一. Euler-Lagrange方程
设
y
(
x
)
y(x)
y(x)是
[
a
,
b
]
[a,b]
[a,b]上的可微函数,一个重要的研究对象是简单泛函:
J
(
y
)
=
∫
a
b
F
(
x
,
y
,
y
′
)
d
x
J(y)=\int_a^bF(x,y,y')dx
J(y)=∫abF(x,y,y′)dx 其中
F
(
x
,
y
,
y
′
)
F(x,y,y')
F(x,y,y′)称为泛函的核,它是关于
x
,
y
,
y
′
x,y,y'
x,y,y′的一个函数。
变分法的主要问题就是计算泛函的极值问题:对于怎样的 y y y, 简单泛函 J ( y ) J(y) J(y) 取最大值?
假设
y
0
y_0
y0 使得
J
(
y
)
J(y)
J(y) 取最大值,那么对于任意函数
η
(
x
)
\eta(x)
η(x) 和任意小的数
ϵ
>
\epsilon >
ϵ>,有
J
(
y
0
)
≥
J
(
y
0
+
ϵ
η
)
J(y_0)\ge J(y_0+\epsilon\eta)
J(y0)≥J(y0+ϵη) 考虑到在两个端点的函数扰动为
0
0
0,我们假设
η
(
a
)
=
η
(
b
)
=
0
\eta(a)=\eta(b)=0
η(a)=η(b)=0。由于
y
0
y_0
y0 固定,对于任意函数
η
(
x
)
\eta(x)
η(x), 可以将
J
(
y
0
+
ϵ
η
)
J(y_0+\epsilon\eta)
J(y0+ϵη) 看作是
ϵ
\epsilon
ϵ 的函数:
T
(
ϵ
)
=
J
(
y
0
+
ϵ
η
)
T(\epsilon)=J(y_0+\epsilon\eta)
T(ϵ)=J(y0+ϵη),它在
ϵ
=
0
\epsilon=0
ϵ=0 处取得最大值,所以
∂
T
∂
ϵ
=
∫
a
b
(
∂
F
∂
x
⋅
0
+
∂
F
∂
y
⋅
η
+
∂
F
∂
y
′
⋅
η
′
)
d
x
=
0
\frac{\partial T}{\partial \epsilon}=\int_a^b\left(\frac{\partial F}{\partial x}\cdot 0 + \frac{\partial F}{\partial y}\cdot\eta + \frac{\partial F}{\partial y'}\cdot{\eta'}\right)dx=0
∂ϵ∂T=∫ab(∂x∂F⋅0+∂y∂F⋅η+∂y′∂F⋅η′)dx=0因此
∫
a
b
(
∂
F
∂
y
⋅
η
+
∂
F
∂
y
′
⋅
η
′
)
d
x
=
0
\int_a^b\left( \frac{\partial F}{\partial y}\cdot\eta + \frac{\partial F}{\partial y'}\cdot{\eta'}\right)dx=0
∫ab(∂y∂F⋅η+∂y′∂F⋅η′)dx=0
利用分部积分法
∫
a
b
∂
F
∂
y
′
⋅
η
′
d
x
=
∫
a
b
∂
F
∂
y
′
d
η
=
η
⋅
∂
F
∂
y
′
∣
a
b
−
∫
a
b
η
⋅
d
d
x
(
∂
F
∂
y
′
)
d
x
=
−
∫
a
b
η
⋅
d
d
x
(
∂
F
∂
y
′
)
d
x
\int_a^b \frac{\partial F}{\partial y'}\cdot{\eta'}dx=\int_a^b \frac{\partial F}{\partial y'}d\eta=\eta\cdot\frac{\partial F}{\partial y'}\Bigg|_a^b-\int_a^b\eta\cdot\frac{d}{dx}\left( \frac{\partial F}{\partial y'}\right)dx=-\int_a^b\eta\cdot\frac{d}{dx}\left( \frac{\partial F}{\partial y'}\right)dx
∫ab∂y′∂F⋅η′dx=∫ab∂y′∂Fdη=η⋅∂y′∂F∣∣∣∣∣ab−∫abη⋅dxd(∂y′∂F)dx=−∫abη⋅dxd(∂y′∂F)dx
因此,对任意函数
η
(
x
)
\eta(x)
η(x),有
∫
a
b
η
⋅
[
∂
F
∂
y
−
d
d
x
(
∂
F
∂
y
′
)
]
d
x
=
0
\int_a^b\eta\cdot\left[\frac{\partial F}{\partial y}- \frac{d}{dx}\left( \frac{\partial F}{\partial y'}\right)\right]dx=0
∫abη⋅[∂y∂F−dxd(∂y′∂F)]dx=0于是,我们便得到变分法中的Euler-Lagrange方程:
∂
F
∂
y
−
d
d
x
(
∂
F
∂
y
′
)
=
0
\frac{\partial F}{\partial y}- \frac{d}{dx}\left( \frac{\partial F}{\partial y'}\right)=0
∂y∂F−dxd(∂y′∂F)=0
二、Markov不等式和Chebyshev不等式
Markov不等式:设
X
X
X 为一非负随机变量,且
a
>
0
a>0
a>0,则
P
(
X
≥
a
)
≤
E
(
X
)
a
\mathbf{P}(X\ge a)\leq \frac{\mathbf{E}(X)}{a}
P(X≥a)≤aE(X)
Chebyshev不等式: 设随机变量
X
X
X 具有期望
E
(
X
)
=
μ
\mathbf{E}(X)=\mu
E(X)=μ,方差
D
(
X
)
=
σ
2
\mathbf{D}(X)=\sigma^2
D(X)=σ2,则对任意正数
ϵ
\epsilon
ϵ,以下不等式成立:
P
(
∣
X
−
μ
∣
≥
ϵ
)
≤
σ
2
ϵ
2
  
