3、灵敏度分析基础：局部灵敏度与全局灵敏度的概念、一阶导数法、有限差分法

做复杂曲面优化，最头疼的问题是什么？我个人觉得，是变量太多。

几十个设计变量摆在你面前，哪个该保留，哪个该扔掉？这时候，灵敏度分析就是你的「照妖镜」。它能告诉你，每个变量对目标函数的影响到底有多大。

说白了，灵敏度分析就是算一个「导数」。但这个导数怎么算，算局部的还是算全局的，这里面的门道可不少。我刚开始做CAE那会儿，就吃过「局部灵敏度」的亏，差点把关键变量给筛掉了。

3.1 局部灵敏度：一阶导数法的「陷阱」

局部灵敏度，顾名思义，就是看某个设计变量在当前点附近发生微小变化时，目标函数的变化率。数学上，它就是偏导数。

这个公式看着简单，但有个致命问题：它只反映「当前点」的信息。如果你的优化问题是非线性的，换个点算，结果可能完全不一样。

一阶导数法的两种实现方式：

方法	原理	计算成本	精度
解析法	直接对目标函数求导	低（一次计算）	高（精确值）
有限差分法	用差分近似代替导数	高（N+1次计算）	中等（受步长影响）

解析法虽然好，但大多数工程问题，目标函数都是黑箱，根本拿不到显式表达式。所以，有限差分法成了工程界的「标配」。

3.1.1 有限差分法的步长选择

有限差分法看着简单，但步长选不好，结果就是灾难。我踩过这个坑，跟大家说说。

前向差分公式：

∂f/∂x ≈ (f(x + Δx) - f(x)) / Δx

中心差分公式（更推荐）：

∂f/∂x ≈ (f(x + Δx) - f(x - Δx)) / (2 * Δx)

3.2 全局灵敏度：跳出「局部最优」的视野

局部灵敏度只盯着一个点看，但复杂曲面优化往往是全局问题。变量之间可能有交互作用，目标函数可能有多个极值点。这时候，全局灵敏度就派上用场了。

全局灵敏度分析的核心思想是：在整个设计空间内，评估每个变量对目标函数方差的贡献度。说白了，就是看哪个变量「折腾」得最厉害，对结果影响最大。

常用方法：

• Sobol' 方法：基于方差分解，能计算主效应和总效应。我个人最常用这个方法，因为它能清晰区分「变量自身影响」和「变量交互影响」。
• Morris 方法：一种筛选方法，计算成本低，适合变量特别多的情况（比如50个以上）。
• 基于回归的方法：用响应面或代理模型来近似灵敏度，适合计算资源有限的情况。

3.3 局部 vs 全局：什么时候用哪个？

这个问题，很多新手会问。我的回答是：看你的优化阶段。

场景	推荐方法	原因
初步筛选变量	全局灵敏度（Morris）	快速剔除不敏感变量
局部精细优化	局部灵敏度（有限差分）	指导梯度下降方向
变量交互分析	全局灵敏度（Sobol'）	识别耦合效应
梯度优化算法	局部灵敏度（解析法优先）	保证收敛速度

嗯，这里要注意：不要迷信任何一种方法。我见过有人只用局部灵敏度做全局优化，结果变量筛选完全错误。也见过有人只用全局灵敏度，结果在局部最优附近浪费了大量计算资源。

3.4 知识体系框架

下面这张图，是我自己总结的灵敏度分析知识体系。你可以把它当作一个「决策地图」。

3.5 实战建议：我的「三步走」策略

说了这么多理论，最后给大家一个可以直接用的流程。这是我做复杂曲面优化时，总结出来的「三步走」策略。

1. 第一步：全局筛选（Morris 方法）
   • 目标：从30~50个变量中，快速剔除明显不重要的变量。
   • 计算量：每个变量只需要几十次仿真。
   • 输出：变量重要性排序，保留前10~15个。
2. 第二步：全局精细分析（Sobol' 方法）
   • 目标：对保留的10~15个变量，计算主效应和总效应。
   • 计算量：需要数千次仿真，但值得。
   • 输出：明确哪些变量有交互作用，哪些是独立影响。
3. 第三步：局部梯度计算（有限差分法）
   • 目标：为梯度优化算法提供准确的搜索方向。
   • 计算量：每次迭代需要N+1次仿真。
   • 输出：精确的梯度向量，指导优化收敛。