正交试验设计的关键在与试验因素的安排。通常，在不考虑交互作用的情况下，可以自由的将各个因素安排在正交表的各列，只要不在同一列安排两个因素即可（否则会出现混杂）。但是当要考虑交互作用时，就会受到一定的限制，如果任意安排，将会导致交互效应与其它效应混杂的情况。

因素所在列是随意的，但是一旦安排完成，试验方案即确定，之后的试验以及后续分析将根据这以安排进行，不能再改变。对于部分表，如L18（2*3^7）则没有交互作用列，如果需要考虑交互作用需要选择其它的正交表。

在完成试验收集完数据后，将要进行的是极差分析。

极差分析就是在考虑A因素是，认为其它因素对结果的影响是均衡的，从而认为，A因素各水平的差异是由于A因素本身引起的。

用极差法分析正交试验结果应引出以下几个结论：

①在试验范围内，各列对试验指标的影响从大到小的排队。

某列的极差最大，表示该列的数值在试验范围内变化时，使试验指标数值的变化最大。所以各列对试验指标的影响从大到小的排队，就是各列极差D的数值从大到小的排队。

②试验指标随各因素的变化趋势。

③使试验指标最好的适宜的操作条件（适宜的因素水平搭配）。

④对所得结论和进一步研究方向的讨论。

各因素的好水平加在一起，是否就是较优试验条件呢？理论上，如果各因素都不受其它因素的水平变动影响的，那么，把各因素的优水平简单地组合起来就是较好试验条件。但是，实际上选取较好生产条件时，还要考虑因素的主次，以便在同样满足指标要求的情况下，对于一些比较次要的因素按照优质、高产、低消耗的原则选取水平，得到更为结合试验实际要求的较好生产条件。

以上介绍如何分析各因素水平的变动对指标的影响。讨论A因素时，不管其它因素处在什么水平，只从A的极差就可判断它所起作用的大小。对其它因素也作同样的分析，在此基础上选取谙因素的较优水平。

实践中发现，有时不仅因素的水平变化对指标有影响，而且，有些因素间各水平的联合指配对指标也产生影响，这种联合搭配作用称为交互作用。而交互作用应该在试验设计时考虑到。

一、直接对比法

直接对比法就是对试验结果进行简单的直接对比。直接对比法虽然对试验结果给出了一定的说明，但是这个说明是定性的，而且不能肯定地告诉我们最佳的成分组合。显然这种分析方法虽然简单，但是不能令人满意。

二、直观分析法

直观分析法是通过对每一因素的平均极差来分析问题。所谓极差就是平均效果中最大值和最小值的差。有了极差，就可以找到影响指标的主要因素，并可以帮助我们找到最佳因素水平组合。

考虑进行一个三因素、每个因素有三个水平的试验。如果作全面试验，需作3³ = 27次。

图:正交试验设计示意图

若从27次试验中选取一部分试验，常将A和B分别固定在A₁和B₁水平上，与C的三个水平进行搭配，A₁B₁C₁,A₁B₁C₂,A₁B₁C₃。作完这3次试验后，若A₁B₁C₃最优，则取定C₃这个水平，让A₁和C₃固定，再分别与B因素的三个水平搭配，A₁B₁C₃,A₁B₂C₃,A₁B₃C₃。这3次试验作完以后，若A₁B₂C₃最优，取定B₂,C₃这两个水平，再作两次试验A₂B₂C₃,A₃B₂C₃,然后与一起比较，若A₃B₂C₃最优，则可断言A₃B₂C₃是我们欲选取的最佳水平组合。这样仅作了7次试验就选出了最佳水平组合。

我们发现，这些试验结果都分布在立方体的一角，代表性较差，所以按上述方法选出的试验水平组合并不是真正的最佳组合。

如果进行正交试验设计，利用正交表安排试验，对于三因素三水平的试验来说，需要作9次试验，用“Δ”表示，标在图中。如果每个平面都表示一个水平，共有九个平面，可以看到每个平面上都有三个“Δ”点，立方体的每条直线上都有一个“Δ”点，并且这些“Δ”点是均衡地分布着，因此这9次试验的代表性很强，能较全面地反映出全面试验的结果，这就是正交实验设计所特有的均衡分散性。我们正是利用这一特性来合理的设计和安排试验，以便通过尽可能少的试验次数，找出最佳水平组合。

1)确定试验因素及水平数;

2)选用合适的正交表;

3)列出试验方案及试验结果;

4)对正交试验设计结果进行分析，包括极差分析和方差分析;

5)确定最优或较优因素水平组合。

（1）正交试验设计法是遗传算法的一种特例，即正交试验设计法是一种初始种群固定的、只使用定向变异算子的、只进化一代的遗传算法。

（2）遗传算法的步骤比正交试验设计法复杂，所需的试验次数也要多于正交试验设计法的试验次数，但它产生的解要优于正交试验设计法产生的解。

（3）遗传算法的隐并行性使得它在处理交互作用项时，效率比正交试验设计法要高。

（4）正交试验设计法可解决一般遗传算法中的最小欺骗问题。