Full history recursive multilevel Picard approximations suffer from the curse of dimensionality for the Hamilton-Jacobi-Bellman equation of a stochastic control problem
本文证明全历史递归多层Picard逼近在处理随机控制理论中具有局部Lipschitz非线性的Hamilton-Jacobi-Bellman方程时,会遭遇维度灾难。
2025-06-30 cs.NA math.NA
A convergent adaptive finite element stochastic Galerkin method based on multilevel expansions of random fields
提出一种基于随机场多水平展开的自适应随机伽辽金有限元方法,通过稀疏乘积多项式展开和独立网格细化,实现均匀误差缩减,并保证细化过程的饱和性质,数值实验验证了有效性。
2025-03-27 cs.NA math.NA
Multilevel Picard approximations for McKean-Vlasov stochastic differential equations
文献中已有计算量为$3$阶的McKean-Vlasov随机微分方程的逼近方法。本文介绍McKean-Vlasov随机微分方程的全历史递归多层Picard(MLP)逼近。我们证明,这些MLP近似的计算工作量的顺序$2+$,这是本质上最佳的高维。
2021-03-19 cs.NA math.NA math.PR
A fully adaptive multilevel stochastic collocation strategy for solving elliptic PDEs with random data
我们提出并分析了一个完全自适应的策略,解决椭圆型偏微分方程的随机数据在这项工作中。一个层次序列的自适应网格细化的空间近似相结合的自适应各向异性稀疏的Scorpak网格在随机空间中的方式,以尽量减少计算成本。我们的策略的新颖之处在于,空间近似的层次结构是样本相关的,因此每个配置点的计算工作量可以单独优化。我们概述了一个严格的分析的自适应多级算法的收敛性和计算复杂性,我们提供了最佳的选择,在每个级别的误差容限。两个数值例子证明了差错控制的可靠性和显着降低的复杂性时,出现相比,单级算法和多级算法,采用自适应性只在空间离散化或配置过程。
2019-12-04 cs.NA math.NA
Error estimation and adaptivity for stochastic collocation finite elements Part II: multilevel approximation
本文提出了一种求解线性椭圆型偏微分方程的多级自适应加密策略。该策略扩展了Guignard和Neclique在2018年引入的后验误差估计框架(SIAM J. Numer. Anal,56,3121 - 3143)来覆盖具有非仿射参数系数依赖性的问题。一个次优的,但仍然可靠和方便的实施策略涉及近似的解耦PDE问题与一个共同的有限元近似空间。使用这种单级策略获得的计算结果在本工作的第一部分中给出(Bespalov,Silvester和Xu,arXiv:2109.07320)。本文讨论了使用可能更有效的多级近似策略获得的结果,其中网格是单独定制的。用于生成数值结果的代码可在线获得。
2022-02-17 cs.NA math.NA
Multilevel Stochastic Gradient Descent for Risk-Averse PDE-Constrained Optimization
Heidelberg University(海德堡大学);Johann Radon Institute for Computational and Applied Mathematics(约翰·拉多纳计算与应用数学研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Politecnico di Torino(都灵理工大学)
提出多级随机梯度下降算法求解风险规避三维PDE约束优化问题,利用自适应多级蒙特卡洛梯度估计,相比标准批处理方法具有更优收敛速度和计算复杂度。
2026-06-23 cs.NA math.NA math.OC
A Multilevel Approach for Trace System in HDG Discretizations
我们提出了一个多层方法的混合间断Galerkin(HDG)方法的轨迹系统。其关键是融合了嵌套剖分、区域分解和HDG离散的高阶特性的思想。具体来说,我们首先通过消除和/或限制嵌套剖分中的前沿生长来创建粗略求解器。这是通过将轨迹数据投影到一组逐渐变粗的$h-$边缘/面上的相同或高阶多项式序列中来实现的。然后,我们将粗求解器与块雅可比精细尺度求解器相结合,形成两级求解器/预处理器。数值实验表明,所得到的两级求解器/预处理器的性能只取决于光滑的解决方案,是独立的考虑中的PDE的性质。虽然所提出的算法是在HDG框架内开发的,但它们也适用于其他混合(化)高阶有限元法。此外,我们表明,我们的多级算法可以被解释为一个多重网格方法与特定的网格间传输和平滑算子。通过泊松方程、纯输运方程和对流-扩散方程的数值算例,我们证明了算法的鲁棒性和可扩展性。
