在製造業中為了保持競爭力，提高產品的良率是必要的；利用實驗設計的方法-最佳化實驗設計可以協助我們找到最大良率的製程因子組合。當反應值(response)須藉由測量才能得知，而且因量測因子的效應(effect)而無法精確的得到時，量測誤差便無法被視為隨機誤差忽略，因為製程因子的效應和量測因子的效應可能會混在一起，這樣的現象稱為混淆(confounding)。我們討論的量測誤差分為兩種情況，一種情況是量測混淆效應只導致反應值有特定的偏移；另一種情況是量測混淆效應導致反應值有異質的變異數(heterosedastic)。以D最佳化實驗設計處理混淆時，除了將量測混淆因子加入模型外，因子和因子的對比之間依然存在著共線性(multicollinearity)；且兩個搜尋3水準階層點的D最佳化實驗設計有相同的目標函數值，卻有不同的相關結構。因此我們希望製程因子和量測因子效應之間的混淆愈小愈好，還必須讓製程因子和量測因子對比的線性相關愈小愈好。研究希望能達成的目的有(1)效應的估計愈精確愈好，以及(2)製程因子效應和量測因子效應的混淆最小化的兩個目標。研究的成果顯示，我們提出的多目標最佳化實驗設計能有效的達成上述兩個目的，是傳統的D最佳化實驗設計所無法做到的。 ; 目錄文摘要 i格目錄 v表目錄 vi. 簡介 1.1 背景和文獻回顧 1.2 研究目的及論文架構 7. 製程因子影響和量測因子影響混淆的最小化 8.1 製程因子影響和量測因子影響的混淆 8.2 混淆影響最小化的目標函數 11.3 最佳化目標函數之選取 12. 最佳化實驗設計 21.1 Information number 21.2 加法模型 22.2.1 D-最佳化實驗設計 22.2.2 Ds-最佳化實驗設計 23.3 異質變異數的線性模型 25.3.1 Information matrix和目標函數 25.3.2 包含參數的information matrix 27.4 多目標最佳化實驗設計 28.4.1 簡介 28.4.1混淆影響管制下之D-實驗設計最佳化 29.4.2混淆影響管制下之Ds-實驗設計最佳化 31 提出的多目標實驗設計的績效 32.1 演算法 32.2 展示與比較 34 結論 54eference 55錄1 Score function的期望值 59錄2 証明 60錄3 Information number的性質 60錄4 異質變異數的information matrix 62錄5 說明 和限制式(constrain)之間的關係 64 ; 學位:碩士 ; 學年度:96 ; 學號:R94546026 ; 工業工程學研究所 ; 工學院 ; 博碩士論文