滚动时域优化的实例缩放与基于元模型的敏感性分析：以邮政信函投递服务为应用场景

《Computers & Operations Research》：Instance scaling and metamodel-based sensitivity analysis for rolling horizon optimization with application to postal letter delivery services

　　

在许多现实规划情境中，优化问题不仅规模庞大，而且必须随着新数据的到来被重复求解——其中最典型的是滚动时域（rolling horizon）方案。然而，这种重复求解过程会迅速在计算上变得难以承受，尤其是在评估结果对模型参数的敏感性时更是如此。研究人员通过整合两个互补的方法学组成部分来应对这一挑战：首先，提出一种使用近似线性缩放（approximate linear scaling）的实例缩放技术，该技术能够系统性地缩减问题规模，从而在仅有限损失解保真度（solution fidelity）的前提下保证计算可处理性。其次，构建一种基于元模型（metamodel）的敏感性分析方法，以高效展示模型参数与求解过程结果之间的关系。借助回归（regression）和神经网络（neural network）等代理模型（surrogate model），该方法即使在复杂的序贯优化过程中——此时直接评估通常需要过高的计算代价——仍可快速估计局部敏感性与全局敏感性。上述方法学进展共同构成了一个框架的基础，该框架可用于高效分析滚动时域方案中优化模型的输入—输出关系。从实践角度看，该框架通过使战略层参数设置与运营绩效实现系统性对齐，从而支持有依据的决策制定。研究人员以邮政信函投递服务为例验证了该方法的有效性，并利用该框架考察不同战略性措施——例如要求特定投递服务水平，或对延期投递与特快投递进行激励/抑制——对实际邮政运营的影响。

该文发表于《Computers》，围绕滚动时域优化（rolling horizon optimization）在大规模现实规划场景中的计算瓶颈展开，核心目标是在不显著损害解保真度（solution fidelity）的前提下，使大规模、重复求解的优化过程能够开展系统性的参数敏感性分析。现实中的交通、能源与邮政等网络型系统，往往既具有高维、动态、连续更新的特征，又要求随着外生信息不断到达而反复重优化。在这一背景下，若直接在全规模实例上对多组参数进行情景试验，不仅运行时间极高，也会限制管理者对战略变量与运营结果之间作用机制的理解。因此，研究人员提出将“先缩放实例、再构建代理分析层”的两阶段方法结合起来，以降低滚动优化的实验成本，并增强对输入—输出关系的解释能力。

现有研究虽然分别关注了算法运行时间缩放、滚动时域决策、代理模型（surrogate model）和邮政运营优化，但针对“如何在滚动时域优化中通过结构保持的实例缩放支持大规模敏感性分析”的系统方法仍较少。尤其是常见缩放方法多依赖聚合（aggregation）或聚类（clustering），更适合战略层或战术层，而不适合对空间与时间分辨率要求很高的运营问题。本文正是在这一缺口上展开，强调通过从原始系统中选择能够保留关键交互结构的实体子集，实现对原问题行为特征的近似保留，再利用元模型学习参数与目标值之间的映射，以较低代价替代反复直接求解。

研究人员首先在理论上形式化了优化问题的实例缩放概念。文中定义了“同源实例”（sibling instances），即由同一生成机制产生、仅规模不同而其他结构与统计关系保持一致的实例集合。在此基础上，提出最优值的^?-近似线性缩放（approximate linear scaling）定义，以平均缩放因子与平均缩放误差衡量不同规模实例之间是否近似满足线性比例关系。若大实例与小实例的目标值满足这种近似齐次性（homogeneity），则可以在小规模实例上开展实验，并将结果外推至大规模系统。进一步地，论文还定义了平均次可加差距（subadditivity gap）与平均超可加差距（superadditivity gap），用于刻画目标值相对理想线性缩放的偏离程度。

在滚动时域情形下，研究人员将上述静态缩放思想扩展到由多个相互依赖子问题构成的优化过程。此时，被分析对象不再是单个静态实例的最优值，而是滚动时域过程中跨多个时点累计形成的实现目标值（realized rolling horizon objective）。文中据此定义了滚动时域优化过程 RH(P,T)，并说明每个时点仅实施当前最优解中的第一阶段决策，随后更新系统状态并进入下一时点。对于滚动时域过程中的同源实例，外生数据部分来源于共享生成机制，而状态相关部分则由先前决策诱导的系统演化决定。通过这一扩展，实例缩放不仅适用于单次优化问题，也适用于连续重优化的动态规划流程。