2019-03-26 cs.CE cs.NA math.NA
Multilevel Double Loop Monte Carlo and Stochastic Collocation Methods with Importance Sampling for Bayesian Optimal Experimental Design
一个最佳的实验设置最大限度地提高数据的价值,统计推断和预测。寻找最佳实验设置的策略的效率对于耗时或昂贵的实验尤为重要。例如,在实验由偏微分方程(PDE)建模的情况下,多层方法已被证明在估计期望值时显著降低其单级对应物的计算复杂性。对于偏微分方程可以模拟实验的设置,我们提出了两个多层方法来估计一个流行的设计标准,称为预期的信息增益在基于模拟的贝叶斯最优试验设计。期望信息增益准则是一种嵌套的期望形式,只有少数多层方法已被提出用于这种形式的问题。我们提出了一个多级双环蒙特卡罗(MLDLMC),这是一个多层次的策略与双环蒙特卡罗(DLMC),和一个多级双环随机配置(MLDLSC),它执行一个高维的积分稀疏网格上的确定性求积。对于这两种方法,拉普拉斯近似用于重要性抽样,大大减少了估计内部期望的计算工作。方法参数的最优值通过最小化平均计算工作来确定,服从于满足期望的误差容限。的计算效率的方法证明,通过估计预期的信息增益贝叶斯推断的纤维取向的复合材料层压材料从电阻抗断层扫描实验。MLDLSC表现优于MLDLMC时,感兴趣的量的规律性,相对于加性噪声和未知参数,可以利用。
2020-02-03 cs.NA math.NA
Goal-oriented adaptivity for multilevel stochastic Galerkin FEM with nonlinear goal functionals
University of Birmingham(伯明翰大学);TU Wien(维也纳工业大学);University of Bologna(博洛尼亚大学)
本文提出一种目标导向自适应算法,结合多层随机Galerkin有限元方法,用于高效逼近参数化椭圆PDEs解的非线性目标泛函,并证明误差估计收敛到零。
2025-10-07 cs.NA math.NA
Random Bit Multilevel Algorithms for Stochastic Differential Equations
University of Oxford(牛津大学);Technische Universität Kaiserslautern(凯泽斯劳滕工业大学)
本文研究了使用仅随机比特而非随机数的受限蒙特卡洛算法近似随机微分方程解的期望值及函数的最坏情况设定,构造了随机比特多级欧拉算法并建立了误差和成本的上界,同时推导了适用于所有随机比特蒙特卡洛算法的下界,证明了随机比特蒙特卡洛算法在给定的积分问题中至少与通用随机算法同样强大。
2019-01-18 cs.NA math.NA
Multilevel quasi-Monte Carlo for random elliptic eigenvalue problems I: Regularity and error analysis
随机PDE本征值问题是用于量化来自物理科学和工程的若干应用中的不确定性的有用模型,例如,结构振动分析,核反应堆或光子晶体结构的临界性。本文提出了一种多层拟蒙特卡罗方法(MLQMC)来逼近系数为可数个随机参数的级数展开式的椭圆型本征值问题的最小特征值的期望. MLQMC算法是基于空间域的离散化和随机参数域的维度截断的层次结构。为了近似的期望,随机移位的晶格规则。本文主要致力于对该算法的误差进行严格的分析。误差分析的一个关键步骤是同时确定特征函数关于随机变量和空间变量的混合导数的界。在更强的光滑性假设下,我们的分析也扩展到多级高阶拟蒙特卡罗方法规则。一个附带的文件[吉尔伯特和Scheichl,2022年],侧重于MLQMC算法的实际扩展,以提高效率,并提出了数值结果。
2022-10-06 cs.NA math.NA
Deflated Multigrid Multilevel Monte Carlo
在格点QCD中,离散狄拉克算符的逆的迹出现在对可观测量的不连通费米子环贡献中。随着模拟方法越来越精确,这些贡献变得越来越重要。因此,我们在这里考虑计算迹$\mathrm{tr}(D^{-1})$的问题,其中$D$是狄拉克算子。Hutchinson方法经常用于随机估计矩阵函数的迹,它将迹近似为$x^{H} D^{-1} x$形式的估计的平均值,其中矢量$x$的项遵循一定的概率分布。对于$N$样本,准确度为$\mathcal{O}(1/\sqrt{N})$。在最近的工作中,我们引入了多重网格多级蒙特卡罗:有一个多重网格层次与运营商$D_{\ell}$,$P_{\ell}$和$R_{\ell}$,为水平$\ell$,我们可以重写轨迹$\mathrm{tr}(D^{-1})$通过伸缩和不同的水平,写在上述运营商和减少方差。我们已经看到,相对于完全收缩的哈钦森,方差和总功显著减少。在这项工作中,我们将探索使用精确的通货紧缩结合多重网格多级蒙特卡罗方法,并演示如何这导致算法和计算增益。
