2. 优化模型与不确定性来源
在讨论优化结果的敏感性与鲁棒性之前，必须先回答一个更基础的问题：不确定性究竟从哪里进入优化模型？如果说不确定性分析是“体检”，那么本节就是先画出“人体结构图”——把优化模型拆成决策变量、目标函数、约束条件三块，再逐一标出参数不确定性、模型结构不确定性、数据噪声与实现误差这四类“病灶”可能附着的位置。只有定位清楚，后续的敏感性度量与鲁棒建模才有明确的作用对象。
一、优化模型的三元结构及其不确定性附着点
一个标准优化模型可写成：决策变量 x∈X，目标函数 min f(x,θ)，约束条件 g_i(x,θ)≤0、h_j(x,θ)=0。其中 θ 表示模型中的各类参数。这个看似简单的三元结构，恰恰是四类不确定性分别渗透的入口。
决策变量本身通常不“不确定”，但它的可实现性会引入不确定性。例如生产计划中决策变量是“计划产量”，而实际产量受设备状态、良率波动影响，二者之间存在偏差；又如调度问题中决策变量是“计划开工时刻”，而实际执行存在随机延误。这类偏差属于实现误差，它不改变模型形式，却让“纸面最优解”在落地时偏离预期。
目标函数的不确定性主要来自两方面：一是目标系数的不确定，如成本单价、收益系数、权重系数随市场波动；二是目标函数形式本身可能不准确，例如用线性函数近似非线性收益，或用期望值代替风险度量。前者是参数不确定性，后者是模型结构不确定性。
约束条件是四类不确定性最集中的区域。约束右端项（资源可用量、需求下限）常受参数不确定性影响；约束系数（如单位消耗、转换效率）既可能是参数不确定，也可能因测量噪声而失真；而“约束是否写全、是否写对”则属于模型结构不确定性——漏掉一个安全约束，或把非线性关系线性化，都会让可行域与真实可行域不一致。
二、四类不确定性的分类与建模方式
把上述附着点归纳起来，可以得到四类不确定性及其典型建模手段：
- 参数不确定性：θ 的真值未知但可刻画分布或区间。建模方式包括区间模型（θ∈[θ⁻,θ⁺]）、概率模型（θ~P）、模糊集模型。工程上常用“名义值+偏差范围”表达，例如需求 d=100±15。
- 模型结构不确定性：函数形式、约束集合、变量关系本身存疑。典型如线性化误差、忽略的耦合项、缺失的约束。建模上可用多模型集合（模型族）、鲁棒约束的“最坏情形”描述，或通过模型校验与残差分析暴露结构偏差。
- 数据噪声：观测数据本身的随机误差，导致参数估计不准。它与参数不确定性相关但不同：噪声是“估计前的污染”，参数不确定性是“估计后的残余”。建模上通过统计估计、置信区间、正则化抑制噪声放大。
- 实现误差：决策执行环节的偏差，如控制精度、执行延迟、人为操作差异。建模上常写成 x_实际 = x_计划 + ε，ε 有界或服从某分布，进而转化为对约束的“执行鲁棒”要求。
三、从分类到建模：一个可操作的示例
考虑一个简化的生产计划问题：决策变量为两种产品产量 x₁、x₂；目标是最小化成本 c₁x₁+c₂x₂；约束为原料上限 a₁x₁+a₂x₂≤b，以及需求下限 x₁≥d₁。假设示例中 c=(4,6)，a=(2,3)，b=120，d₁=10。
若识别出三类不确定性：原料单价 c 波动 ±10%（参数不确定性）；单位消耗 a 因测量噪声有 ±0.1 的估计误差（数据噪声）；实际产量比计划低约 3%（实现误差）。则可分别建模：c 用区间 [3.6,4.4]、[5.4,6.6]；a 用区间 [1.9,2.1]、[2.9,3.1]；实现误差转化为 x_实际=0.97x_计划，从而约束应写成 a·(0.97x)≤b，即等效收紧右端项。这样，原本一个确定性线性规划，就被改写为带区间参数与执行折扣的鲁棒形式，后续敏感性分析便可针对这些区间端点展开。
四、建模时的关键判断与常见误区
分类清楚之后，建模环节最容易犯两个错误。其一是把结构不确定性误当参数不确定性处理：例如模型漏掉了一个安全约束，却试图通过放大参数区间来“吸收”风险，结果区间越放越宽，解越来越保守，却没有触及真正的结构缺陷。正确做法是先做模型校验（残差分析、约束违背检查），确认结构无误后再刻画参数波动。
其二是忽略实现误差与决策变量的耦合。很多鲁棒模型只对参数 θ 做最坏情形，却默认决策可以精确执行。实际中若执行折扣为 0.97，则约束 a·x≤b 应改写为 a·0.97x≤b，等效于把右端项收紧约 3%。这个“执行裕度”如果不显式建模，鲁棒解在落地时仍可能违约。
此外，数据噪声的处理要防止“噪声当信号”。当样本量小、参数估计方差大时，直接把估计值代入优化模型，容易得到过拟合的最优解。实践中可先用置信区间或收缩估计稳定参数，再把区间端点送入鲁棒模型，使噪声的影响被显式隔离，而不是悄悄放大。
综上，本节的核心不是记住四个名词，而是建立一张“不确定性—模型位置—建模手段”的对应关系：参数不确定性主要落在目标系数与约束右端项，用区间或概率刻画；结构不确定性落在函数形式与约束集合，用模型族与校验暴露；数据噪声落在参数估计环节，用统计区间抑制；实现误差落在决策执行环节，用执行折扣或裕度约束吸收。把这张对应关系落实到具体模型上，后续的敏感性与鲁棒性评估才有清晰的输入与可解释的输出。