📚 课程目录第3章敏感性分析基础

3. 敏感性分析基础

在优化问题中，我们往往先得到一个“最优解”，但决策者真正关心的是：这个解稳不稳？如果某个参数估计偏了 5%，目标值会恶化多少？哪些输入是真正需要花成本去精确测量的？敏感性分析就是回答这些问题的工具。它的核心思想是：在最优解附近或整个输入空间内，考察输入扰动对输出（目标值、约束可行性、最优决策变量）的影响程度，从而识别关键参数、评估结果可信度，并为鲁棒优化提供依据。

需要先明确一个参照约定：本节讨论的“敏感性”均指输入参数变化引起输出变化的程度，即输出对输入的偏导或相对变化率；方向约定为“输入增大时输出的变化方向”，全文与图示保持一致。

局部敏感性分析：在一点上做微分

局部敏感性分析（Local Sensitivity Analysis, LSA）的基本思想是：在名义参数点 \(x_0\) 处，对模型输出 \(f(x)\) 求偏导，用 \(\partial f/\partial x_i\) 或无量纲的弹性系数 \((\partial f/\partial x_i)\cdot(x_i/f)\) 衡量第 \(i\) 个输入的影响。工程上常用有限差分近似：对参数 \(x_i\) 施加小扰动 \(\Delta x_i\)（如取名义值的 1%），计算

S_i ≈ [f(x_1,…,x_i+Δx_i,…) − f(x_1,…,x_i,…)] / Δx_i

例如某生产计划模型，名义参数为：原料单价 50 元/单位、可用工时 800 h、需求下限 120 件，最优目标成本为 18,600 元。对原料单价施加 +1%（即 50.5）后重解，目标成本变为 18,742 元，则绝对敏感度为 (18742−18600)/0.5 ≈ 284 元/元，弹性约为 0.38。这说明单价每上升 1%，成本约上升 0.38%，属于中等敏感参数。

LSA 的优点是计算量小（n 个参数只需 n+1 次求解）、结果直观、易于解释；适用条件是模型近似线性、参数不确定性较小、且我们只关心名义点附近的局部行为。它的致命局限是：只反映一点处的斜率，无法捕捉非线性、阈值效应和参数间的交互作用；当参数偏离名义点较远时，局部斜率可能严重误导。

全局敏感性分析：在整个输入空间上分配方差

全局敏感性分析（Global Sensitivity Analysis, GSA）不依赖单点导数，而是在参数的整个不确定性范围内采样，把输出方差分解到各输入及其组合上。最常用的是方差分解（Sobol 方法）：一阶指数 \(S_i\) 表示 \(x_i\) 单独解释的输出方差比例，总效应指数 \(S_{Ti}\) 表示包含 \(x_i\) 所有交互项后的贡献。若 \(S_{Ti}\) 明显大于 \(S_i\)，说明该参数主要通过与其他参数的交互起作用。

实操上可用 Saltelli 采样：对 k 个参数生成两组样本矩阵 A、B，构造 k 个混合矩阵 \(AB_i\)（A 的第 i 列替换为 B 的第 i 列），共需 \(N(k+2)\) 次模型评估。以 k=3、N=1024 为例，约需 5120 次求解。若某参数 \(S_i=0.52\)、\(S_{Ti}=0.61\)，则它主导输出方差且交互较弱，应优先精确标定；若另一参数 \(S_i=0.03\)、\(S_{Ti}=0.35\)，则它单独影响小但交互显著，不能简单忽略。

GSA 的适用条件是：参数具有明确的概率分布或合理区间、模型可承受较多次评估（或可用代理模型替代）、需要识别交互效应和全局关键参数。代价是计算量大、结果依赖输入分布的设定，且解释门槛高于 LSA。

单因素与多因素分析

单因素分析每次只改变一个参数、其余固定，回答“若只有这个参数变化，结果如何”。它对应 LSA 的扫描版本（如对单价在 40～60 元间取 9 个点画响应曲线），适合快速筛查、生成龙卷风图（tornado chart）排序，也便于向非技术决策者解释。但它系统性遗漏交互作用，当参数间存在补偿或放大关系时会低估风险。

多因素分析同时改变多个参数，考察联合扰动与交互效应，包括全因子/部分因子设计、拉丁超立方采样、蒙特卡洛模拟以及 GSA 的方差分解。它回答“当多个参数同时不确定时，输出的分布和失效概率如何”，是鲁棒性评估和可靠性分析的直接输入。代价是样本量随维数增长，需要合理的设计与代理模型。

选择建议：先用单因素/LSA 做快速筛查和排序，锁定 3～5 个候选关键参数；再对候选参数做 GSA 或多因素蒙特卡洛，确认交互效应与输出分布。两者不是替代关系，而是“粗筛—精算”的配合。

如何把两类分析落到一次评估中

假设某供应链优化模型有 6 个不确定参数：需求均值、需求波动、采购价、运输费率、产能上限、缺货惩罚。建议流程如下：

单因素扫描：对每个参数在 ±20% 区间取 5 个点，其余固定，记录目标值变化幅度，绘制龙卷风图，按影响幅度排序。
LSA 定量：对排序前 3 的参数计算弹性系数，判断方向与量级，确认是否近似线性。
GSA 精算：为 6 个参数设定分布（如需求正态、价格均匀），用 N=1024 的 Saltelli 方案评估约 8192 次，得到 \(S_i\) 与 \(S_{Ti}\)。
结果判读：若某参数 \(S_{Ti}\) 高但 \(S_i\) 低，说明交互强，需在鲁棒优化中作为联合不确定集处理；若 \(S_{Ti}\) 与 \(S_i\) 都低，可固定为名义值以降低维度。

常见误区：把 LSA 的局部斜率直接外推到大幅参数变化，或用单因素结论替代多因素评估。当参数间存在补偿效应时，单因素分析会系统性低估输出波动，导致鲁棒性评估过于乐观。

总结来看，局部与全局、单因素与多因素并非对立，而是精度与成本的不同档位。理解各自的数学含义与适用边界，才能在实际优化项目中用合理代价获得可信的敏感性结论，并据此决定哪些参数值得投入测量成本、哪些不确定性必须在鲁棒模型中显式保留。