4. 局部敏感性分析方法

在优化问题中，我们往往不仅关心最优解本身，更关心“输入参数发生微小扰动时，最优目标值或约束会如何变化”。局部敏感性分析正是回答这一问题的工具：它在某个基准点附近，用一阶导数刻画输出对输入的响应强度。本节围绕三种主流梯度获取方式展开——有限差分法、自动微分法与伴随法，并给出敏感性指标的定义与计算路径。

一、敏感性指标的定义

设优化模型的目标函数为 f(x, p)，其中 x 为决策变量，p 为外部参数（如成本系数、材料属性、需求预测值）。在最优解 x*(p) 处，我们关心的敏感性指标通常有两类：

• 直接偏导：∂f/∂p_i，表示固定决策变量时参数对目标的直接影响；
• 全导数（含最优解调整）：df/dp_i = ∂f/∂p_i + (∂f/∂x)·(dx*/dp_i)，它同时包含参数变化引起的决策重优化效应。

为便于跨量纲比较，工程上常使用无量纲的弹性系数：S_i = (∂f/∂p_i)·(p_i/f)，其含义是“参数变化 1% 时目标约变化百分之几”。当 |S_i| 明显大于其他参数时，该参数即为关键敏感参数，应优先提高其数据精度或加以鲁棒约束。

二、有限差分法：最直观的近似

有限差分法用差商逼近导数。以中心差分为例：

∂f/∂p_i ≈ [f(p_i + h) − f(p_i − h)] / (2h)

其优点是实现简单、与模型“黑箱”兼容——只需能重复调用模型即可，无需访问内部代码。缺点是步长 h 的选择存在两难：h 过大则截断误差显著（中心差分截断误差为 O(h²)），h 过小则舍入误差被放大（约 O(ε/h)，ε 为浮点精度）。实践中常取 h ≈ √ε·max(1,|p_i|)，对双精度约 1e-8 量级。此外，若模型含迭代求解器，差分结果还会混入求解容差噪声，需保证每次调用收敛到足够精度。

以一个含 20 个参数的参数化优化为例，中心差分需 2×20 = 40 次模型求解；若单次求解耗时 30 秒，总耗时约 20 分钟。参数规模增大时，成本线性增长，这是有限差分法的主要瓶颈。

三、自动微分法：精确到机器精度

自动微分（AD）利用链式法则对程序逐条运算进行求导，分为前向模式与反向模式。前向模式一次传播可得到一个输入方向上的全部导数，适合输入少、输出多的场景；反向模式一次反向传播可得到全部输入对单个输出的梯度，适合输入多、输出少的场景——这正是优化中“多参数、单目标”的典型形态。

AD 的优点是精度达到机器精度、无步长困扰，且能处理复杂控制流（通过记录计算图）。其代价是需要模型以可微编程框架实现，或使用支持 AD 的建模语言；对含离散决策、查表插值、外部黑箱求解器的模型，往往需要改写或提供自定义导数。实际使用中应检查梯度校验：用 AD 梯度与中心差分结果对比，相对误差在 1e-5 量级以内通常可接受。

四、伴随法：大规模参数下的高效选择

伴随法源于最优控制与变分理论。对约束优化问题，构造拉格朗日函数 L = f(x,p) + λᵀg(x,p)，在最优解处对状态方程求导并引入伴随变量 λ，可将全导数写为：

df/dp = ∂L/∂p = ∂f/∂p + λᵀ·∂g/∂p

关键优势在于：无论参数有多少个，只需一次正向求解加一次伴随方程求解，即可获得目标对全部参数的梯度。对于参数成百上千的模型（如大规模结构优化、管网设计、生产计划），伴随法的计算成本几乎与参数个数无关，远优于有限差分与逐参数 AD。

伴随法的实现门槛较高：需要推导并求解伴随方程，对非线性问题还需保证伴随系统可解；同时它给出的是局部最优解处的梯度，若问题非凸，结果依赖所收敛到的局部解。工程上常将其与 AD 结合——用 AD 自动生成伴随方程所需的雅可比矩阵，兼顾效率与开发成本。

五、如何选择与组合

三种方法并非互斥，实际工程中常按“参数规模—模型可微性—精度要求”三维度决策：参数少于 10 个且模型为黑箱时，中心差分足够；参数数十个且模型可用可微框架重写时，反向模式 AD 是首选；参数上百且模型含复杂状态方程时，伴随法在效率上无可替代。无论采用哪种方法，都应做一次梯度校验，并检查敏感性排序是否稳定——若某参数在两种方法下弹性系数符号相反，往往说明步长不当或模型存在不可微点，需要回到模型层面排查。