7.4 倒向随机微分方程-Feynman-Kac公式
7.4 倒向随机微分方程-Feynman-Kac公式
随机微分方程与抛物线型或椭圆型的二阶偏微分方程之间存在着内在的关系。这是非常自然的,因为从物理学的角度来看,随机微分方程和这两种偏微分方程描述了现实世界中一种或另一种“扩散”类型的现象。
- 这种关系在Ch5(动态规划)的最优随机控制的背景下得到广泛的研究。
- 本节使用SDEs和BSDEs的解来表示一些二阶抛物线和椭圆偏微分方程的解,被称为费曼-卡茨型公式。
前情提要
- 通过SDE表示PDE的粘性解
- 通过BSDE表示PDE的粘性解
4.1 通过SDE表示PDE的粘性解
- 二阶线性抛物PDE
- 线性抛物PDE-终值问题(Cauchy问题)
- 线性抛物PDE-终值边值问题
- 椭圆PDE
- 线性的椭圆PDE-边值问题
- 非线性的椭圆PDE-终值边值问题
4.1.1 二阶线性抛物PDE
考虑初\边值问题(1)
{ut+Lu=fin UTu=0on ∂U×[0,T]u=gon U×{t=0}\left\{\begin{aligned} u_{t}+L u=f & \text { in } U_{T} \\ u=0 & \text { on } \partial U \times[0, T] \\ u=g & \text { on } U \times\{t=0\} \end{aligned}\right. ⎩⎪⎨⎪⎧ut+Lu=fu=0u=g in UT on ∂U×[0,T] on U×{t=0}
其中,f:UT→Rf: U_{T} \rightarrow \mathbb{R}f:UT→R和g:U→Rg: U \rightarrow \mathbb{R}g:U→R给定, 以及u:UˉT→Ru: \bar{U}_{T} \rightarrow \mathbb{R}u:UˉT→R未知, u=u(x,t)u=u(x, t)u=u(x,t). LLL表示任意时间ttt的二阶偏微分算子, 有以下发散形式(2)
Lu=−∑i,j=1n(aij(x,t)uxi)xj+∑i=1nbi(x,t)uxi+c(x,t)uL u=-\sum_{i, j=1}^{n}\left(a^{i j}(x, t) u_{x_{i}}\right)_{x_{j}}+\sum_{i=1}^{n} b^{i}(x, t) u_{x_{i}}+c(x, t) uLu=−i,j=1∑n(aij(x,t)uxi)xj+i=1∑nbi(x,t)uxi+c(x,t)u
或者非发散形式(3)
Lu=−∑i,j=1naij(x,t)uxixj+∑i=1nbi(x,t)uxi+c(x,t)uL u=-\sum_{i, j=1}^{n} a^{i j}(x, t) u_{x_{i} x_{j}}+\sum_{i=1}^{n} b^{i}(x, t) u_{x_{i}}+c(x, t) uLu=−i,j=1∑naij(x,t)uxixj+i=1∑nbi(x,t)uxi+c(x,t)u
对于给定的系数aij,bi,c(i,j=1,…,n)a^{i j}, b^{i}, c(i, j=1, \ldots, n)aij,bi,c(i,j=1,…,n).
- 线性抛物PDE的定义
- 考虑以下线性抛物PDE的Cauchy问题(4.1) :
{vt+∑i,j=1naij(t,x)vxixj+∑i=1nbi(t,x)vxi+c(t,x)v+h(t,x)=0(t,x)∈[0,T)×Rn,\left\{\begin{array}{c}v_{t}+\sum_{i, j=1}^{n} a_{i j}(t, x) v_{x_{i} x_{j}}+\sum_{i=1}^{n} b_{i}(t, x) v_{x_{i}}+c(t, x) v+h(t, x)=0 \\ (t, x) \in[0, T) \times \mathbb{R}^{n},\end{array}\right.{vt+∑i,j=1naij(t,x)vxixj+∑i=1nbi(t,x)vxi+c(t,x)v+h(t,x)=0(t,x)∈[0,T)×Rn,
其中aij,bi,c,h:[0,T]×Rn→Ra_{i j}, b_{i}, c, h:[0, T] \times \mathbb{R}^{n} \rightarrow \mathbb{R}aij,bi,c,h:[0,T]×Rn→R和$g: \mathbb{R}^{n} \rightarrow \mathbb{R} 。设。 设。设b(t, x)=\left(b_{1}(t, x), \ldots, b_{n}(t, x)\right)^{\top}。假设对某。假设对某。假设对某m存在一个存在一个存在一个\sigma: [0, T] \times \mathbb{R}^{n} \rightarrow \mathbb{R}^{n \times m}$使得(4.2)
