【应用数学】动态最优化：合集

200731经过长时间的打公式终于把这个系列更新完毕了。本篇是动态最优化的一个合集，欲看章节可以进入此目录查看~

---

1. 确定性差分方程

1.1 一阶线性差分方程

$$x_t=a{x}_{t-1}+b_t$$

1.1.1 齐次方程

• 对于齐次方程

$$x_t=a{x}_{t-1}$$

• 有稳定性结论
  （1）当 $0<a<1$ 时，解单调收敛于 $x=0$，均衡点是稳定的；
  （2）当$-1<a<0$ 时，解振荡收敛于 $x=0$，均衡点是稳定的；
  （3）当 $a>1$ 时，单调发散到无穷大，均衡点不稳定；
  （4）当 $a<-1$ 时，振荡发散到无穷大，均衡点不稳定。

1.1.2 非齐次自治方程

• 设方程中$b_t$为常数序列，则解为

$$x_t^g=\bar{x}+c{a}^t$$

• 有稳定性结论
  （1）当$|a|<1$ 时，对任意 $c$，方程的解收敛到均衡点，均衡点是稳定的。
  （2）当$|a|>1$ 时，除去$c=0$ 外，方程的解不收敛到均衡点，均衡点是不稳定的。
  （3）$a$ 的符号决定解是单调的还是振荡的。

1.1.3 非自治系统

• 将其后向迭代得到解为

$$x_t=a^n{x}_{t-n}+\sum _{i=0}^{n-1}{a}^i{b}_{t-i}$$

• 当$|a|<1$时后向解是稳定的，为

$$x_t=c{a}^t+\sum _{i=0}^{\infty }{a}^i{b}_{t-i}$$

• 当$|a|>1$时前向解是稳定的，为

$$x_t=c{a}^t-\frac{1}{a}\sum _{i=0}^{\infty }{\left(\frac{1}{a}\right)}^i{b}_{t+1+i}$$

1.2 二阶线性差分方程

$$x_{t+2}=a{x}_{t+1}+b{x}_t+d_{t+2}$$

1.2.1 齐次系统

$$\left[\begin{array}{l}{x}_{t+1}\\ y_{t+1}\end{array}\right]=\left[\begin{array}{ll}0& 1\\ b& a\end{array}\right]\left[\begin{array}{l}{x}_t\\ y_t\end{array}\right]$$

• 设 $A$ 的两个特征根和特征向量为${\lambda }_1,{\lambda }_2,{\left(e_{11},e_{12}\right)}^{\prime },{\left(e_{21},e_{22}\right)}^{\prime }$。作特征根分解，可得

$$\left[\begin{array}{l}{x}_t\\ y_t\end{array}\right]=\left[\begin{array}{ll}{e}_{11}& e_{12}\\ e_{21}& e_{x2}\end{array}\right]\left[\begin{array}{l}{c}_1{\lambda }_1^t\\ c_2{\lambda }_2^t\end{array}\right]$$

• 有结论
  （1）特征根为实根，如果所有特征根均小于 1，则收敛于均衡点。若有一个特征根绝对值大于1，则解发散，除非初始条件使该解为常数，出现鞍点情形。鞍点稳定要求一个特征根 1，另一特征根小于1。
  （2）特征根为复根，出现周期解；
  （3）重根和不能对角化的系统较复杂。

1.2.2 非齐次自治系统

• 经变换可得

$$z_{t+1}=A{z}_t+b$$

• 其解为

$$\left[\begin{array}{l}{x}_t\\ y_t\end{array}\right]=\left[\begin{array}{ll}{e}_{11}& e_{12}\\ e_{21}& e_{22}\end{array}\right]\left[\begin{array}{l}{c}_1{\lambda }_1^t\\ c_2{\lambda }_2^{\mathrm{f}}\end{array}\right]+\left[\begin{array}{l}\bar{x}\\ \bar{y}\end{array}\right]$$

• 稳定性结论：
  （1）两个特征根模长均小于 1，则均衡点稳定；
  （2） 两个特征根模长均大于 1，则均衡点不稳定，仅在 $c_1=0$ 和 $c_2=0$ 时初始就在均衡点；
  （3）特征根一个大于 1，另一特征根小于 1（不妨设第二个特征根大于 1），则大多数时间下不稳定，当且仅当 $c_2=0$ 时是鞍点稳定的，此时鞍点路径为

$$x_t-\bar{x}=\frac{e_{11}}{e_{12}}\left(y_t-\bar{y}\right)$$

1.2.3 非线性动态系统

• 考虑下面的系统

$$\begin{gathered} x_t=f\left(x_{t-1},y_{t-1}\right) \\ {y}_t=g\left(x_{t-1},y_{t-1}\right) \end{gathered}$$

