变分法与固定端点动态优化

变分法与固定端点动态优化

目录

高级宏观经济学涉及到动态优化问题，解决动态优化问题的方法包括变分法(欧拉方程)，最优控制理论(变分法推广)以及动态规划(贝尔曼方程)。本文简单介绍了经济学中动态优化的事实、动态优化的类型以及固定端点类型的动态优化问题。预备知识：高等数学与最优化理论

1经济学中动态优化事实

1.1 Ramsey(1928)最优储蓄

问题1：设个人效用函数为$U=u(c)-v(L)$，$c$为消费，$L$为劳动供给。$k$为个人财富水平，$f(k,L)$表示$k$水平财富同时拥有$L$劳动供给所得到的收入水平，它决定了财富水平的增长率$\dot{k}$。如果人的生命无限长，目标函数为加总一生的效用水平最大化，应如何选择消费与劳动供给路径使得
$$\begin{array}{rl}\underset{c(t),k(t)}{\max }:& {\int }_0^{+\infty }[u(c(t))-v(L(t))]\mathrm{d}t,\\ & \\ s.t.:& \dot{k}=f(k,L)-c,k(0)=k_0\end{array}$$

---

1.2 Eisner and Strotz(1963)最优规模扩张

问题2：企业在$t$时期利润函数为$\pi (k)$，$k$资本存量，投资成本函数$C(\dot{k})$，资本利率水平$r$。企业如何选择最优投资路径使得所有期的利润贴现之和最大？即
$$\begin{array}{rl}\underset{k(t)}{\max }:& {\int }_0^{+\infty }[\pi (k(t))-C(\dot{k}(t))]\mathrm{d}t,\\ & \\ \text{ s.t. }:& k(0)=k_0\end{array}$$

---

1.3 Hotelling(1931)资源最优抽取

设某种资源总量为$S_0$，资源社会总需求$P(Q)$，$Q$资源供给量，$P$价格。社会供给为$Q$时，社会价值函数$V(Q)={\int }_0^{Q}P(x)dx$。资源采掘成本$C(Q)$，$t$时刻采掘$Q$产量资源社会净价值
$$N(Q)=V(Q)-C(Q)={\int }_0^{Q}P(x)\mathrm{d}x-C(Q)$$
设利率水平为$r$，该资源如何使社会总价值最大化
$$\begin{array}{rl}\underset{Q(t)}{\max }& {\int }_0^{t}N(Q(t)){\mathrm{e}}^{-rt}\mathrm{d}t,\\ \text{ s. t. }:& N(Q)={\int }_0^{Q}P(x)\mathrm{d}x-C(Q),{\int }_0^{t}Q(x)\mathrm{d}x=S_0\end{array}$$

---

2 动态优化一般形式

2.1一般形式

形如
$$\begin{array}{rl}& \underset{y(x)}{\max }\left(\underset{y(x)}{\min }\right):{\int }_{x_1}^{x_2}F\left(x,y,y^{\prime }\right)\mathrm{d}x,\\ & \\ & \text{ s.t. }:f\left(x,y,y^{\prime }\right)=0;y\left(x_1\right)=y_1,y\left(x_2\right)=y_2\end{array}$$

• 自变量$x$:在经济学中一般为$t$；
• 可选择变量或路径$y(x)$:在经济学中称为时间路径$y(t)$。
• 对于每一时刻$t$，$y$为状态变量$y^{\prime }$为控制变量
• 单期目标函数：积分里的函数$F$，它是单期目标值同$x$，$y,y^{\prime }$之间的函数关系。
• 约束条件：即$f(x,y,y^{\prime })=0$对选择路径进行约束;
• 边界条件：函数$y$的端点值。

---

2.2 特点

• 目标函数是函数的函数，即泛函。目标函数值取决于函数形式
• 被选择的是一个函数，不是向量。这区别于静态优化

---

2.3 目标泛函形式

• 一般形式或标准形式

$$\{\begin{array}{l}V(y)={\int }_{t_1}^{t_2}F(t,y(t),\dot{y}(t))\mathrm{d}t\\ \\ V(y)={\int }_{t_1}^{t_2}F(t,y(t),\dot{y}(t),z(t),\dot{z}(t))\mathrm{d}t\end{array}$$