a(t,x)≡(aij(t,x))=12σ(t,x)σ(t,x)⊤,∀(t,x)∈[0,T]×Rna(t, x) \equiv\left(a_{i j}(t, x)\right)=\frac{1}{2} \sigma(t, x) \sigma(t, x)^{\top},\forall(t, x) \in[0, T] \times \mathbb{R}^{n}a(t,x)≡(aij(t,x))=21σ(t,x)σ(t,x)⊤,∀(t,x)∈[0,T]×Rn
则(4.1)可以写为以下形式(4.3):
{vt+12tr{σ(t,x)σ(t,x)⊤vxx}+⟨b(t,x),vx⟩+c(t,x)v+h(t,x)=0,(t,x)∈[0,T)×Rn,v∣t=T=g(x),\left\{\begin{array}{l}v_{t}+\frac{1}{2} \operatorname{tr}\left\{\sigma(t, x) \sigma(t, x)^{\top} v_{x x}\right\}+\left\langle b(t, x), v_{x}\right\rangle \\ \quad+c(t, x) v+h(t, x)=0, \quad(t, x) \in[0, T) \times \mathbb{R}^{n}, \\ \left.v\right|_{t=T}=g(x),\end{array}\right. ⎩⎨⎧vt+21tr{σ(t,x)σ(t,x)⊤vxx}+⟨b(t,x),vx⟩+c(t,x)v+h(t,x)=0,(t,x)∈[0,T)×Rn,v∣t=T=g(x),
- 假设条件
需要注意的是,(aij(t,x)a_{ij}(t,x)aij(t,x))可能会退化。因此,一般来说,(4.3)可能没有经典的解。然而,我们有以下结果,这是经典的费曼-卡克公式的一个推广版本。
- 费曼-卡克公式
注意,在经典的费曼-Kac公式中,方程(4.3)是非退化的,函数h只需要满足一个较弱的条件(见Karatzas-Shreve)。此外,第五章定理3.3也给出了定理4.1的确定性版本。
随机微分方程-与偏微分方程的关联
- 考虑抛物方程的终值-边值问题(4.8):
{vt+12tr{σ(t,x)σ(t,x)⊤vxx}+⟨b(t,x),vx⟩+c(t,x)v+h(t,x)=0,(t,x)∈[0,T)×G,v∣∂G=ψ(t,x),v∣t=T=g(x),\left\{\begin{array}{l}v_{t}+\frac{1}{2} \operatorname{tr}\left\{\sigma(t, x) \sigma(t, x)^{\top} v_{x x}\right\}+\left\langle b(t, x), v_{x}\right\rangle \\ \quad+c(t, x) v+h(t, x)=0, \quad(t, x) \in[0, T) \times G, \\ \left.v\right|_{\partial G}=\psi(t, x), \\ \left.v\right|_{t=T}=g(x),\end{array}\right.⎩⎪⎪⎨⎪⎪⎧vt+21tr{σ(t,x)σ(t,x)⊤vxx}+⟨b(t,x),vx⟩+c(t,x)v+h(t,x)=0,(t,x)∈[0,T)×G,v∣∂G=ψ(t,x),v∣t=T=g(x),
其中G⊆RnG \subseteq \mathbb{R}^{n}G⊆Rn是有C1C^{1}C1边界∂G\partial G∂G的有界区域。定义(4.9)
Ψ(t,x)={g(x),(t,x)∈{T}×Gˉψ(t,x),(t,x)∈[0,T)×∂G\Psi(t, x)=\left\{\begin{array}{lc}g(x), & (t, x) \in\{T\} \times \bar{G} \\ \psi(t, x), & (t, x) \in[0, T) \times \partial G\end{array}\right. Ψ(t,x)={g(x),ψ(t,x),(t,x)∈{T}×Gˉ(t,x)∈[0,T)×∂G
- 费曼-卡克公式
4.1.2 椭圆PDE
考虑边值问题
{Lu=fin Uu=0on ∂U\left\{\begin{aligned} L u=f & \text { in } U \\ u=0 & \text { on } \partial U \end{aligned}\right. {Lu=fu=0 in U on ∂U
其中UUU是Rn\mathbb{R}^{n}Rn的有界开集,以及u:Uˉ→Ru: \bar{U} \rightarrow \mathbb{R}u:Uˉ→R未知, u=u(x)u=u(x)u=u(x). f:U→Rf: U \rightarrow \mathbb{R}f:U→R给定, LLL表示二阶偏微分算子(2)
Lu=−∑i,j=1n(aij(x)uxi)xj+∑i=1nbi(x)uxi+c(x)uL u=-\sum_{i, j=1}^{n}\left(a^{i j}(x) u_{x_{i}}\right)_{x_{j}}+\sum_{i=1}^{n} b^{i}(x) u_{x_{i}}+c(x) u Lu=−i,j=1∑n(aij(x)uxi)xj+i=1∑nbi(x)uxi+c(x)u