在实例缩放理论之上，论文进一步提出基于元模型的参数敏感性分析框架。研究人员把参数向量 θ 与优化输出之间的关系抽象为一个元模型 f?^*(θ)，用于逼近在给定参数设定下目标值的期望。针对数值型参数，采用局部敏感性与全局敏感性两类度量：前者通过偏导数反映局部响应，后者通过 Sobol 指数（Sobol indices）衡量方差贡献及交互效应；对于类别型参数，则通过分层（stratification）方式比较不同类别下输出分布差异。论文特别提出一种基于支配关系（dominance）的迭代敏感性分解方法：先识别强支配参数，再将其固定在代表性取值上，进而在条件子空间中识别较弱参数的作用，从而避免主导变量掩盖次级变量的影响。

为验证方法，研究人员将该框架应用于德国邮政信函投递重构场景。应用问题被建模为带优先级的基于地址的信函批处理问题（address-based letter batching with priorities, ALBP）。其基本目标是在满足不同信函类型和优先级服务水平约束的前提下，最小化跨地址与日期的投递停靠次数。模型中包含标准信函、特快信函与可延期信函三类业务；每封信函具有地址、收寄时间、可选投递日集合等属性；服务水平函数 β 则规定一定比例的信函必须在规定时限内送达。研究人员构建了整数线性规划（integer linear programming, ILP）模型，通过变量表示某封信函的投递日、优先级及某地址某日是否停靠，并利用跨期累计参数保证服务水平约束在滚动时域中持续成立。目标函数除最小化停靠次数外，还通过一个足够小的惩罚项鼓励在不增加停靠的前提下尽量延后投递，以提高批处理空间。

在滚动时域应用中，系统状态由“已披露但尚未送达的信函集合”和“各类型各优先级已送达信函累计数”构成。随着时间推进，新的信函不断披露，前一时点确定的次日投递计划成为不可撤销决策，余下日程则继续保留调整空间。由此，ALBP 被嵌入一个持续更新的滚动优化过程，用于模拟邮政运营中围绕投递频率、服务要求与成本控制的动态权衡。

方法层面上，本文用于实验的关键技术主要包括四类。其一，构建滚动时域优化过程 RH(P,T)，以 ILP 形式求解 ALBP；其二，采用近似线性实例缩放，以地址数量 |A| 作为规模度量，并通过同源样本对检验缩放保真度；其三，采用 Saltelli 采样方案进行全局敏感性分析，计算一阶与总效应 Sobol 指数；其四，构建多元线性回归与单隐层 ReLU 神经网络元模型，并基于自动微分求取局部梯度。实验数据来自模拟生成的德国邮政信函投递场景，规划期 T=24 个工作日，按照不同监管制度、披露时机、特快比例、延期比例、柜机使用比例与地址日均信函量生成样本。

研究结果部分保留如下核心小标题并可归纳如下。

2. Literature review
文献综述表明，实例缩放、滚动时域优化、元模型敏感性分析以及邮政运营研究虽各自发展较为充分，但缺少一个将三者系统整合、专门面向大规模动态运营优化的统一框架。该综述为本文方法设计与应用定位提供了理论背景。

3. Instance scaling
在这一部分，研究人员建立了实例缩放的数学定义，并将其从静态优化推广到滚动时域优化过程。通过近似线性缩放、次可加与超可加差距等概念，论文给出了判断“小实例结果能否可靠外推至大实例”的形式标准。这一部分的结论是：若目标值在不同规模同源实例之间保持足够稳定的比例关系，则缩放后的实例可作为后续敏感性分析的有效实验平台。

4. Metamodel-based parameter sensitivity analysis
该部分提出元模型定义、局部与全局敏感性指标以及基于支配性的迭代分解算法。通过把昂贵的滚动优化输出映射学习为可快速评估的代理函数，研究人员实现了对复杂参数空间的高效分析。该部分结论在于：神经网络等非线性元模型适合逼近滚动优化响应面，并可支撑比直接求解更高效的敏感性测度计算。

5. Application to postal delivery services
该部分将上述方法落地到邮政信函投递。研究人员把监管服务水平、特快与延期业务、提前披露及柜机取件等机制转化为参数化优化模型，构建了适用于月度滚动规划的运营实验环境。该部分说明了方法与实际业务问题之间的映射关系，并表明实例缩放与元模型分析适合处理邮政批量投递中的战略—运营联动问题。