• 迈耶问题

$$\{\begin{array}{l}V(y)=G(T,y(T))\\ \\ V(y)=G(T,y(T),z(T))\end{array}$$

• 博尔扎问题

$$\{\begin{array}{l}V(y)={\int }_0^{T}F(t,y,\dot{y})\mathrm{d}t+G(T,y(T))\\ \\ V(y)={\int }_0^{T}F(t,y,\dot{y},z,\dot{z})\mathrm{d}t+G(T,y(T),z(T))\end{array}$$

• 双重积分问题

$$V(y,z)={\int }_{s_1}^{s_1}{\int }_{t_1}^{t_2}F\left(t,s,,y(t,s)y_t(t,s),y_s(t,s)\right)\mathrm{d}t\mathrm{d}s$$

• 高阶导数问题

$$\{\begin{array}{l}V(y)={\int }_0^{T}F(t,y(t),\dot{y}(t),\ddot{y}(t))\mathrm{d}t\\ \\ V(y)={\int }_0^{T}F\left(t,y(t),\dot{y}(t),\ddot{y}(t),\cdots ,y^{(n)}(t)\right)\mathrm{d}t\end{array}$$

---

2.4 边界约束条件

• 固定端点

• 垂直终结性条件

• 水平终结性条件

• 终结性曲线

• 截断垂直性终结

• 阶段水平性终结

  以上六种边界约束分别对应下图

---

2.5 非边界约束条件

• 无任何约束条件；
• 应变量代数等式约束$y=\tau (t,z)$；
• 微分等式约束非边界约束条件$g(t,y,\dot{y})=0$
• 不等式约束方程非边界约束条件$g(t,y,\dot{y})\ge (\le )0$；
• 等周问题的非边界约束条件${\int }_{t_1}^{t_2}g(t,y,\dot{y})\mathrm{d}t=L$

---

3 固定端点动态优化

形式：
$$\begin{array}{r}\underset{x(t)}{\max }{\int }_{t_1}^{t_2}F(t,x(t),\dot{x}(t))\mathrm{d}t,\\ \\ \text{ s.t. : }x\left(t_1\right)=x_1,x\left(t_2\right)=x_2\end{array}$$

---

3.1 一阶必要条件：欧拉公式

设$x^{\ast }(t)$为为最优解则
$$\{\begin{array}{l}{x}^{\ast }(t_1)=x(t_1)=x_1;\\ \\ x^{\ast }(t_2)=x(t_2)=x_2;\end{array}$$
定义变差$h(t)$
$$\{\begin{array}{l}h(t)=x(t)-x^{\ast }(t)\\ \\ h(t_1)=h(t_2)=0\end{array}$$
如果$x(t)=x^{\ast }(t)+h(t)$是可行的，则$h(t)$是一条可行变分；对$\forall R$，
$$\{\begin{array}{l}y(t)=x^{\ast }(t)+ah(t)\\ y\left(t_1\right)=x_1\\ y\left(t_2\right)=x_2\end{array}$$
仍然可行。若$x^{\ast }(t)$与$h(t)$固定，则目标泛函为$a$的函数
$$\begin{array}{rl}g(a)& ={\int }_{t_1}^{t_2}F(t,y(t),\dot{y}(t))\mathrm{d}t\\ & \\ & ={\int }_{t_1}^{t_2}F\left(t,x^{\ast }(t)+ah(t),{\dot{x}}^{\ast }(t)+a\dot{h}(t)\right)\mathrm{d}t\end{array}$$
因为$x^{\ast }(t)$为最优值，则对$\forall h(t)$，$g^{\prime }(a){|}_{a=0}=0$。由于
$$\begin{array}{rl}{g}^{\prime }(a)& ={\int }_{t_1}^{t_2}[\mathrm{d}F(t,y(t),\dot{y}(t))/\mathrm{d}a]\mathrm{d}t\\ & \\ & ={\int }_{t_1}^{t_2}\left[h(t)F_x(t,y(t),\dot{y}(t))+\dot{h}(t)F_{\dot{x}}(t,y(t),\dot{y}(t))\right]\mathrm{d}t\end{array}$$
故
$$\begin{array}{rl}{g}^{\prime }(0)& ={\int }_{t_1}^{t_2}\left[h(t)F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)+\dot{h}(t)F_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)\right]\mathrm{d}t\\ & \\ & ={\int }_{t_1}^{t_2}\left[h(t)F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)\right]\mathrm{d}t+{\int }_{t_1}^{t_2}\left[F_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)\right]\mathrm{d}h(t)\\ & \\ & ={\int }_{t_1}^{t_2}\left[h(t)F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)\right]\mathrm{d}t+{h(t)F_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)|}_{t_1}^{t_2}-{\int }_{t_1}^{t_2}h(t)\mathrm{d}\left(F_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)\right)\\ & \\ & ={\int }_{t_1}^{t_2}\left[h(t)\left(F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)-\mathrm{d}{F}_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)/\mathrm{d}t\right)\right]\mathrm{d}t\end{array}$$
因此，若$x^{\ast }(t)$为最优解，则对于$\forall h(t)$都有
$${\int }_{t_1}^{t_2}\left[h(t)\left(F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)-\mathrm{d}{F}_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)/\mathrm{d}t\right)\right]\mathrm{d}t=0$$
借助如下面引理，则可推出一阶条件欧拉公式：