2022-11-28 cs.NA hep-lat math.NA
Multilevel Picard approximations for McKean-Vlasov stochastic differential equations with nonconstant diffusion
Nanyang Technological University(南洋理工大学);Bielefeld University(比勒费尔德大学);ETH Zurich(苏黎世联邦理工学院)
本文提出了一种多级皮卡近似法用于求解具有非常数扩散系数的麦肯-瓦尔萨夫随机微分方程,在标准Lipschitz条件下,证明该方法在L²意义下近似解,且计算成本随维度和误差容忍度的倒数呈多项式增长。
2026-06-04 cs.NA math.NA math.PR
Algebraic Multilevel Methods for Markov Chains
本文提出一种新的代数多级算法,用于计算列随机矩阵的第二特征向量,采用多级聚合框架中的消元方法和平方扩展技术,展现良好的收敛性。
2017-12-30 cs.NA math.NA
A multilevel stochastic regularized first-order method with application to finite sum minimization
ISTI–CNR(意大利国家研究委员会信息系统技术研究所);ENS de Lyon, Univ Lyon, UCBL, CNRS, Inria, LIP(里昂高等师范学院,里昂大学,里昂第一大学,法国国家科学研究中心,法国国家计算机科学与自动化研究所,计算与交互实验室)
本文提出了一种多级随机正则化一阶方法,用于解决非凸无约束优化问题,通过分层描述和随机模型实现更高效的收敛和计算。
2025-11-26 cs.NA math.NA math.OC
Multilevel Iteration Method for Binary Stochastic Transport Problems
North Carolina State University(北卡罗来纳州立大学)
本文提出一种用于求解二元随机混合中线性粒子输运问题的迭代方法,基于非线性投影方法,通过多级方程体系和V循环迭代算法实现高效求解。
2021-04-02 cs.NA math.NA physics.comp-ph
Multilevel approximation of backward stochastic differential equations
Humboldt Universität zu Berlin(柏林洪堡大学);Ecole Polytechnique(巴黎综合理工学院)
本文提出一种多级方法用于求解反向随机微分方程的近似解,通过构造序列鞅控制变差来减少统计近似误差,理论分析显示该方法将计算复杂度降低一个数量级,实验验证了方法的有效性。
2014-12-09 cs.NA math.NA math.PR
Multilevel Picard approximations for McKean-Vlasov stochastic differential equations with jumps
Nanyang Technological University(南洋理工大学);Bielefeld University(比勒费尔德大学);ETH Zurich(苏黎世联邦理工学院)
该研究针对带跳的McKean-Vlasov SDE提出MLP近似方法,证明其无维数灾难,计算成本呈多项式增长,且在维数达200的数值实验中验证了实用性。
2026-10-09 cs.NA math.NA math.PR
A multilevel adaptive reaction-splitting simulation method for stochastic reaction networks
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出了一种多级蒙特卡洛方法,用于随机反应网络的动力学仿真,通过自适应划分反应通道为高活性和低活性子集,以降低计算误差并提高效率。
2014-06-08 cs.NA math.NA
Multilevel Hybrid Split-Step Implicit Tau-Leap
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对具有快慢时间尺度的生物化学反应系统,本文提出了一种高效的多级蒙特卡洛方法,利用分裂步隐式τ跃迁在数值稳定性不足时进行模拟,通过数值示例展示了方法的性能。
2016-04-22 cs.NA math.NA
Stochastic finite differences and multilevel Monte Carlo for a class of SPDEs in finance
Oxford-Man Institute of Quantitative Finance and Mathematical Institute, University of Oxford(牛津大学牛津人量化金融研究所与数学研究所)
