下载文档原格式
灵敏度分析名词解释
灵敏度分析是企业或组织的常用调查分析方式，用于判断响应选择和反应情况，识别外部和内部环境变化。
灵敏度分析也称为灵敏度测试或灵敏度评估，是某种现象和外来因素之间关系的检测。
社会及经济发展的快速增长促使企业接受不断变化的环境，企业向顾客提供产
品和服务，需要持续修改和评估其产品和服务的灵敏度。
灵敏度分析旨在发现企业是否响应足够快来适应市场的变化，并且能够在变化的市场上胜出。
灵敏度分析是对影响变量和反应量之间响应关系的量化分析，它有助于企业识
别和捕捉可能影响企业绩效的众多因素。
例如，灵敏度分析可以帮助企业判断客户对定价的反应，预测价格变动对销量的影响，以及识别新产品加入市场时的客户需求。
灵敏度分析具有系统的分析和评估市场变化的能力，使企业能够提供高品质的产品和服务，保持市场领先地位。
灵敏度分析是企业必不可少的管理工具。
它有助于企业了解市场的需求，及时
适应市场变化，控制预算和避免投资失误。
它还可以帮助企业制定正确的策略，以确保企业目标的实现，保证企业顺利前行。
灵敏度分析灵敏度分析是一种用来评估模型鲁棒性的技术，它可以帮助我们了解模型输出对于输入参数的变化的反应程度。
通过灵敏度分析，我们可以识别出哪些参数对于模型输出具有重要影响，从而优化模型的性能和可靠性。
本文将介绍灵敏度分析的基本概念、方法和应用，并探讨其在科学研究和工程领域的重要性。
首先，让我们来了解一下灵敏度分析的基本概念。
灵敏度分析是通过对模型输入参数进行逐一变化，并观察模型输出的变化情况来评估模型的鲁棒性。
在进行灵敏度分析时，我们通常会选择一个基准点作为参考，比如模型输入参数的平均值或某个特定值。
然后，通过改变输入参数的值，并观察模型输出的变化情况，来评估模型对于输入参数的变化的敏感程度。
灵敏度分析有多种方法和指标可以使用，常见的方法包括一元灵敏度分析、总变差分析和区间分析等。
一元灵敏度分析是最简单的方法，它通过改变单个参数的值，观察模型输出的变化情况来评估参数的影响程度。
总变差分析则是通过改变所有参数的值，观察模型输出的总变差情况来评估参数的综合影响程度。
区间分析则是通过将参数的取值范围划分为多个子区间，观察模型输出在不同子区间的变化情况来评估参数的影响程度。
灵敏度分析在科学研究和工程设计中具有广泛的应用。
在科学研究中，灵敏度分析可以帮助我们理解模型的复杂性和不确定性，从而提高模型的可信度和预测能力。
在工程设计中，灵敏度分析可以帮助我们识别出对于系统性能具有关键影响的输入参数，并进行优化和控制，从而提高系统的稳定性和可靠性。
此外，灵敏度分析还可以帮助我们进行风险评估和决策分析。
通过评估不同参数对于模型输出的影响程度，我们可以识别出可能导致系统失败或风险增加的敏感参数，并制定相应的风险控制策略。
同时，灵敏度分析还可以提供决策支持，帮助我们在不同参数取值的情况下，评估和比较不同决策方案的优劣。
综上所述，灵敏度分析是一种可以评估模型鲁棒性的重要技术。
通过灵敏度分析，我们可以识别出对于模型输出具有重要影响的参数，并优化模型的性能和可靠性。
实验结果的灵敏度分析实验是科学研究中不可或缺的一部分。
通过实验可以验证理论，揭示规律，为科学研究的发展提供支持。
然而，实验结果的可靠性和准确性往往是人们关注的焦点。
为了评估实验结果的稳定性和可信度，灵敏度分析是一种常用的方法。
本文将对实验结果的灵敏度分析进行探讨，旨在阐明其重要性和应用场景。
一、什么是灵敏度分析灵敏度分析是一种系统地评估实验结果对于输入参数变化的敏感程度的方法。
它能够帮助我们了解实验结果对于参数的响应程度，找出影响实验结果的主要因素，从而为进一步的研究和决策提供依据。
通常，灵敏度分析可通过多种途径进行，如参数敏感度分析、局部敏感度分析和全局敏感度分析等。