,
P
(
∣
X
−
μ
∣
<
ϵ
)
≥
1
−
σ
2
ϵ
2
\mathbf{P}(|X-\mu|\ge \epsilon)\leq\frac{\sigma^2}{\epsilon^2}\;,\qquad \mathbf{P}(|X-\mu|< \epsilon)\ge1-\frac{\sigma^2}{\epsilon^2}
P(∣X−μ∣≥ϵ)≤ϵ2σ2,P(∣X−μ∣<ϵ)≥1−ϵ2σ2
三、随机分布的二次逼近引理
假设随机变量 ξ \xi ξ 的均值为 ξ \xi ξ,标准方差为 σ 2 \sigma^2 σ2,[1] 中证明下面非常有趣的引理:
引理:给定固定的 y y y 和 μ , σ \mu, \sigma μ,σ,那么存在一个二次函数 Q ( ξ ) = α + β ξ + δ ξ 2 Q(\xi)=\alpha + \beta\xi + \delta\xi^2 Q(ξ)=α+βξ+δξ2 使得对任意 ξ ≥ 0 \xi\ge 0 ξ≥0 有 Q ( ξ ) ≤ min ( y , ξ ) Q(\xi) \leq \min(y,\xi) Q(ξ)≤min(y,ξ) 其中等式仅在两点 a a a 和 b b b 成立。此外,在 { a , b } \{a,b\} {a,b} 上存在一个二点分布,使得其均值和标准方差为 ξ \xi ξ 和 σ 2 \sigma^2 σ2。
Hiroshi 在 [2] 给出了一个变形,实际上是更强的结果,将
min
(
y
,
ξ
)
\min(y,\xi)
min(y,ξ) 替换为形如
Y
(
y
,
ξ
)
=
{
ξ
,
if
    
ξ
<
y
−
r
(
ξ
−
y
)
+
y
,
if
    
ξ
≥
y
Y(y,\xi)= \begin{cases} \xi ,& \text{if}\;\; \xi<y \\ -r(\xi-y)+y, & \text{if}\;\; \xi\ge y \end{cases}
Y(y,ξ)={ξ,−r(ξ−y)+y,ifξ<yifξ≥y 的函数。
参考文献
[1] Scarf et al., A min-max solution of an inventory problem, Studies in the Mathematical Theory of Inventory and Production,201-209 (1958)
[2] Hiroshi, A min-max solution of an inventory problem, (1959)