针对描述大粒子系统的随机偏微分方程,提出Milstein有限差分格式,证明其在无界域上时间一阶、空间二阶收敛且对边界数据稳定,并通过多层路径模拟显著降低计算复杂度,应用于篮子信用衍生品。
2012-04-06 cs.NA math.NA q-fin.CP
Multilevel Stochastic Gradient Descent for Optimal Control Under Uncertainty
提出一种多层随机梯度下降法,用于求解受不确定输入数据影响的偏微分方程最优控制问题,通过并行多层蒙特卡洛估计随机梯度,实现线性收敛并显著优于标准随机梯度下降法。
2026-06-23 cs.MS cs.NA math.NA
A Multilevel, Hierarchical Sampling Technique for Spatially Correlated Random Fields
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);University of Texas, Austin(德克萨斯大学奥斯汀分校)
本文提出了一种生成空间相关随机场样本的替代方法,用于大规模问题的不确定性传播。该方法通过多级分解随机场,结合混合有限元形式的随机反应扩散方程,实现可扩展的分层采样。
2017-03-24 cs.NA math.NA
A Multilevel Block Preconditioner for the HDG Trace System Applied to Incompressible Resistive MHD
针对不可压缩电阻磁流体动力学(MHD)高阶杂交间断Galerkin(HDG)离散化后的迹系统,提出了一种可扩展的块预处理策略。我们构建了块预条件与最小二乘换向器(BFBT)近似的舒尔补的逆隔离出的压力未知的跟踪系统。剩余的速度,磁场,和拉格朗日乘子未知数形成一个耦合的节点未知块(上块),系统代数多重网格(AMG)用于近似逆。MHD方程的复杂性以及静态凝聚HDG跟踪系统的代数性质使得系统AMG部分中平滑器的选择对于块预条件子的收敛性和性能至关重要。我们的数值实验表明,GMRES预处理的ILU(0)重叠零作为一个平滑内部系统AMG表现最好的鲁棒性,每次非线性迭代的时间和内存需求。通过几个二维和三维瞬态测试案例,包括高Lundquist数下的孤岛合并问题,我们证明了块预处理器的鲁棒性和并行可扩展性。此外,对于上层块的交替节点块系统求解器的多层近似嵌套剖分的基础上进行了初步研究。在一个2D的岛屿合并问题的多级近似嵌套解剖预处理显示出更好的可扩展性,相对于网格细化比系统AMG,但相对较弱的鲁棒性Lundquist数缩放。
2020-12-14 cs.NA math.NA physics.comp-ph
A multilevel adaptive sparse grid stochastic collocation approach to the non-smooth forward propagation of uncertainty in discretized problems
Institute of Mechanics and Computational Mechanics (IBNM) Gottfried Wilhelm Leibniz Universität Hannover(汉诺威莱布尼茨大学机械与计算力学研究所)
本文提出了一种结合自适应分层稀疏网格随机配方法与逐级更细的空间离散化方法,以显著降低离散问题中非光滑不确定性正向传播的计算复杂度。
2015-09-04 cs.NA math.NA physics.comp-ph
Quantum-accelerated multilevel Monte Carlo methods for stochastic differential equations in mathematical finance
受常微分方程和偏微分方程量子算法最新进展的启发,我们研究了随机微分方程的量子算法。首先,我们提供了一个量子算法,给出了一个二次加速多级蒙特卡罗方法在一般设置。作为应用,我们将其应用于计算期望值确定的经典解的随机微分方程,改善了精度的依赖。我们演示了使用该算法在各种应用中产生的数学金融,如布莱克-斯科尔斯和本地波动率模型,和希腊人。我们还提供了一个基于次线性二项抽样的量子算法的二项式期权定价模型具有相同的改进。
2021-06-22 cs.NA math.NA q-fin.CP
Multilevel Monte Carlo for stochastic differential equations with small noise
University of Wisconsin, Madison(威斯康星大学麦迪逊分校);University of Strathclyde(思克莱德大学)
本文研究了小噪声环境下随机微分方程解期望的数值估计问题,比较了标准蒙特卡洛方法与多层蒙特卡洛方法的效率,发现后者在多种缩放情况下具有与理想情况相同的渐进行为。
2015-06-04 cs.NA math.NA math.PR
Improved Efficiency of Multilevel Monte Carlo for Stochastic PDE through Strong Pairwise Coupling