A1：设$\phi (t)$在$[t_0,t_1]$上连续，对于任意在$[t_0,t_1]$上连续的函数$h(t)$，且$h(t_0)=h(t_1)=0$，都有
$${\int }_{t_0}^{t_1}[h(t)\phi (t)]\mathrm{d}t=0$$

根据引理A1，得到著名的欧拉公式：
$$F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)=\mathrm{d}{F}_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)/\mathrm{d}t$$

---

3.2 二阶必要条件：勒让德条件

$x^{\ast }(t)$取最值，则意味着对于任意可行的$h(t)$都有$g^{\prime }(a){|}_{a=0}=0$。当$g^{\prime \prime }(0)\le 0$为最大值；当$g^{\prime \prime }(0)\ge 0$为最小值。
$$\begin{array}{rl}{g}^{\prime \prime }(a)=& {\int }_{t_1}^{t_2}\left[\frac{\mathrm{d}{F}_x(t,y,\dot{y})}{\mathrm{d}a}h(t)+\frac{\mathrm{d}{F}_{\dot{x}}(t,y,\dot{y})}{\mathrm{d}a}\dot{h}(t)\right]\mathrm{d}t\\ & \\ =& {\int }_{t_1}^{t_2}[F_{xx}(t,y,\dot{y})(h(t){)}^2+2F_{\dot{x}x}(t,y,\dot{y})h(t)\dot{h}(t)+F_{\dot{x}\dot{x}}(t,y,\dot{y})(\dot{h}(t){)}^2]\mathrm{d}t\end{array}$$
故
$$\begin{array}{rl}{g}^{\prime \prime }(0)=& {\int }_{t_1}^{t_2}[F_{xx}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)(h(t){)}^2+2F_{\dot{x}x}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)h(t)\dot{h}(t)+F_{\dot{x}\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)(\dot{h}(t){)}^2]\mathrm{d}t\end{array}$$
又
$$\begin{array}{rl}& {\int }_{t_1}^{t_2}\left[2F_{\dot{x}x}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)h(t)\dot{h}(t)\right]\mathrm{d}t\\ & \\ =& {\int }_{t_1}^{t_2}{F}_{\dot{x}x}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)\mathrm{d}(h(t){)}^2\\ & \\ =& {(h(t){)}^2{F}_{\dot{x}x}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)|}_{t_1}^{t_2}-{\int }_{t_1}^{t_2}(h(t){)}^2\frac{\mathrm{d}{F}_{\dot{x}x}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)}{\mathrm{d}t}\mathrm{d}t\\ & \\ =& -{\int }_{t_1}^{t_2}(h(t){)}^2\frac{\mathrm{d}{F}_{\dot{x}x}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)}{\mathrm{d}t}\mathrm{d}t\end{array}$$
故
$$g^{\prime \prime }(0)={\int }_{t_1}^{t_2}\left\{\left[F_{xx}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)-\frac{\mathrm{d}{F}_{\dot{x}x}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)}{\mathrm{d}t}\right](h(t){)}^2+F_{\dot{x}\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)(\dot{h}(t){)}^2\right\}\mathrm{d}t$$