• 均衡点

$$\begin{gathered} \bar{x}=f(\bar{x},\bar{y}) \\ \bar{y}=g(\bar{x},\bar{y}) \end{gathered}$$

• 将其在均衡点附近作一阶展开并局部线性化，得到式

$$\begin{gathered} x_{i+1}-\bar{x}=f_x(\bar{x},\bar{y})\left(x_i-\bar{x}\right)+f_y(\bar{x},\bar{y})\left(y_t-\bar{y}\right) \\ {y}_{t+1}-\bar{y}=g_x(\bar{x},\bar{y})\left(x_t-\bar{x}\right)+g_y(\bar{x},\bar{y})\left(y_t-\bar{y}\right) \end{gathered}$$

• 记其系数矩阵$A$为

$$A=\left[\begin{array}{ll}{f}_x& f_y\\ g_x& g_y\end{array}\right]$$

• 稳定性结论：
  （1）两个特征根模均小于1，则均衡点稳定；
  （2）两个特征根模均大于1，则均衡点不稳定，仅在 $c_1=0$ 和 $c_2=0$ 时初始就在均衡点；
  （3）特征根一个大于 1，另一特征根小于 1（不妨设第二个特征根大于 1），则大多数时间下不稳定，当且仅当 $c_2=0$ 时是鞍点稳定的。

2. 随机差分方程

2.1 随机差分方程

• 假定初始分$M$布${\pi }_0\left(x_0\right)\sim N\left(u_0,{\sum }_0\right),\pi \left(x^{\prime }\mid x\right)\sim N\left(A_{0}x,C{C}^{\prime }\right)$ ，差分方程
  $$x_{t+1}=A_0{x}_t+C{\omega }_{t+1}$$
  其中$x_t$是一个 $n\times 1$ 的状态向量，$x_0$ 是一个给定的初始状态，$A_0$ 是一个 $n\times n$ 矩阵，$C$ 是一个 $n\times m$ 矩阵，${\omega }_{t+1}$是一个 $m\times 1$ 的随机向量，且有假定

• 假定A1 ${\omega }_{t+1}\sim \mathrm{N}(0,1),i.i.d.$
  假定A2 $E{\omega }_{t+1}\mid J_t=0,E{\omega }_{t+1}{\omega }_{t+1}^{\prime }\mid J_t=0$
  假定A3足此条件的为白噪声$E{\omega }_{t+1}=0$且
  $$E{\omega }_t{\omega }_{tj}^{\prime }=\{\begin{array}{l}I,j=0\\ 0,j\ne 0\end{array}$$

• 加入观测系统
  $$\begin{array}{l}{x}_{t+1}=A_0{x}_t+C{\omega }_{t+1}\\ y_t=G{x}_t\end{array}$$

定义 一个实值方阵 $A$ 是稳定的，如果 $A$ 所有特征值实部都严格小于 1。

• 假定系统有如下的特殊形式，其中$\tilde{A}$是稳定的。
  $$\left[\begin{array}{c}{x}_{1,t+1}\\ x_{2,t+1}\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& \tilde{A}\end{array}\right]\left[\begin{array}{c}{x}_{1,t}\\ x_{2,t}\end{array}\right]+\left[\begin{array}{c}0\\ \bar{c}\end{array}\right]{\omega }_{t+1}$$
  则下面任何条件都保证存在一个初始条件，使 $x_t$ 是协方差平稳的。

• 条件 A1 $A$ 所有特征值都严格小于 1。
  条件 A2 状态空间有如上的特殊形式且$\tilde{A}$所有特征值的模严格小于 1。

• 取期望，
  $$\begin{array}{c}{\mu }_{t+1}=A_0{\mu }_t\\ C_x(0)=E\left(x_t-\mu \right){\left(x_t-\mu \right)}^{\prime }=A_0{C}_x(0)A_0^{\prime }+C{C}^{\prime }\end{array}$$

• 自协方差序列满足
  $$C_x(j)=E\left(x_{t+j}-\mu \right){\left(x_t-\mu \right)}^{\prime }=A_0^j{C}_x(0)$$

• 加入观测方程
  E ( y t + j − μ y ) ( x t − μ y