多层蒙特卡罗(MLMC)已成为应用数学中减少弱近似计算量的一种重要方法。对于许多问题,众所周知的是,需要在多级层次中的数值解的强成对耦合来获得效率增益。在这项工作中,我们表明,强成对耦合确实也很重要时(MLMC)应用于随机反应扩散型偏微分方程(SPDE),因为它可以提高收敛速率,从而提高易处理性。对于在[{ \it]中开发并在滤波问题上数值研究的具有强成对耦合的(MLMC)方法,编号。数学、147(2021),71-125}],我们证明了计算效率的比率高于现有方法。我们还提供了线性和非线性SPDE的替代耦合思想的数值比较,以说明这一功能的重要性。
2022-10-10 cs.CC cs.NA math.NA
Multilevel Picard approximations for high-dimensional decoupled forward-backward stochastic differential equations
倒向随机微分方程(BSDEs)有着广泛的应用.经典的近似方法受到维数灾难的影响,基于深度学习的近似方法并不收敛于贝叶斯解。最近,Hutzenthaler等人(arXiv:2108.10602)针对前向扩散为布朗运动的倒向随机微分方程引入了一种新的逼近方法,并证明了该方法以本质上最优的速度收敛,而不会受到维数灾难的影响。本文的中心目标是将这一结果推广到一般的前向扩散。主要的挑战是,我们需要在时空Hölder范数中建立收敛,因为前向扩散一般不能精确采样。
2022-04-18 cs.NA math.AP math.NA
Bayesian Deep Learning with Multilevel Trace-class Neural Networks
本文利用迹类神经网络先验的强收敛性,将多层蒙特卡洛方法引入贝叶斯深度神经网络推断,以最优计算复杂度近似后验期望,并通过回归、分类和强化学习实验验证其有效性。
2025-05-04 cs.NA math.NA stat.CO
Multilevel Sparse Grid Methods for Elliptic Partial Differential Equations with Random Coefficients
Florida State University(佛罗里达州立大学)
本文提出多级稀疏网格方法,用于高效处理具有随机系数的椭圆偏微分方程,通过减少计算成本实现高精度模拟。
2014-04-08 cs.NA math.NA
A multilevel stochastic-gradient neural solver for boundary integral equations
National Chung Cheng University(国立中正大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出一种多层随机梯度神经求解器,通过逐步细化求积网格训练多层感知机,利用神经正切核谱分析和多网格思想克服频谱偏差,实现高效求解第二类边界积分方程。
2026-10-20 cs.NA math.NA
Multilevel Monte Carlo methods for stochastic convection-diffusion eigenvalue problems
本文提出多层蒙特卡洛方法高效估计随机对流扩散特征值问题的最小特征值期望,结合有限元离散、RQ/IRA求解器及网格层次加速,并通过流线迎风Petrov-Galerkin和同伦法增强稳定性,数值实验验证其复杂度优于普通蒙特卡洛。
2024-02-12 cs.NA math.NA
Multilevel coarse graining and nano--pattern discovery in many particle stochastic systems
University of Delaware(特拉华大学);University of Massachusetts at Amherst(马萨诸塞大学阿默斯特分校);University of Crete(克里特大学);Foundation of Research and Technology-Hellas(希腊研究与技术基金会)
提出一种分层蒙特卡洛方法,通过耦合粗粒和微观状态空间,高效采样具有短程和长程相互作用的随机晶格系统的平衡性质,并显著降低计算成本。
2011-09-02 cs.NA math.NA physics.comp-ph
Divergence of the multilevel Monte Carlo Euler method for nonlinear stochastic differential equations
University of Munich (LMU)(慕尼黑大学);Princeton University(普林斯顿大学);Goethe University Frankfurt am Main(法兰克福歌德大学)
本文发现多层蒙特卡洛欧拉方法在非线性随机微分方程中发散,而经典蒙特卡洛方法收敛,并提出结合驯化欧拉方法以恢复收敛性。
2013-09-10 cs.NA math.NA math.PR
