LHS（Latin Hypercube Sampling，拉丁超立方抽样） 与 LHD（Latin Hypercube Design，拉丁超立方设计）

在试验设计与统计学中，LHS（Latin Hypercube Sampling，拉丁超立方抽样） 与 LHD（Latin Hypercube Design，拉丁超立方设计） 在本质上是同一概念的不同表述，多数文献中两者可互换使用。具权威性的学术来源（如上海交通大学博士论文）明确将二者标注为"LHD/LHS"的等同关系。

一、核心关系与区别

1. 术语侧重点不同

• LHS：强调抽样过程——如何从多维空间中获取样本点的算法实现
• LHD：强调设计结果——作为试验设计方案的最终样本点布局

2. 实际应用中的混用现象
ANSYS等专业软件文档直接使用"Latin Hypercube Sampling Design"（LHS设计）来指代该试验设计类型，表明业界已默认二者等价。在计算机实验、敏感性分析等领域，研究者常根据语境选择使用LHS或LHD，但指代的是同一套空间填充方法。

二、共同核心特征

无论使用LHS还是LHD，均具备以下根本特性：

• 分层均匀性：将每个维度的设计空间分为N个等概率区间，确保每个区间内恰好有一个样本点
• 空间填充性：避免蒙特卡洛抽样的随机聚集问题，在低样本量下仍能覆盖整个设计空间
• 降维无冲突：若将多维设计投影到任意一维或二维子空间，不会出现样本点重叠（如N个车置于N×N棋盘，同行/列仅有一个）

三、优化变体（共同扩展）

为改善基础LHS/LHD的随机性缺陷，发展了多种优化版本：

四、实践应用建议

1. 术语选择：撰写论文时可根据上下文选择——描述算法用LHS，论述试验方案用LHD
2. 样本量确定：LHS的样本数可任意指定，但最少需满足$2^{n-1}$（n为维度），远低于分层蒙特卡洛的$2^n$
3. 质量提升：直接使用时建议采用OLHS或maximin LHS，避免随机LHS可能出现的对角线分布等低质量布局
4. 相关性处理：若输入变量存在相关性，应使用cLHS等高级方法，通过Cholesky分解等后处理技术保持相关性结构

结论：在试验设计与统计领域，LHS与LHD是同一方法的不同表达，理解其优化变体和适用场景比纠结术语差异更具实际意义。