或者(3)
Lu=−∑i,j=1naij(x)uxixj+∑i=1nbi(x)uxi+c(x)uL u=-\sum_{i, j=1}^{n} a^{i j}(x) u_{x_{i} x_{j}}+\sum_{i=1}^{n} b^{i}(x) u_{x_{i}}+c(x) uLu=−i,j=1∑naij(x)uxixj+i=1∑nbi(x)uxi+c(x)u
对于给定的系数函数aij,bi,c(i,j=1,…,n)a^{i j}, b^{i}, c(i, j=1, \ldots, n)aij,bi,c(i,j=1,…,n)
- 椭圆PDE的定义
- 现在,让我们说明椭圆偏微分方程的结果。我们将考虑以下边值问题(4.12):
{12tr{σ(x)σ(x)⊤vxx}+⟨b(x),vx⟩+c(x)v+h(x)=0,x∈Gv∣∂G=ψ(x)\left\{\begin{array}{l}\frac{1}{2} \operatorname{tr}\left\{\sigma(x) \sigma(x)^{\top} v_{x x}\right\}+\left\langle b(x), v_{x}\right\rangle+c(x) v+h(x)=0, \quad x \in G \\ \left.v\right|_{\partial G}=\psi(x)\end{array}\right.{21tr{σ(x)σ(x)⊤vxx}+⟨b(x),vx⟩+c(x)v+h(x)=0,x∈Gv∣∂G=ψ(x)
其中,G⊆RnG \subseteq \mathbb{R}^{n}G⊆Rn是有C1C^{1}C1边界∂G\partial G∂G的有界区域。
- 费曼-卡克公式
- 考虑以下非线性椭圆PDE(4.18):
{vt+F(t,x,v,vx,vxx)=0,(t,x)∈[0,T)×G,v∣∂G=ψ(t,x)v∣t=T=g(x)\left\{\begin{array}{l}v_{t}+F\left(t, x, v, v_{x}, v_{x x}\right)=0, \quad(t, x) \in[0, T) \times G, \\ \left.v\right|_{\partial G}=\psi(t, x) \\ \left.v\right|_{t=T}=g(x)\end{array}\right.⎩⎨⎧vt+F(t,x,v,vx,vxx)=0,(t,x)∈[0,T)×G,v∣∂G=ψ(t,x)v∣t=T=g(x)
其中G⊆RnG \subseteq \mathbb{R}^{n}G⊆Rn是有C1C^{1}C1边界∂G,F:[0,T]×\partial G, F:[0, T] \times∂G,F:[0,T]× G×R×Rn×Sn→RG \times \mathbb{R} \times \mathbb{R}^{n} \times \mathcal{S}^{n} \rightarrow \mathbb{R}G×R×Rn×Sn→R的有界区域, 并且ψ\psiψ和ggg和之前一致。假设FFF可表示为(4.19):
F(t,x,v,p,P)=infu∈U{12tr{σ(t,x,u)σ(t,x,u)⊤P}+⟨b(t,x,u),p⟩+c(t,x,u)v+h(t,x,u)}(t,x,v,p,P)∈[0,T]×G×R×Rn×Sn\begin{array}{r} F(t, x, v, p, P)=\inf _{u \in U}\left\{\frac{1}{2} \operatorname{tr}\left\{\sigma(t, x, u) \sigma(t, x, u)^{\top} P\right\}\right. \\ \quad+\langle b(t, x, u), p\rangle+c(t, x, u) v+h(t, x, u)\} \\ (t, x, v, p, P) \in[0, T] \times G \times \mathbb{R} \times \mathbb{R}^{n} \times \mathcal{S}^{n} \end{array}F(t,x,v,p,P)=infu∈U{21tr{σ(t,x,u)σ(t,x,u)⊤P}+⟨b(t,x,u),p⟩+c(t,x,u)v+h(t,x,u)}(t,x,v,p,P)∈[0,T]×G×R×Rn×Sn
对于某一函数σ,b,c\sigma, b, cσ,b,c, 和hhh以及某度量空间UUU。(4.19)给出了在(v,p,P)(v, p, P)(v,p,P)凸的泛函总类中非常大类的非线性泛函FFF。
- 假设
- 费曼-卡克公式
以上情况可以进一步推广。如果F在(v,p,P)(v,p,P)(v,p,P)中不一定是凹的,在某些情况下,它可以表示为(v,p,P)(v,p,P)(v,p,P)中的某些函数的supinf或infsup。然后方程(4.18)是一些二人零和随机微分对策对应的上下Hamilton-Jacobi-Isaacs(HJI)方程。在这种情况下,我们可以将(4.18)的粘性解表示为这种微分对策的下值函数或上值函数。
