全局方法论

全局方法论不对应某一类具体模型，而是贯穿选题、建模、求解与写作全过程的检验与加固技术。再漂亮的模型，若结论随参数微扰剧烈翻烧饼，或换一组初值就面目全非，都难以让人信服。灵敏度分析与鲁棒性检验，就是用来回答：“结果有多稳？决策建议在不确定性下是否仍然成立？”

在优秀建模论文里，验证章节的分量往往不亚于模型推导。评委未必能逐行检查你的证明，但一定能看懂：你有没有系统扰动过关键参数，有没有报告随机种子与多起点结果。

这一门类解决什么问题

• 哪些参数/假设对结论影响最大？
• 最优解或预测在参数误差下是否定性不变？
• 算法初值、随机种子、数据划分是否改变故事？
• 如何用图表证明“不是调参碰运气”？
• 在不确定输入下，最坏情景与平均情景差多远？

它们应出现在几乎所有完整建模论文的验证部分，而不是可有可无的附录点缀。

如何选择方法

问题信号	优先考虑
逐个参数上下扰动，看输出变化	单因素敏感性分析
参数同时变化、交互明显	多因素敏感性（网格/蒙特卡洛/Sobol 等）
关心最优点附近或公式参数误差	参数微调测试
迭代算法、动力系统、仿真依赖初值	不同初始条件下的稳定性验证

选型组合建议：

1. 全体关键参数先做 OAT 单因素，画出龙卷风图；
2. 对最敏感的 2–4 个参数做 多因素网格或蒙特卡洛；
3. 对优化/拟合/聚类/仿真再做 初值与种子 协议；
4. 用一小段文字回答：“在何种扰动范围内，方案排序不变。”

推荐学习顺序

1. 单因素敏感性（蜘蛛图、龙卷风图）；
2. 参数微调与局部弹性；
3. 多因素联合扰动与蒙特卡洛；
4. 初值/种子/样本划分的稳健性协议；
5. （扩展）全局灵敏度指数、稳健优化——赛题需要再深入。

与所有门类的关系

门类例子	典型要扰动的对象
优化	成本系数、容量、权重
预测	窗口长度、阶数、训练终点
评价	权重、归一化方式
仿真	到达率、规则参数、种子
微分方程	初值、速率参数
专项模型	$\lambda,\mu$、$D,K,h$、支付矩阵

没有“不需要验证的模型”，只有“还没写进论文的验证”。

使用提醒

• 先定基准情景，再谈扰动；
• 扰动幅度要有依据（测量误差、文献范围、±10% 等）；
• 同时报告定量变化与定性是否翻转；
• 对随机算法必须固定并报告多种子；
• 灵敏度高不一定是坏事，但必须让决策者知道；
• 不要只在附录丢一张图，正文要用三句话解释含义。

论文验证段最小结构

1. 基准结果回顾；
2. 单因素表/龙卷风图；
3. 多因素或情景分析；
4. 初值/种子稳定性；
5. 结论：建议在何种不确定范围内可信，超出范围会怎样。

进入具体方法页后，把示例套路迁移到你自己的模型：替换目标函数与参数列表即可。把“会做验证”变成肌肉记忆，比再学一个新模型名更有竞赛价值。

最后提醒：验证不是为了证明模型“完美”，而是为了标明可信范围。清楚写出“在何种扰动下结论仍成立、在何处会失效”，本身就是高水平建模的标志。

小结式提醒

灵敏度回答“谁最关键”，鲁棒性回答“换条件是否仍成立”。二者共同构成建模结果的质量证书。没有验证段的漂亮模型，在评委眼中往往只是半成品。