二、灵敏度分析的意义灵敏度分析对于科学研究具有重要意义。
首先，它可以帮助我们了解实验结果的稳定性。
通过灵敏度分析，我们可以观察输入参数变化对实验结果的影响程度，若实验结果对于参数变化不敏感，则说明实验结果较为稳定可靠。
其次，灵敏度分析可以揭示实验结果中的主要因素。
在实验过程中，我们常常需要面对各种参数和影响因素，通过灵敏度分析，可以确定哪些因素对实验结果具有重要影响，进而提供优化研究方向和决策依据。
此外，灵敏度分析还可以帮助我们发现异常结果和探索实验结果潜在的风险因素。
三、灵敏度分析的应用场景根据实际需求和研究目的，灵敏度分析可以应用于多个领域。
以下将针对不同领域的实验结果灵敏度分析进行简要介绍。
1. 生态学领域生态学研究中，我们常常需要评估各种生态系统的稳定性和脆弱性。
通过灵敏度分析，可以了解生态系统对于各种环境因素的响应程度，找出对生态系统稳定性具有重要影响的关键因素，为生态保护和可持续发展提供科学依据。
2. 经济学领域经济学研究往往需要分析不同经济因素对于经济系统的影响。
通过灵敏度分析，可以评估经济模型中各个参数对于经济结果的敏感程度，识别经济政策的潜在风险和利益分配的不平衡情况，为经济决策提供参考。
3. 工程领域工程设计中常常需要考虑各种参数对于产品性能和安全性能的影响。
灵敏度分析1. 简介灵敏度分析（Sensitivity Analysis），又称为参数分析，是指在数学模型或系统模型中，通过改变各种输入参数，分析其对模型输出结果的影响程度的一种方法。
灵敏度分析可以帮助我们了解模型的稳定性、可靠性以及输入因素对输出的影响程度，从而帮助我们做出科学合理的决策。
在实际应用中，很多决策问题都涉及到多个不确定的参数，这些参数对于决策结果的影响程度可能不同。
灵敏度分析能够帮助我们确定哪些参数对决策结果更为敏感，哪些参数对决策结果影响较小，从而帮助我们确定关键参数，并为决策提供支持。
2. 灵敏度分析方法2.1 单参数灵敏度分析单参数灵敏度分析是指在数学模型中，依次改变一个输入参数，而其他参数保持恒定，观察模型输出结果的变化情况。
通过改变一个参数的值，我们可以分析该参数对模型输出结果的影响程度。
常用的单参数灵敏度分析方法有：•参数敏感度指标（Parameter Sensitivity Index，PSI）：PSI用于衡量输入参数的变化对输出结果的影响程度。
常见的PSI指标有：绝对敏感度、相对敏感度、弹性系数等。
•参数敏感度图（Parameter Sensitivity Plot）：通过绘制参数敏感度图，可以直观地看出输入参数对输出结果的影响程度。
常见的参数敏感度图有：Tornado图、散点图等。
•分析输出结果的极值情况：通过改变参数的值，观察模型输出结果的极值情况，可以分析参数对极值情况的敏感程度。
2.2 多参数灵敏度分析多参数灵敏度分析是指同时改变多个输入参数，观察模型输出结果的变化情况。
多参数灵敏度分析可以帮助我们分析多个参数之间的相互作用，以及各个参数对输出结果的综合影响。
常用的多参数灵敏度分析方法有：•流量排序法（Flow Sort）：通过将参数的取值按照大小进行排序，逐步改变参数取值的范围，观察输出结果的变化情况。
可以帮助我们确定哪些参数对输出结果的影响更大。
•剥离法（Perturbation）：通过逐个改变参数的取值，观察输出结果的变化情况。
第五章灵敏度分析灵敏度分析（Sensitivity Analysis）是指在决策分析中，根据改变决策变量的数值，研究对最优解产生影响的因素。
通过灵敏度分析，可以评估决策变量的变化对最优解的敏感程度，帮助决策者了解决策方案的稳定性和可靠性，并能够帮助决策者制定出合理的决策方案。
在灵敏度分析中，常用的指标包括目标函数系数的灵敏度分析、资源限制系数的灵敏度分析和松弛度分析。