Importance sampling for a robust and efficient multilevel Monte Carlo estimator for stochastic reaction networks
连续时间马尔可夫链的多层蒙特卡罗(MLMC)方法,首先由Anderson和Higham(SIAM多尺度模型)提出。你好10(1),2012)是一种高效的模拟技术,可用于估计随机反应网络(SRN)的各种统计量,特别是随机生物系统。不幸的是,多层方法的鲁棒性和性能会受到高峰度的影响,高峰度是在MLMC的深层观察到的现象,这导致对样本方差的不准确估计。在这项工作中,我们解决的情况下,高峰度现象是由于\textit {灾难性的耦合(纯跳跃过程的特性,耦合连续路径是相同的,在大多数的模拟,而差异只出现在一个很小的比例),并引入了一个路径依赖的重要性采样(IS)技术,提高了鲁棒性和效率的多层方法。我们的理论结果,以及进行的数值实验表明,我们提出的方法显着降低了峰度的MLMC的深层次,也提高了强收敛速度从$β=1$的标准情况下(没有IS),$β=1+δ$,其中$0<δ<1$是用户选择的参数,在我们的IS算法。由于MLMC的复杂性定理,并且给定预先选择的容差$\text{TOL}$,这导致复杂性从标准情况下的$\mathcal{O}\left(\text{TOL}^{-2} \log(\text{TOL})^2\right)$改进为$\mathcal{O}\left(\text{TOL}^{-2}\right)$,这是MLMC估计器的最佳复杂性。我们实现了所有这些改进,可以忽略不计的额外成本,因为…
2020-06-24 cs.NA math.NA stat.CO
A Note on the Importance of Weak Convergence Rates for SPDE Approximations in Multilevel Monte Carlo Schemes
Chalmers University of Technology & University of Gothenburg(查尔姆斯理工大学与哥德堡大学)
本文探讨了SPDE近似在多级蒙特卡洛方案中弱收敛速率对计算复杂度的影响,指出弱收敛结果可减少样本数量从而提升效率。
2016-09-27 cs.NA math.NA math.PR
Adaptive Single- and Multilevel Stochastic Collocation Methods for Uncertain Gas Transport in Large-Scale Networks
在本文中,我们关注的是量化的不确定性,所产生的一天内的振荡,通过大规模的网络输送天然气的需求。的气体流动的短期瞬态动力学建模的层次的双曲系统的平衡法的基础上的等熵欧拉方程。我们扩展了一种新的自适应策略,解决椭圆偏微分方程的随机数据,最近提出和分析郎,Scheichl,和西尔维斯特[J.计算。物理、419:109692,2020],不确定的气体运输问题。样本相关的自适应网格和模型的细化在物理空间中的自适应各向异性稀疏Scorpak网格在随机空间相结合。一个单级的方法,平衡的物理和随机逼近和多层次的方法,另外最大限度地减少计算成本的离散化误差被认为是。取自公共气体库的两个例子证明了从感兴趣的随机量计算的期望值的差错控制的可靠性,以及随机内插的进一步使用,例如,网络出口处的最小和最大压力值的近似密度函数。
2020-12-07 cs.CE cs.NA math.NA
Multilevel Particle Filters for Partially Observed McKean-Vlasov Stochastic Differential Equations
针对部分观测McKean-Vlasov随机微分方程的滤波问题,提出新的粒子滤波器和多层粒子滤波器进行数值近似,并证明MLPF在计算成本上具有更优的理论收敛阶。
2024-04-25 cs.NA math.NA stat.CO
An Antithetic Multilevel Monte Carlo-Milstein Scheme for Stochastic Partial Differential Equations with non-commutative noise
本文将有限维对偶Milstein格式推广到Hilbert空间值SPDE,提出截断Milstein时间步进与对偶耦合结合的多层蒙特卡洛方法,在不引入额外偏差的前提下显著降低计算复杂度。
2025-04-14 cs.NA math.NA math.PR
An Adaptive Random Bit Multilevel Algorithm for SDEs
University of Oxford(牛津大学);Technische Universität Kaiserslautern(凯泽斯劳滕工业大学)
本文提出了一种基于欧拉方案、莱维-西茨利斯基布朗运动表示和标准正态分布随机比特近似自适应多级算法,用于近似随机微分方程解的期望,通过数值比较验证了该算法在几何布朗运动、奥尔森-乌尔伯恩过程和科克斯-因格索尔-罗斯过程中的有效性。
2019-02-28 cs.NA math.NA
