2. Morris方法核心原理

Morris敏感性筛选的核心思想可以用一句话概括：在参数空间的网格上，让每个参数依次“跳一步”，用输出响应的差分来度量该参数的影响力。它不追求精确的方差分解，而是以极低的计算代价给出“哪些参数值得进一步研究”的排序。理解这一节，需要抓住三个基本概念——基本效应、轨迹、网格跳跃，并清楚它与方差分解方法在目标与假设上的本质差异。

一、基本效应：一次跳跃带来的输出变化

设模型有 k 个输入参数，记为 x = (x₁, x₂, …, x_k)，输出为 y = f(x)。Morris方法首先把每个参数归一化到 [0,1] 区间，并划分为 p 个水平，则相邻水平之间的步长为 Δ = p / (2(p−1))。这个 Δ 的取值不是随意的：它保证在一条轨迹上，每个参数恰好被扰动一次，且扰动后的点仍落在网格上。

对第 i 个参数，其基本效应（Elementary Effect, EE）定义为：

EE_i = [ f(x₁, …, x_i + Δ, …, x_k) − f(x₁, …, x_i, …, x_k) ] / Δ

直观地说，EE_i 就是“只把第 i 个参数沿网格推进一步，输出变化了多少”。由于 Δ 是归一化步长，EE_i 的量纲与输出一致，可正可负：正值表示该参数增大时输出增大，负值表示反向影响。单个 EE 只反映参数空间某一点处的局部斜率，因此 Morris 方法会对每个参数采样多条轨迹，得到 EE 的一个分布，再用该分布的均值 μ 衡量整体影响强度，用标准差 σ 衡量非线性或交互作用的强弱。μ 大说明参数重要，σ 大说明该参数的影响随位置变化剧烈，往往意味着它与其它参数存在交互。

二、轨迹：一次遍历所有参数的路径

Morris 方法不逐个参数单独扰动，而是构造一条轨迹（trajectory）：从网格中随机选取一个基点，然后按随机顺序依次对每个参数施加 +Δ 或 −Δ 的扰动，每扰动一次就计算一次输出。一条轨迹包含 k+1 个模型评估点，恰好产生 k 个基本效应，每个参数对应一个 EE。

轨迹的构造有两个关键约束。第一，扰动方向随机（每个参数以等概率取 +Δ 或 −Δ），但必须保证扰动后的点不越出 [0,1] 边界，因此基点要在可行区域内选取。第二，参数扰动顺序随机打乱，避免固定顺序带来的系统性偏差。正是这种“随机基点 + 随机顺序 + 随机方向”的组合，使多条轨迹上的 EE 样本近似独立，从而可以用统计量 μ、σ 对参数重要性做出稳健判断。

实际工程中，轨迹数 r 通常取 10～50 条。总模型评估次数为 r(k+1)。例如 k=20、r=20 时，只需 420 次模型运行，而基于方差分解的 Sobol 方法在同样参数规模下往往需要数万次评估。这正是 Morris 方法在昂贵仿真模型（如 CFD、结构有限元、水文模型）中被广泛用作“预筛选”的原因。

三、网格跳跃：为什么用“跳”而不是“扫”

“网格跳跃”指的是参数在离散网格上以固定步长 Δ 跳变，而不是连续扫描。这一设计带来两个直接好处。其一，计算可复用：一条轨迹上相邻两点只差一个参数，因此每个 EE 只需一次新的模型评估，k 个参数只需 k+1 次评估，效率极高。其二，差分干净：由于每次只动一个参数，EE 是纯粹的“单参数偏效应”，不会混入其它参数同时变化带来的混淆。

但网格跳跃也带来方法假设。首先，它假设参数在 [0,1] 上均匀分布、网格等距，若实际参数分布高度偏斜或存在强相关，需先做变换或分层处理。其次，EE 是局部差分，对强非线性模型，单条轨迹的 EE 可能严重依赖基点位置，因此必须用多条轨迹的统计量而非单个 EE 下结论。第三，Morris 方法给出的是“重要性排序”，不给出方差贡献的定量份额，不能直接回答“该参数解释了输出方差的百分之几”。

四、与方差分解方法的本质区别

以 Sobol 指数为代表的方差分解方法，目标是把输出方差 V(y) 精确拆分为各参数主效应与交互项之和，得到一阶指数 S_i 与总效应指数 S_Ti，其定义基于条件期望：S_i = V(E(y|x_i))/V(y)。它回答的是“方差份额”问题，代价是需要大量样本（通常 N×(2k+2) 次评估，N 常取 512～4096），且对采样策略（如 Sobol 序列、拉丁超立方）敏感。

Morris 方法则完全不同：它不做方差分解，而是用 EE 分布的均值与标准差做筛选排序。它回答的是“哪些参数值得优先关注”，代价是评估次数少一到两个数量级。二者的本质区别可归纳为三点：目标不同（排序 vs 定量份额）、假设不同（网格均匀、局部差分 vs 方差可加分解、样本充分）、成本不同（r(k+1) vs N(2k+2)）。工程上常见的做法是先用 Morris 把几十个参数筛到十几个，再对筛出的参数做 Sobol 分析，形成“先筛后分”的两级流程。

需要强调的是，Morris 的 μ 与 σ 不能与 Sobol 的 S_i、S_Ti 直接换算。μ 大只说明平均斜率大，不代表方差份额高；σ 大提示交互或非线性，但不给出交互的具体对象。把 Morris 结果当作“方差贡献”来引用，是工程应用中最常见的误用。正确做法是：用 μ-σ 散点图定位重要参数（μ 大、σ 大者优先），把 Morris 输出作为后续定量分析的输入清单，而不是最终结论。