首先，进行目标函数系数的灵敏度分析。
目标函数系数代表着对决策变量的偏好程度，通过改变目标函数系数的数值，可以分析对最优解的影响。
如果目标函数系数变化较大，但最优解随之变化较小，则说明最优解对该目标函数系数相对不敏感。
反之，如果目标函数系数变化较小，但最优解随之变化较大，则说明最优解对该目标函数系数相对较敏感。
其次，进行资源限制系数的灵敏度分析。
资源限制系数反映了资源约束对最优解的影响程度，通过改变资源的可用量，可以分析对最优解的影响。
如果资源限制系数变化较大，但最优解随之变化较小，则说明最优解对该资源限制系数相对不敏感。
反之，如果资源限制系数变化较小，但最优解随之变化较大，则说明最优解对该资源限制系数相对较敏感。
最后，进行松弛度分析。
松弛度是指资源使用量与其可用量之差，表示资源的闲置程度。
通过分析松弛度，可以了解决策方案的稳健性。
如果一些资源的松弛度较大，则说明该资源具有一定的闲置容量，决策方案对该资源限制相对较不敏感。
反之，如果一些资源的松弛度较小，则说明该资源的利用率较高，决策方案对该资源限制相对较敏感。
在灵敏度分析中，还可以进行多因素综合分析，研究多个因素同时改变时对最优解的影响。
通过综合分析，可以确定各个因素对最优解的贡献程度，帮助决策者优化决策方案。
总之，灵敏度分析是决策分析中重要的工具，能够评估决策方案的稳定性和可靠性，对于决策者进行决策方案选择具有重要的指导作用。
灵敏度分析应该结合具体的决策问题和决策变量的特征来进行，并且要注意分析结果的合理性和可靠性。
LINGO灵敏性分析（Range，Ctrl+R）用该命令产生当前模型的灵敏性分析报告：研究当目标函数的费用系数和约束右端项在什么范围（此时假定其它系数不变）时，最优基保持不变。
灵敏性分析是在求解模型时作出的，因此在求解模型时灵敏性分析是激活状态，但是默认是不激活的。
为了激活灵敏性分析，运行 LINGO|Options…，选择 General Solver Tab，在 Dual Computations 列表框中，选择 Prices and Ranges 选项。
灵敏性分析耗费相当多的求解时间，因此当速度很关键时，就没有必要激活它。
下面我们看一个简单的具体例子。
例 5.1某家具公司制造书桌、餐桌和椅子，所用的资源有三种：木料、木工和漆工。
生产数据如下表所示：若要求桌子的生产量不超过 5 件，如何安排三种产品的生产可使利润最大？用 DESKS、TABLES 和 CHAIRS 分别表示三种产品的生产量，建立 LP 模型。
max=60*desks+30*tables+20*chairs;8*desks+6*tables+chairs<=48;4*desks+2*tables+1.5*chairs<=20;2*desks+1.5*tables+.5*chairs<=8;tables<=5;求解这个模型，并激活灵敏性分析。
这时，查看报告窗口（Reports Window）,可以看到如下结果。
“Global optimal solution found at iteration: 3”表示 3 次迭代后得到全局最优解。
“Objective value:280.0000”表示最优目标值为 280。
“Value”给出最优解中各变量的值：造 2 个书桌（desks）, 0 个餐桌（tables）, 8 个椅子（chairs）。
所以 desks、chairs 是基变量（非 0）， tables 是非基变量（0）。
“Slack or Surplus”给出松驰变量的值：第 1 行松驰变量 =280（模型第一行表示目标函数，所以第二行对应第一个约束）第 2 行松驰变量 =24第 3 行松驰变量 =0第 4 行松驰变量 =0第 5 行松驰变量 =5“Reduced Cost”列出最优单纯形表中判别数所在行的变量的系数，表示当变量有微小变动时, 目标函数的变化率。