然而,我们立即意识到,这些表示会变得越来越复杂。注意,表示(4.21)是复杂空间上复杂函数的初始值,复杂空间通常是一个无限维空间。因此,我们将不会朝着这个方向进一步发展。相反,在下面的小节中,借助BSD方程,我们将推导出某些类非线性偏微分方程的一些更简单的表示公式。
4.2 通过BSDE表示PDE的粘性解
- 非线性抛物PDE-终值问题(Cauchy问题)
- 非线性抛物PDE-终值边值问题
- 非线性的椭圆PDE-终值边值问题
4.2.1 非线性抛物PDE
- 在本小节中,我们将通过BSDEs来表示一些非线性偏微分方程的解。
我们从以下柯西问题(4.24)开始:
{vt+12tr{σ(t,x)σ(t,x)⊤vxx}+⟨b(t,x),vx⟩+h(t,x,v,σ(t,x)⊤vx)=0,(t,x)∈[0,T)×Rn,v∣t=T=g(x)\left\{\begin{aligned} v_{t}+\frac{1}{2} \operatorname{tr}\left\{\sigma(t, x) \sigma(t, x)^{\top} v_{x x}\right\}+\left\langle b(t, x), v_{x}\right\rangle \\ \quad+h\left(t, x, v, \sigma(t, x)^{\top} v_{x}\right)=0, \quad(t, x) \in[0, T) \times \mathbb{R}^{n}, \\\left.v\right|_{t=T}=g(x) \end{aligned}\right.⎩⎪⎪⎪⎨⎪⎪⎪⎧vt+21tr{σ(t,x)σ(t,x)⊤vxx}+⟨b(t,x),vx⟩+h(t,x,v,σ(t,x)⊤vx)=0,(t,x)∈[0,T)×Rn,v∣t=T=g(x)
注意,上面的方程在vvv和vxv_xvx中是非线性的,但vxv_xvx中的非线性是一种特殊形式(如果a是可逆方阵,则为一般)。为使得它的解是由一个BSDE来表示是必要的。
- 假设
- 费曼-卡克公式
- 考虑以下终值边值问题(4.40):
{vt+12tr{σ(t,x)σ(t,x)⊤vxx}+⟨b(t,x),vx⟩+h(t,x,v,σ(t,x)⊤vx)=0,(t,x)∈[0,T)×G,v∣∂G=ψ(t,x),v∣t=T=g(x)\left\{\begin{array}{l}v_{t}+\frac{1}{2} \operatorname{tr}\left\{\sigma(t, x) \sigma(t, x)^{\top} v_{x x}\right\}+\left\langle b(t, x), v_{x}\right\rangle \\ \quad+h\left(t, x, v, \sigma(t, x)^{\top} v_{x}\right)=0, \quad(t, x) \in[0, T) \times G, \\ \left.v\right|_{\partial G}=\psi(t, x), \\ \left.v\right|_{t=T}=g(x)\end{array}\right.⎩⎪⎪⎨⎪⎪⎧vt+21tr{σ(t,x)σ(t,x)⊤vxx}+⟨b(t,x),vx⟩+h(t,x,v,σ(t,x)⊤vx)=0,(t,x)∈[0,T)×G,v∣∂G=ψ(t,x),v∣t=T=g(x)
其中G⊆RnG \subseteq \mathbb{R}^{n}G⊆Rn是有C1C^{1}C1边界∂G\partial G∂G的有界区域。
- 费曼-卡克公式
4.2.2 非线性椭圆PDE
我们讨论一个更微妙的情况,即区域GGG中的非线性椭圆方程。我们考虑以下问题(4.43):
{12tr[σ(x)σ(x)⊤vxx]+⟨b(x),vx⟩+h(x,v,σ(x)⊤vx)=0,x∈Gv∣∂G=ψ(x)\left\{\begin{array}{l}\frac{1}{2} \operatorname{tr}\left[\sigma(x) \sigma(x)^{\top} v_{x x}\right]+\left\langle b(x), v_{x}\right\rangle+h\left(x, v, \sigma(x)^{\top} v_{x}\right)=0, x \in G \\ \left.v\right|_{\partial G}=\psi(x)\end{array}\right.{21tr[σ(x)σ(x)⊤vxx]+⟨b(x),vx⟩+h(x,v,σ(x)⊤vx)=0,x∈Gv∣∂G=ψ(x)
- 假设
- 费曼-卡克公式
7.4 倒向随机微分方程-Feynman-Kac公式相关推荐
- UA MATH565C 随机微分方程VI 扩散过程简介
UA MATH565C 随机微分方程VI 扩散过程简介 Kolmogorov定理 称具有路径连续的Markov Family (ξt,Px)(\xi_t,P_x)(ξt,Px)是一个diffusi ...
