灵敏性分析
灵敏度分析名词解释
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
①这些系数在什么范围内发生变化时，最优基不变（即最优解或最优 解结构不变）？
②系数变化超出上述范围时，如何用最简便的方法求出新的最优解？
灵敏度分析的基本原理
对于标准线性规划问题
max Z = CX
s.t. AX = b
设 为基本解， 是X基≥对应0 的目标系数向量， 是
基的逆矩阵，则原问题可表示为：
（２）检验数 CN CB B1N ，即 j Cj CBB1 pj 发生变 化，即对解的正则性有影响，而对解的可行性没有影响。 此时若解的正则性满足，则最优解不变
（３） B1b 和 CN CBB1N 同时发生变化
一、目标系数 的灵c j敏度分析
１、非基变量的目标系数 c j 的灵敏度分析
求（１）使原最优解基不变的b1 的变化范围； （２）若 b1 变为200，求新的最优解。
max Z = 3x1+ 2x2
x1+ 2x2 40 s.t. 2x1+ x2 50
x1 , x2 0
课 堂 练 习（续）
P153(4)
求（1）为使最优解不发生变化时目标函数系数
b
允许
例1.1 已知线性规划问题
max η = 30x1 + 25x 2 + 35x 3
x1 + 2x2 + x3 ≤ 800
s.t.
x
1
+
x2
+
2x 3
≤
1000
2x1 + x 2 + x 3 ≤ 2000
x1, x 2, x 3 ≥ 0
问当x2 的系数由２５提高到３５时，最优解是否发生变 化？
灵敏度分析
2 1 b1 2b1 20 B b' 1 1 20 b 20 0 1 解之得：10≤b1≤20
1
即当10≤b1≤20时，最优基不变
分析使最优基保持不变的b2的范围:
2 112 24 b2 B b' 1 1 b 12 b 0 2 2
三、灵敏度分析的内容
价值系数cj的变化的分析 约束条件右端项bi变化的分析 系数矩阵A变化的分析
系数列向量Pk变化的分析
增加新约束条件的分析
增加新变量的分析
实例1
产品 资源 原料甲 原料乙 利润 （元/kg） A 1 1 5 B 1 2 8 C 1 2 6 资源拥 有量 12kg 20kg
x1 x1 x2 f 1 0 0 x2 0 1 0 x3 0 1 2 x4 2 1 2 x5 1 1 B-1b 24 -2
22 b 20
3 -104
最优单纯形表
x1 x4 -f
x1 1 0 0
x2 2 -1 -2
x3 2 -1 -4
x4 0 1 0
x5 B-1b 1 20 -1 2 -5 -100
x1 x2 -f
经迭代，得到最优单纯形表如下：
x1 1 0 -1 x2 0 1 0 x3 1 0 0 x4 2 -1 -4 x5 -1 1 -2 B-1b 4 8 -88
x3 x2 -f
3.2 增加新约束条件的分析
1、将最优解代入新的约束条件，若满足，则最优解不变。 2、若不满足，则当前最优解要发生变化；将新增约束条 件加入最优单纯形表，并变换为标准型。
k ' Ck CB B1Pk '
灵敏度分析
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
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7章灵敏度分析
3.用伴随网络法求解稳态灵敏度的步骤： (1)求解原网络方程TX B ，得到原网络各支路电压和 支路电流信息。
ˆ ˆ T T X B 。其系数矩阵是原网 (2)建立伴随网络方程
络方程系数矩阵的转置。如果是非线性网络，则应是非
ˆ 线性迭代收敛后的原网络系数矩阵的转置。右端向量 B
中只需填入输出支路的贡献，是一个最多含有两个非零 元的向量。
因为导数网络方程的系数矩阵与原网络系数因为导数网络方程的系数矩阵与原网络系数矩阵相同矩阵相同所以在原网络方程求解过程中系数矩所以在原网络方程求解过程中系数矩阵的lulu分解的结果分解的结果可以在导数网络方程的求解可以在导数网络方程的求解中直接应用中直接应用故求解导数网络方程所需乘除运算故求解导数网络方程所需乘除运算量仅是向前量仅是向前向后替代所需的乘除次数向后替代所需的乘除次数比求解比求解原网络方程的运算量小得多原网络方程的运算量小得多
ˆ 随网络 N 是个线性网络。
(2)当参量 p 发生变化时，有
f f dI g dp U g p
代入(2)式，得；
ˆ dU U f dU U f dp dU 0 ˆ Ig g ˆg g g O U g p
将(3) 式代入上式得
ˆ f dp dU 0 U g O p
(3)求解伴随网络方程，得到伴随网络中各支 路电压和支路电流信息 (4)根据原网络和伴随网络方程的结果，利用 各元件灵敏度公式，计算出输出变量对网络中所 有元件参数的灵敏度值。 (5)如果还进一步求网络中另外一个输出变量 对元件参数的灵敏度，则需要重新填写伴随网络 方程的右端向量，然后重复(3)、(4)步骤。 采用伴随网络法每求解一次伴随网络方程， 只能计算出网络的一个输出变量对所有网络元件 参数的灵敏度，如果还想计算其他输出变量的灵 敏度，则需要再求解伴随网络方程。一般人们只 对网络中少数几个输出变量的灵敏度感兴趣，所 以求解伴随网络的次数不会很多。但当网络较大 时，每次所需计算的网络参数灵敏度值会很多。
灵敏度分析
例2.5.5 对于例2.5.1的原问题，如果增加一道生产工序 ，要求产品满足约束条件 x1+ 3 x2 ≤ 9 ，试问应如何安排生产计划，可以使利润最大？
解：首先把表13的最优解代入新约束条件，看是否满足。显然，由于原最优解 不满足新约束，所以，必须寻找新的最优解。
解：先计算B﹣1⊿b。
0 1/4 0
B﹣1⊿b = -2 1/2 1
1/2 -1/8 0 再把结果加到表16的 b 列中。
0
4
0
0 = -8-8
0
00
cj
CB
XB
b
2
3
x1
x2
0
0
x3
x4
2
x1
4 +0
1 00
1/4
0
x5
4 -8
0 0 [-2]
1/2
3
x2
2 +0
0 1 1/2
-1/8
(cj－zj) 或 j
1/3
0
0 -M
x5
x6
-1/6 0
-1
-1/6
0
1/3
0
7/6
1
5/6
-5/6
0
-1/3 -M+3
（五）、增加一个约束条件的分析
增加一个约束条件： 增加约束条件一般意味着可行域的缩小。 情况1:基变量没有改变（即最优解满足增加的约束条件）
该种情况，最优解没变化。（方法：把基变量的值代入约束条件中，如果 满足新的约束条件，就可断定最优解没有变化。） 情况2:基变量不适应新增加的约束条件
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。