6. Computational analysis
这是全文最核心的验证部分。首先，在“6.3. Instance scaling”中，研究人员从 4096 个地址开始，按 2 倍递减方式比较不同规模实例的实现目标值与运行时间。结果显示，从 4096 缩减到 256 个地址期间，平均缩放因子始终接近 2，平均误差较小，而运行时间由平均 742.83 s 显著下降至 8.89 s，表明缩放在 n=256 之前具有良好保真度。至 (256,128) 这一对规模时，偏差开始明显增加，因此将 n=256 选定为后续分析的最小可靠规模。

随后在“6.4. Metamodel construction”中，研究人员基于 n=256 地址、3 种监管制度、每种制度 6144 个训练样本建立元模型。结果表明，神经网络元模型在训练集与测试集上的平均相对误差均低于 0.9%，均方误差约为 0.0001；相比之下，多元线性回归平均相对误差约 4.7%，最大误差超过 29%。这一结果说明神经网络在刻画参数—目标值非线性关系方面明显优于线性回归。

在“6.5.1. Sensitivity analysis type”中，以 ρ=new 为例，研究人员比较了基于原始数据、神经网络元模型和回归元模型的敏感性分析结果。三者都识别出地址日均信函量 n_address,day^avg 为最主导参数，但神经网络在 Sobol 指数、梯度均值与梯度波动方面与原始数据更为一致，而线性回归无法反映非线性与交互结构。由此得出：神经网络是后续敏感性分析更合适的代理形式。

在“6.5.2. Categorical parameter”中，研究人员比较了 old、new 与 intermediate 三种监管制度。结果显示，新制度较旧制度显著放宽标准信函时限要求，使平均停靠次数从 2641.50 降至 1659.01，降幅约 37%，且波动性同步下降，说明更宽松的时效要求可显著提升批处理效率与运营稳定性。值得注意的是，特快投递比例 p_express 在不同制度下作用方向不同：在旧制度中略呈有利作用，在新制度中则增加停靠次数，表明监管制度会改变业务杠杆的边际效应。

在“6.5.3. Continuous parameters”中，研究人员采用基于支配性的迭代分析进一步拆解连续参数影响。第一轮分析表明 n_address,day^avg 绝对主导输出波动；将其固定后，p_express 与 p_locker 成为主要影响因素，其中前者增加运营紧迫性、提升停靠次数，后者通过自提柜使用减少上门投递、降低停靠次数；进一步固定这两个参数后，p_defer 成为剩余最重要变量，说明客户接受延期投递有助于扩大时间灵活性并压缩停靠需求；而 p_disc=coll 影响最弱，说明提前披露信息虽然有帮助，但在该业务结构下对整体停靠节约的贡献有限。由此形成一条清晰的参数支配层级：地址日均信函量 > 特快比例/柜机比例 > 延期比例 > 披露时机。

在“6.5.4. Conclusion from computational analysis”中，论文总结出四点：实例缩放显著降低了实验成本；神经网络元模型优于线性回归；监管放松能带来显著运营收益；连续参数之间存在明确的主次结构，可为价格与服务设计提供差异化干预依据。

讨论部分表明，本文提出的框架兼具理论与实践价值。理论上，论文把实例缩放从静态最优值扩展到滚动时域实现目标值，并提出了基于元模型的支配性敏感性分解；实践上，则证明该框架能够在邮政业务中把高层政策变量与底层运营结果联系起来。尤其重要的是，研究显示不同战略杠杆并非独立发挥作用，而是受到监管制度与业务量水平的共同调制，因此不能仅凭单一平均效应作决策，而应结合分层敏感性分析进行条件化评估。论文也指出，本文将多个客户行为参数视为外生变量，未来可进一步将价格—需求关系内生化，并扩展到劳动、车队、基础设施与环境成本等更广泛的成本维度。

研究结论部分可译为：本文构建了一个结合实例缩放与基于元模型敏感性分析的滚动时域优化框架，并将其应用于邮政信函投递服务。在理论层面，论文形式化了近似线性缩放，以支持保持结构特征的实例规模缩减，并提出了基于支配关系的敏感性分析程序，用于区分主导因素与次级因素。在信函投递应用中，这些技术实现了显著的计算节约，同时神经网络元模型被证明是准确且高效的代理工具。计算实验为邮政服务提供者给出了清晰结论：作为类别参数建模的投递服务监管规则具有显著结构性影响，放宽投递要求可明显减少投递停靠次数；连续参数则呈现明确的支配层级，其中每地址平均信函量始终是主要驱动因素，而特快使用、柜机使用意愿、延期行为与披露时机则构成次级调节杠杆。总体而言，该框架为将行为因素与成本因素进一步整合进综合决策支持系统奠定了基础。