Efficient adaptive multilevel stochastic Galerkin approximation using implicit a posteriori error estimation
University of Manchester(曼彻斯特大学);University of Birmingham(伯明翰大学)
本文提出一种高效自适应多级随机伽辽金有限元方法,通过隐式后验误差估计策略,快速且有效地解决具有参数依赖系数的椭圆偏微分方程,无需调参即可实现误差估计能量衰减。
2018-06-15 cs.NA math.NA
Hierarchical Gaussian Random Fields for Multilevel Markov Chain Monte Carlo: Coupling Stochastic Partial Differential Equation and The Karhunen-Loève Decomposition
针对高维多层贝叶斯推断中GRF采样的精度、降维与遍历性难题,本文耦合KL展开与SPDE采样,提出协方差保持的分层多重网格框架,并在地下流动基准上验证其效率、精度和收敛优势。
2025-03-18 cs.NA math.NA math.PR
Multilevel Monte Carlo for the Feynman-Kac Formula for the Laplace Equation
ETH Zurich(苏黎世联邦理工学院);PSI(保罗谢勒研究所)
本文探讨了利用费曼-科茨公式将偏微分方程转化为随机过程,并通过Walk on Sphere算法生成随机路径,研究多级蒙特卡洛方法在拉普拉斯方程中的应用及扩展可能性。
2014-01-16 cs.NA math.NA math.PR
Multilevel quasi-Monte Carlo for random elliptic eigenvalue problems II: Efficient algorithms and numerical results
随机偏微分方程本征值问题经常出现在不确定性量化领域,人们试图量化本征值或其本征函数中的不确定性。本文提出了一种计算随机系数椭圆本征值问题最小特征值期望的高效多层拟蒙特卡罗方法(MLQMC)。每个样本评估都需要求解PDE本征值问题,因此在实践中解决这个问题在计算上是非常困难的。我们从四个方面加快了这个期望值的逼近速度:我们使用一个多层次的方差缩减方案,将工作分散到一个层次的有限元网格和截断维上;我们使用QMC方法,有效地计算每一层上的期望值;我们利用参数空间的光滑性,并重用附近QMC点的特征向量,以减少特征值求解器的迭代次数;我们利用两个网格离散计划,以获得一个单一的线性求解的细网格上的特征值。一个基本的MLQMC算法的完整误差分析在配套文件[Gilbert and Scheichl,2022]中给出,因此本文中,我们专注于如何进一步提高效率,并提供理论上的理由,使用附近的QMC点和两个网格的方法。数值结果表明,我们的算法的效率,也表明,我们采用的四种策略是互补的。
2022-10-06 cs.NA math.NA
Multilevel Picard algorithm for general semilinear parabolic PDEs with gradient-dependent nonlinearities
针对系数非常数且非线性依赖梯度的一般半线性抛物型 PDE,提出多层 Picard 逼近算法,并借助 SFPE 证明解与梯度的表示、收敛性及复杂度,辅以 300 维数值验证。
2025-02-18 cs.NA math.AP math.NA
On multilevel Picard numerical approximations for high-dimensional nonlinear parabolic partial differential equations and high-dimensional nonlinear backward stochastic differential equations
Princeton University(普林斯顿大学);Peking University(北京大学);University of Duisburg-Essen(杜伊斯堡-埃森大学);ETH Zurich(苏黎世联邦理工学院)
本文研究了高维非线性抛物型偏微分方程和高维非线性反向随机微分方程的数值近似方法,提出了一种基于皮卡近似和多级蒙特卡洛方法的算法,并通过数值模拟验证了其在100维问题中的准确性和效率。
2017-08-10 cs.NA math.NA
Convergence proofs and strong error bounds for forward-backward stochastic differential equations using neural network simulations
该研究将多层 Monte Carlo 与 Raissi 的神经网络框架结合,给出正倒向随机微分方程数值解的强误差界,并分析损失函数的偏差与方差。
2025-02-16 cs.LG cs.NA math.NA
Multilevel Monte Carlo methods for the approximation of invariant measures of stochastic differential equations
