Euler-Maruyama方法

Euler-Maruyama方法是一种用来数值求解**随机微分方程（SDE）**的离散化方法。它是欧拉方法（Euler Method）的随机扩展，适用于解决包含随机性或噪声的动态系统。

背景

随机微分方程 (SDE)

随机微分方程的一般形式为：
$d{X}_t=f(X_t,t)dt+g(X_t,t)d{W}_t$

• $X_t$: 状态变量，表示系统随时间 $t$ 的状态。
• $f(X_t,t)$: 漂移项（drift term），表示系统的确定性演化趋势。
• $g(X_t,t)$: 扩散项（diffusion term），表示系统的随机性幅度。
• $d{W}_t$: Wiener过程（布朗运动）的增量，满足：
  $d{W}_t\sim \mathcal{N}(0,dt)$

这类方程常用于建模带有噪声的物理、金融或生物系统。

---

方法描述

欧拉方法

欧拉方法用于解一般的常微分方程（ODE）：
$\frac{d{X}_t}{dt}=f(X_t,t)$
通过时间离散化：
$X_{t+\Delta t}\approx X_t+f(X_t,t)\Delta t$

Euler-Maruyama方法

将欧拉方法扩展到随机微分方程，加入随机扰动项 $g(X_t,t)d{W}_t$：
$X_{t+\Delta t}\approx X_t+f(X_t,t)\Delta t+g(X_t,t)\Delta W_t$

• 第一项 ($X_t$): 当前状态。
• 第二项 ($f(X_t,t)\Delta t$): 漂移项，表示确定性趋势的贡献。
• 第三项 ($g(X_t,t)\Delta W_t$): 随机项，表示噪声引起的波动。

其中：
$\Delta W_t\sim \mathcal{N}(0,\Delta t)$

---

具体步骤

1. 初始化状态：
   设初始条件 $X_0=x_0$。

2. 时间离散化：
   将时间区间 $[0,T]$ 等分为 $N$ 个小步长：
   $\Delta t=\frac{T}{N},t_n=n\Delta t,n=0,1,\dots ,N-1$

3. 迭代更新：
   对每个时间步：
   $X_{t_{n+1}}=X_{t_n}+f(X_{t_n},t_n)\Delta t+g(X_{t_n},t_n)\sqrt{\Delta t}{\xi }_n$

   • ${\xi }_n\sim \mathcal{N}(0,1)$ 是标准正态分布随机变量，用来模拟布朗运动的增量。

4. 结果输出：
   得到状态序列 { X t n } \{X_{t_n}\} {Xtn​​}。

---

优势与限制

优势

• 简单易用: 实现起来简单，适合初学者和小型系统。
• 灵活性: 可适配各种 SDE，尤其是具有复杂漂移或扩散项的方程。
• 低计算成本: 每一步计算量较小。

限制

• 精度有限: 由于仅使用欧拉方法的一阶展开，收敛速度较慢，误差为 $O(\Delta t)$。
• 稳定性较差: 对于刚性系统（stiff system）可能需要更稳定的数值方法（如Milstein方法）。

---

示例应用

以下是使用Euler-Maruyama方法求解一个简单SDE的例子：

示例问题

$d{X}_t=-X_{t}dt+\sigma d{W}_t$

• 漂移项 $f(X_t,t)=-X_t$。
• 扩散项 $g(X_t,t)=\sigma$。

代码实现

import numpy as np
import matplotlib.pyplot as plt

# 参数定义
T = 1.0           # 时间总长
N = 1000          # 时间步数
dt = T / N        # 步长
sigma = 0.2       # 扩散系数
x0 = 1.0          # 初始条件

# 初始化
t = np.linspace(0, T, N)
X = np.zeros(N)
X[0] = x0

# Euler-Maruyama迭代
for i in range(1, N):
    dW = np.sqrt(dt) * np.random.normal(0, 1)  # Wiener增量
    X[i] = X[i-1] - X[i-1] * dt + sigma * dW  # 更新状态

# 绘图
plt.plot(t, X, label="Euler-Maruyama Approximation")
plt.xlabel("Time")
plt.ylabel("X_t")
plt.legend()
plt.show()

---

在扩散模型中的应用

Euler-Maruyama方法在扩散模型中用于模拟时间反转的随机微分方程：
$d{X}_t=[f(X_t,t)]dt+g(t)d{W}_t$

通过离散化，可以生成数据从高噪声状态逐渐回归真实分布。这种方法广泛应用于：

• 图像生成: 如扩散模型（Diffusion Model）。
• 条件生成: 如根据给定条件生成特定样本。

通过调整漂移项和扩散系数，可适配不同的生成任务。