades dadas por nuestro esquema de modelización y las desirabibity functions en el establecimiento del correspondiente GA. Dos casos ilustrativos nos permiten comparar y validar las virtudes de nuestra metodología versus otras propuestas que involucran Redes Neuronales Artificiales (ANN) y Simulated Annealing (SA).