我们开发了一个框架,允许使用多层次蒙特卡罗(MLMC)方法(Giles 2015)来计算期望相对于一个遍历随机变量的不变测度。在这方面,我们研究(过阻尼)朗之万方程与强凹势。我们发现,当适当的收缩耦合的数值积分,可以得到一个统一的MLMC方差的时间估计在MLMC文献中的大多数结果相反。因此,$\mathcal{O}(\varepsilon)$的均方根误差以与马尔可夫链蒙特卡罗(MCMC)方法相当的$\mathcal{O}(\varepsilon^{-2})$复杂度实现,然而,当应用于大数据集时,MCMC方法可能是计算密集的。最后,我们提出了一个多层次的版本,最近推出的随机梯度朗之万动力学(SGLD)方法(Welling和Teh,2011)构建的大型数据集的应用。我们发现,这是第一个随机梯度MCMC方法的复杂性$\mathcal{O}(\varepsilon^{-2}|\log {\varepsilon}|^{3})$,在目前可用的方法的复杂性$\mathcal{O}(\varepsilon^{-3})$。数值实验证实了我们的理论发现。
2019-08-12 cs.NA math.NA stat.ME
Bayesian Parameter Inference for Partially Observed Diffusions using Multilevel Stochastic Runge-Kutta Methods
本文针对部分离散观测扩散过程的静态参数贝叶斯估计问题,提出将随机Runge-Kutta方法引入多层蒙特卡洛框架,以替代收敛缓慢的Euler-Maruyama格式,并证明了达到指定均方误差所需工作量与ε的关系,同时通过数值算例验证了方法在高维扩散场景下的有效性。
2023-09-24 cs.NA math.NA stat.CO
A parametric acceleration of multilevel Monte Carlo convergence for nonlinear variably saturated flow
CWI - Centrum Wiskunde & Informatica(荷兰数学与计算机科学中心);Delft University of Technology(代尔夫特理工大学);University of Zaragoza(萨拉戈萨大学)
本文提出了一种多级蒙特卡洛方法,用于变饱和多孔介质流的不确定性量化,该方法基于里茨方程建模。通过将土壤参数视为具有适当定义边缘分布的空间相关随机场,对经验模型进行了随机扩展。为了处理这些参数可能带来的路径高度非线性系统,本文提出了一种基于改进皮卡迭代和细胞中心多网格方法的求解方法。此外,还提出了一种非标准的多级蒙特卡洛估计器,通过参数延续方法,在较粗的层次上解决更简单的非线性问题以减少方差,而目标强非线性问题仅在最细的层次上求解。数值实验展示了新估计器相比原始MC估计器的计算节省。
2019-03-19 cs.NA math.NA
Monte Carlo versus multilevel Monte Carlo in weak error simulations of SPDE approximations
Chalmers University of Technology & University of Gothenburg(查尔姆斯理工大学与哥德堡大学)
本文研究了在随机偏微分方程近似中的弱误差模拟中,蒙特卡洛方法与多级蒙特卡洛方法的性能比较,分析了两种方法在误差估计上的差异及多级方法的优势。
2016-09-27 cs.NA math.NA math.PR
A Multilevel Approach for Stochastic Nonlinear Optimal Control
National University of Singapore(新加坡国立大学);ESSEC Business School(巴黎高等商学院);University of Technology Sydney(悉尼科技大学)
本文提出了一种多级蒙特卡洛方法,用于解决有限时间 horizon 的随机非线性最优控制问题,通过将最优控制估计转化为状态空间模型的平滑问题,并利用粒子马尔可夫链蒙特卡洛算法来减少方差增长,从而提高计算效率。
2019-01-17 cs.NA math.NA math.OC
Goal-Oriented Adaptive Modeling of Random Heterogeneous Media and Model-Based Multilevel Monte Carlo Methods
Technical University of Munich(慕尼黑工业大学);Institute for Computational Engineering and Sciences (ICES), The University of Texas at Austin(德克萨斯大学奥斯汀分校计算工程与科学研究所)
本文提出了一种面向目标的随机非均质介质自适应建模方法,通过自适应控制关键量的建模误差,结合基于模型的多级蒙特卡罗方法来减少方差并加速收敛,从而在计算成本上实现显著节省。
2019-03-06 cs.NA math.NA