Euler-Maruyama方法

最新推荐文章于 2025-04-21 16:32:35 发布

朋也透william

最新推荐文章于 2025-04-21 16:32:35 发布

阅读量1.9k

点赞数 30

文章标签：深度学习扩散模型

本文链接：https://blog.csdn.net/weixin_44012667/article/details/144319271

版权

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：
$dX_t = f(X_t, t) \, dt + g(X_t, t) \, dW_t$

$X_t$ : 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。
$dW_t$ : Wiener过程（布朗运动）的增量，满足：
$dW_t \sim \mathcal{N}(0, dt)$

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）：
$\frac{dX_t}{dt} = f(X_t, t)$
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 $g(X_t, t)\,dW_t$ ：
$X_{t+\Delta t} \approx X_t + f(X_t, t) \Delta t + g(X_t, t) \Delta W_t$

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

初始化状态：
设初始条件 $X_0 = x_0$ 。
时间离散化：
将时间区间 $[0, T]$ 等分为 $N$ 个小步长：
$\Delta t = \frac{T}{N}, \quad t_n = n \Delta t, \quad n=0, 1, \dots, N-1$
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。
结果输出：
得到状态序列 ${X_{t_n}\}$ 。

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

$dX_t = -X_t \, dt + \sigma \, dW_t$

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()