مرجع
آخر الزيارات

طريقة أويلر-ماروياما

544 كلمة•0 مشاهدة•🗒️ منذ يومين
باختصار: في حساب التفاضل والتكامل، تعد طريقة أويلر-ماروياما (وتسمى كذلك طريقة أويلر) طريقة للتحليل العددي التقريبي لمعادلة تفاضلية عشوائية (SDE). تجد هنا «t_end = 7»، «hold on;» و«return c_sigma» ضمن 16 قسماً.
المحتويات
  1. t_end = 7
  2. hold on;
  3. return c_sigma
  4. ys[0] = y_init
  5. end
  6. حيث
  7. c_sigma = 0.06
  8. محاكاة رقمية
  9. تطبيق الكمبيوتر
  10. numSims = 5; % display five runs
  11. y_init = 1; % Initial y condition
  12. y = ys[i-1]
  13. dW = random(pd);
  14. for j = 1:numSims
  15. طريقة ميلستين
  16. % random variable with mean 0 and

تعريفًا بالموضوع، في حساب التفاضل والتكامل، تعد طريقة أويلر-ماروياما (وتسمى كذلك طريقة أويلر) طريقة للتحليل العددي التقريبي لمعادلة تفاضلية عشوائية (SDE). إنه تعميم بسيط لطريقة أويلر للمعادلات التفاضلية العادية إلى المعادلات التفاضلية العشوائية. سميت بعد ليونارد أويلر وجيزيرو ماروياما . لسوء الحظ، لا يمكن إجراء نفس التعميم لأي طريقة حتمية اعتباطية. ونتناول فيما يلي مزيدًا من التفاصيل.

علاوةً على ذلك، مع الحالة الأولية X 0   =   x 0 ، حيث تشير W t إلى عملية فينر ، ونفترض أننا نرغب في حل المعادلة التفاضلية العشوائية هذه في فترة زمنية معينة [0 ،   T ]. ثم تقريب أويلر-ماروياما للحل الحقيقي X هو سلسلة ماركوف Y المحددة على النحو التالي:

علاوةً على ذلك، خذ المعادلة التفاضلية العشوائية (انظر حساب التفاضل والتكامل )

  • تقسيم الفاصل الزمني [0 ،   T ] إلى N فترات زمنية فرعية متساوية للعرض :
  • ضع Y 0   =   × 0 ؛
  • حدد بشكل متكرر Y n لـ بواسطة

t_end = 7

  • N = 1000 # Compute 1000 grid points
  • dt = float(t_end - t_init) / N
  • y_init = 0
  • c_theta = 0.7
  • c_mu = 1.5

hold on;

  • plot(ts, ys, 'o')
  • end
  • انظر كذلك

return c_sigma

  • def dW(delta_t):
  • """Sample a random number at each call."""
  • return np.random.normal(loc=0.0, scale=np.sqrt(delta_t))
  • ts = np.arange(t_init, t_end, dt)
  • ys = np.zeros(N)

ys[0] = y_init

  • for _ in range(num_sims):
  • for i in range(1, ts.size):
  • t = (i-1) * dt

end

figure(69)

حيث

من جهة ثانية، المتغيرات العشوائية Δ W n مستقلة ومتوزعة بشكل عشوائي مع القيمة المتوقعة صفر والتباين .

مثال

c_sigma = 0.06

  • def mu(y, t):
  • """Implement the Ornstein–Uhlenbeck mu.""" # = \theta (\mu-Y_t)
  • return c_theta * (c_mu - y)
  • def sigma(y, t):
  • """Implement the Ornstein–Uhlenbeck sigma.""" # = \sigma

محاكاة رقمية

إضافةً إلى ذلك، يصور الرسم معادلة تفاضلية عشوائية يتم حلها باستخدام مخطط أويلر. يتم عرض النظير الحتمية كذلك.

علاوةً على ذلك، المجال الذي استفاد بدرجة كبيرة من المعادلات التفاضلية العشوائية هو علم الأحياء أو علم الأحياء الرياضي بشكل أكثر دقة. هنا نما عدد المنشورات حول استخدام النموذج العشوائي ، حيث أن أغلب النماذج غير خطية ، تتطلب مخططات عددية.

تطبيق الكمبيوتر

  • import numpy as np
  • import matplotlib.pyplot as plt
  • num_sims = 5 # Display five runs
  • t_init = 3

علاوةً على ذلك، يطبق كود بايثون التالي طريقة أويلر-ماروياما ويستعملها لحل عملية أورنستين-أولينبيك المحددة بواسطة

إضافةً إلى ذلك، الأرقام العشوائية لـ يتم إنشاؤها باستخدام حزمة الرياضيات نمباي. # -*- coding: utf-8 -*-

numSims = 5; % display five runs

  • tBounds = [3 7]; % The bounds of t
  • N = 1000; % Compute 1000 grid points
  • dt = (tBounds(2) - tBounds(1)) / N ;

y_init = 1; % Initial y condition

علاوةً على ذلك، pd = makedist('Normal',0,sqrt(dt)); % Initialize the probability distribution for our

y = ys[i-1]

close all;

من جهة ثانية، plt.show ما يلي هو ببساطة ترجمة الرمز أعلاه إلى لغة برمجة ماتلاب: %% Initialization and Utility

ys[i] = y + mu(y, t) * dt + sigma(y, t) * dW(dt)

plt.plot(ts, ys)

clear all;

dW = random(pd);

ys(i) = y + mu .* dt + sigma .* dW;

for j = 1:numSims

  • for i = 2:numel(ts)
  • t = (i-1) .* dt;
  • y = ys(i-1);
  • mu = c(1) .* (c(2) - y);
  • sigma = c(3);

طريقة ميلستين

طريقة Runge – Kutta (SDE)

% random variable with mean 0 and

  • % stdev of sqrt(dt)
  • c = [0.7, 1.5, 0.06]; % the initial Theta, Mu, and Sigma, respectively
  • ts = linspace(tBounds(1), tBounds(2), N); % From t0-->t1 with N points
  • ys = zeros(1,N); % 1xN Matrix of zeros
  • ys(1) = y_init;
  • %% Computing the Process

ما رأيك في هذه المقالة؟

📝 هل في هذه المقالة خطأ؟

إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.