- UA MATH565C 随机微分方程V 无穷小生成算子
UA MATH565C 随机微分方程V 无穷小生成算子 Infinitesimal generator as derivative 这一讲给出算子半群那一讲提出的infinitesimal gener ...
- UA MATH565C 随机微分方程V Markov Family的特征函数
UA MATH565C 随机微分方程V Markov Family的特征函数 特征函数 上一讲用u(t,x)u(t,x)u(t,x)和v(t,x)v(t,x)v(t,x)描述了Markov Famil ...
- UA MATH565C 随机微分方程V Stationary Measure
UA MATH565C 随机微分方程V Stationary Measure Markov Property Stationary Measure PDE方法 这一讲试图回答的问题是基于Homogen ...
- UA MATH565C 随机微分方程V 算子半群理论简介
UA MATH565C 随机微分方程V 算子半群理论简介 Banach空间中的算子半群 Hille-Yosida定理 Shift Operator 上一讲提到Homogeneous Markov Fa ...
- UA MATH565C 随机微分方程V Markov Family的算子
UA MATH565C 随机微分方程V Markov Family的算子 函数的算子 测度的算子 Homogeneous Markov Family 函数的算子 这一讲正式介绍Markov Famil ...
- UA MATH565C 随机微分方程V Markov Family简介
UA MATH565C 随机微分方程V Markov Family简介 Transition function Banach Space Method ODE的IVP可以看成是对系统的一些变量从初始状 ...
- UA MATH565C 随机微分方程III Ito积分的构造下
UA MATH565C 随机微分方程III Ito积分的构造下 Progressively Measurable 从step process到一般随机过程 Progressively Measurab ...
- UA MATH565C 随机微分方程III Ito Isometry
UA MATH565C 随机微分方程III Ito Isometry 定义ft,gtf_t,g_tft,gt是step process,∀0=t0<t1⋯<tn=t\forall 0= ...
- UA MATH565C 随机微分方程III Ito积分的构造
UA MATH565C 随机微分方程III Ito积分的构造 Filtration Step Process的Ito积分 Step Process的Ito积分的性质 上一讲讨论到,构造Ito积分要用构 ...
最新文章
- WCF学习笔记(二):在WCF中使用集合传输数据
- Docker Compose—简化复杂容器应用的利器
- Centos7.0一键搭建Python3.6开发环境
- 半阈值化的应用说明及利用函数threshold实现半阈值化的方法
- Excel 单元格不能设置超链接
- 戴尔新鲜空气制冷的研究:在数据中心里面,让我们脱掉厚夹克换上一件夏威夷衬衫!...
- 会话创建过程-创建Executor
- 【转】log4net使用详解
- 【MFC系列-第8天】小型软件项目开发
- Python-学习-import语句导入模块
- 可到了关键部分的作文
- 【LeetCode】剑指 Offer 31. 栈的压入、弹出序列
- docker构建dpdk运行环境镜像
- 还争什么流量场景,罗振宇已经用时间挣钱了!
- [转载] python中pow可以计算负数吗_Python数学.pow()计算失误
- 神经网络的双曲线正切激活函数
- 基于JAVA乐居租房网的设计与实现计算机毕业设计源码+系统+lw文档+部署
- windows server 2012设置桌面图标
- 雷达图使用攻略(上)
- Rescue-Prime hash STARK
热门文章
- .net mvc身份证验证
- 高频量化交之李庆:在华尔街狼共舞的岁
- 网易163邮箱和网易126邮箱有什么区别?
- 李子奈计量经济学笔记和课后习题答案
- android 实体对象转 json,list转 json ,map转json
- php十六进制转为ascii,16进制转换成ascii_16进制转ascii码转换工具_16进制转ascii
- 关于proteus8.8的一键破解版和汉化包
- 医用计算机考试题目,2015年全国计算机应医用能力考试辅导资料.doc
- element-ui的pagination分页 增加首页和末页
- 高等数学(同济第七版上)课后习题及解答