其中基变量的 reduced cost 值应为 0，对于非基变量 Xj, 相应的 reduced cost 值表示当某个变量 Xj 增加一个单位时目标函数减少的量( max 型问题)。
本例中：变量 tables 对应的 reduced cost 值为 5，表示当非基变量 tables 的值从 0变为 1 时（此时假定其他非基变量保持不变,但为了满足约束条件，基变量显然会发生变化），最优的目标函数值 = 280 - 5 = 275。
“DUAL PRICE”（对偶价格）表示当对应约束有微小变动时, 目标函数的变化率。
输出结果中对应于每一个约束有一个对偶价格。
若其数值为 p，表示对应约束中不等式右端项若增加 1 个单位，目标函数将增加 p 个单位（max 型问题）。
显然，如果在最优解处约束正好取等号（也就是“紧约束”，也称为有效约束或起作用约束），对偶价格值才可能不是0。
本例中：第 3、4 行是紧约束，对应的对偶价格值为 10，表示当紧约束3) 4 DESKS + 2 TABLES + 1.5 CHAIRS <= 20变为 3) 4 DESKS + 2 TABLES + 1.5 CHAIRS <= 21时，目标函数值 = 280 +10 = 290。
对第 4 行也类似。
对于非紧约束（如本例中第 2、5 行是非紧约束），DUAL PRICE 的值为 0, 表示对应约束中不等式右端项的微小扰动不影响目标函数。
有时, 通过分析 DUAL PRICE, 也可对产生不可行问题的原因有所了解。
灵敏度分析的结果是目标函数中 DESKS 变量原来的费用系数为 60，允许增加（Allowable Increase）=4、允许减少（Allowable Decrease）=2，说明当它在[60-4，60+20] = [56，80]范围变化时，最优基保持不变。
对 TABLES、CHAIRS 变量，可以类似解释。
由于此时约束没有变化（只是目标函数中某个费用系数发生变化），所以最优基保持不变的意思也就是最优解不变（当然，由于目标函数中费用系数发生了变化，所以最优值会变化）。
第 2 行约束中右端项（Right Hand Side，简写为RHS）原来为48，当它在[48-24，48+∞] =[24，∞]范围变化时，最优基保持不变。
第 3、4、5 行可以类似解释。
不过由于此时约束发生变化，最优基即使不变，最优解、最优值也会发生变化。
灵敏性分析结果表示的是最优基保持不变的系数范围。
由此，也可以进一步确定当目标函数的费用系数和约束右端项发生小的变化时，最优基和最优解、最优值如何变化。
下面我们通过求解一个实际问题来进行说明。
例 5.2一奶制品加工厂用牛奶生产 A1,A2 两种奶制品， 1 桶牛奶可以在甲车间用 12 小时加工成 3 公斤 A1，或者在乙车间用 8 小时加工成 4 公斤 A2。
根据市场需求，生产的A1,A2 全部能售出，且每公斤 A1 获利 24 元，每公斤 A2 获利 16 元。
现在加工厂每天能得到 50 桶牛奶的供应，每天正式工人总的劳动时间 480 小时，并且甲车间每天至多能加工 100 公斤 A1，乙车间的加工能力没有限制。
试为该厂制订一个生产计划，使每天获利最大，并进一步讨论以下 3 个附加问题：1）若用 35 元可以买到 1 桶牛奶，应否作这项投资？若投资，每天最多购买多少桶牛奶？2）若可以聘用临时工人以增加劳动时间，付给临时工人的工资最多是每小时几元？3）由于市场需求变化，每公斤 A1 的获利增加到 30 元，应否改变生产计划？模型代码如下：max=72*x1+64*x2;x1+x2<=50;12*x1+8*x2<=480;3*x1<=100;求解这个模型并做灵敏性分析，结果如下。
