敏感性分析（SA）在基于仿真的实验研究中具有关键作用，其通过量化输入参数变异对核心输出的影响机制，确立方法论价值。

于国防领域，其重要性已有充分实证：该分析方法已应用于作战仿真，借助分式析因设计[1]与回归建模技术评估陆战车辆配置方案，助力分析人员识别关键影响参数并优化系统效能[2]。类似地，针对空中作战任务保障效能的研究表明，基于仿真的敏感性分析可有效验证复杂系统在动态作战环境下的体系表现[3]。在战役层级行动中，敏感性分析同样支撑着作战分析进程——阿富汗与伊拉克战争实践中的经验总结显示，建模仿真技术为资源配置与作战筹划提供了决策依据[4]。统计方法层面，回归排序敏感性分析已被纳入作战仿真分析框架，用于甄别影响任务成败的核心要素[5]。历史研究如Janus(A)作战仿真项目，更印证了敏感性分析在对抗性训练场景中的持久适用性[6]。

然而，将敏感性分析应用于现代军事演习仍面临独特挑战：高维参数空间、非线性交互作用及作战约束条件，均对计算效率与结果可解释性提出双重要求。此类复杂性亟需自动化混合分析路径——例如融合莫里斯筛选法进行初步参数排序，结合索博尔指数开展深度交互解析——从而为任务规划与资源调配的决策框架提供科学支撑。

决策支持分析概述

在决策支持分析场景中，本文设定可获取一个随机依赖于参数x in R^n的黑箱模型f(X)。通过在特定点x执行实验或运行计算，可对模型进行采样以获取输出y ~ f(x)。此类模型的典型实例包括：模拟实战任务的系列飞行试验数据、基于物理原理的空气动力学仿真样本，或搭载独立人工智能的智能体建模运行结果。

维度X^i可同时包含控制变量与参数：

● 参数指模型空间中人为操作者无法干预的维度，但理解其影响效应，或投入研究资源、资金及计算周期以确定其数值（例如飞行时刻气象条件、特定机翼设计的材料弹性参数，或模型的初始化条件）具有重要价值。 ● 控制变量指操作者期望评估调整效应的维度，此类调整可能伴随相应成本。例如，由系列航路点构成的特定飞行轨迹、仿真中风向角方差，或仿真中各智能体的具体策略。

决策支持旨在解析此类模型，并以此为基础为人类操作者提供可操作的洞察。该过程需回应大量领域特异性问题，但亦存在若干经长期发展形成的共性主题与技术范式。本文将决策支持流程解构为五个相互交叠的技术与探究领域：

不确定性分析：如何认知变量内在的不确定性与其对可能结果的输出不确定性之间的交互作用？

敏感性分析：哪些因素X^i对模型输出的方差贡献最大（涵盖局部与全局层面）？

不确定性量化：如何刻画模型输出的分布特征，包括界定不可约噪声？

优化：在调整控制变量的前提下，如何求解模型衍生量的最优值？

景观分析：如何基于f(X)的相关属性刻画X定义域的宏观区域？即，f在何种范围内具有广义稳定性？在何种参数条件下f的波动超出特定阈值？给定路径约束，如何实现从某一区域样本x1 in R1（R1是Rn的子集）至另一区域样本x2 in R2的迁移？

采样理论：本场景假定函数采样存在成本。尽管该成本可能较低，但对于高维或强噪声模型，采样方法的选择直接决定分析成效。

本白皮书将聚焦敏感性分析（SA），探讨其在构建决策支持分析可操作流程中的应用。文献综述与分类体系章节将梳理常用敏感性分析技术，涵盖适用场景及各方法的成本效益比对。方法论与选型章节则重点阐述本文开发的流程，旨在通过敏感性分析从智能体建模中提取可操作的结论。