---

对于动态优化问题，
$$\begin{array}{r}\underset{x(t)}{\max }{\int }_{t_1}^{t_2}F(t,x(t),\dot{x}(t))\mathrm{d}t,\\ \\ \text{ s.t. : }x\left(t_1\right)=x_1,x\left(t_2\right)=x_2\end{array}$$
必要条件为

• 一阶条件欧拉方程

$$F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)=\mathrm{d}{F}_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)/\mathrm{d}t$$

• 二阶条件勒让德条件

$$\begin{array}{rl}& F_{\dot{x}\dot{x}}\left(t,x^{\ast }(t),{\dot{x}}^{\ast }(t)\right)⩽0,\forall t\in \left[t_1,t_2\right],\text{ 如果 }{x}^{\ast }(t)\text{ 是最大值解 };\\ & F_{\dot{x}\dot{x}}\left(t,x^{\ast }(t),{\dot{x}}^{\ast }(t)\right)⩾0,\forall t\in \left[t_1,t_2\right],\text{ 如果 }{x}^{\ast }(t)\text{ 是最小值解。 }\end{array}$$

• 边界条件

$$x\left(t_1\right)=x_1,x\left(t_2\right)=x_2$$

---

3.3 最优路径充分条件

对于动态优化问题
$$\begin{array}{r}\underset{x(t)}{\max }{\int }_{t_1}^{t_2}F(t,x(t),\dot{x}(t))\mathrm{d}t,\\ \\ \text{ s.t. : }x\left(t_1\right)=x_1,x\left(t_2\right)=x_2\end{array}$$
若函数$F(t,x(t),\dot{x}(t))$关于$x(t)$与$\dot{x}(t)$是凹函数，且$x^{\ast }(t)$满足

• 欧拉方程：$F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)=\mathrm{d}{F}_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)/\mathrm{d}t$

• 边界条件：$x\left(t_1\right)=x_1,x\left(t_2\right)=x_2$

则$x^{\ast }(t)$为该优化问题的最大值；

若函数$F(t,x(t),\dot{x}(t))$关于$x(t)$与$\dot{x}(t)$是凸函数，且$x^{\ast }(t)$满足

• 欧拉方程：$F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)=\mathrm{d}{F}_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)/\mathrm{d}t$

• 边界条件：$x\left(t_1\right)=x_1,x\left(t_2\right)=x_2$

则$x^{\ast }(t)$为该优化问题的最小值；

---

4 例子

求解如下最优化
$$\underset{x(t)}{\min }:{\int }_0^{\mathrm{T}}(\dot{x}(t){)}^2\mathrm{d}t,\text{ s.t. }:x(0)=0,x(T)=\mathrm{B}$$
其中$T,B$已知。

解：根据欧拉公式有
$$\begin{array}{rl}& \mathrm{d}{F}_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)/\mathrm{d}t=F_x\left(t,x^{\ast },{\dot{x}}^{\ast }\right)=0\\ & \\ & \iff F_{\dot{x}}\left(t,x^{\ast },{\dot{x}}^{\ast }\right)=2\dot{x}(t)=C_1\\ & \\ & \iff x(t)=C_{1}t+C_2\end{array}$$
根据边界条件得到
$$x^{\ast }(t)=Bt/T,C_1=Bt/T,C_2=0$$
二阶条件
$$F_{\dot{x}\dot{x}}=2>0$$
故$x^{\ast }(t)=Bt/T$为最小值解

根据充分条件
$$F_{xx}=F_{\dot{x}x}=0,F_{\dot{x}\dot{x}}=2>0$$
故$F$是关于$x(t)$与$\dot{x}(t)$的凸函数，所求解为最小值解。

---

-END-

参考文献

王弟海 . 经济学中的优化方法 [M]. 清华大学出版社,2012