结果告诉我们：这个线性规划的最优解为x1=20，x2=30，最优值为z=3360，即用20 桶牛奶生产A1, 30 桶牛奶生产A2，可获最大利润3360 元。
输出中除了告诉我们问题的最优解和最优值以外，还有许多对分析结果有用的信息，下面结合题目中提出的 3 个附加问题给予说明。
3 个约束条件的右端不妨看作 3 种“资源”：原料、劳动时间、车间甲的加工能力。
输出中Slack or Surplus 给出这3 种资源在最优解下是否有剩余：原料、劳动时间的剩余均为零，车间甲尚余40（公斤）加工能力。
目标函数可以看作“效益”，成为紧约束的“资源”一旦增加，“效益”必然跟着增长。
输出中DUAL PRICES 给出这3 种资源在最优解下“资源”增加 1 个单位时“效益”的增量：原料增加 1 个单位（1 桶牛奶）时利润增长48（元），劳动时间增加1 个单位（1小时）时利润增长2（元），而增加非紧约束车间甲的能力显然不会使利润增长。
这里，“效益”的增量可以看作“资源”的潜在价值，经济学上称为影子价格，即 1 桶牛奶的影子价格为48 元，1 小时劳动的影子价格为 2 元，车间甲的影子价格为零。
读者可以用直接求解的办法验证上面的结论，即将输入文件中原料约束milk）右端的50 改为51，看看得到的最优值（利润）是否恰好增长48（元）。
用影子价格的概念很容易回答附加问题1）：用35 元可以买到1 桶牛奶，低于1 桶牛奶的影子价格48，当然应该作这项投资。
回答附加问题2）：聘用临时工人以增加劳动时间，付给的工资低于劳动时间的影子价格才可以增加利润，所以工资最多是每小时 2 元。
目标函数的系数发生变化时（假定约束条件不变），最优解和最优值会改变吗？这个问题不能简单地回答。
上面输出给出了最优基不变条件下目标函数系数的允许变化范围：x1 的系数为（72-8，72+24）=（64，96）；x2 的系数为（64-16，64+8）=（48，72）。
注意：x1系数的允许范围需要x2 系数64 不变，反之亦然。
由于目标函数的费用系数变化并不影响约束条件，因此此时最优基不变可以保证最优解也不变，但最优值变化。
用这个结果很容易回答附加问题3）：若每公斤A1 的获利增加到30 元，则x1 系数变为30×3=90，在允许范围内，所以不应改变生产计划，但最优值变为90×20+64×30=3720。
下面对“资源”的影子价格作进一步的分析。
影子价格的作用（即在最优解下“资源”增加1 个单位时“效益”的增量）是有限制的。
每增加1 桶牛奶利润增长48 元（影子价格），但是，上9面输出的CURRENT RHS 的ALLOWABLE INCREASE 和ALLOWABLE DECREASE 给出了影子价格有意义条件下约束右端的限制范围：milk）原料最多增加10（桶牛奶），time）劳动时间最多增加53（小时）。
现在可以回答附加问题1）的第 2 问：虽然应该批准用35 元买1桶牛奶的投资，但每天最多购买10 桶牛奶。
顺便地说，可以用低于每小时2 元的工资聘用临时工人以增加劳动时间，但最多增加53.3333 小时。
需要注意的是：灵敏性分析给出的只是最优基保持不变的充分条件，而不一定是必要条件。
比如对于上面的问题，“原料最多增加10（桶牛奶）”的含义只能是“原料增加10（桶牛奶）”时最优基保持不变，所以影子价格有意义，即利润的增加大于牛奶的投资。
反过来，原料增加超过1 0 （桶牛奶），影子价格是否一定没有意义？最优基是否一定改变？一般来说，这是不能从灵敏性分析报告中直接得到的。
此时，应该重新用新数据求解规划模型，才能做出判断。
所以，从正常理解的角度来看，我们上面回答“原料最多增加10（桶牛奶）”并不是完全科学的。
