Методы многоуровневого Монте-Карло (MLMC) в численном анализе представляют собой алгоритмы расчета ожиданий , возникающих в стохастическом моделировании . Так же, как и методы Монте-Карло , они основаны на повторной случайной выборке , но эти выборки отбираются с разной степенью точности. Методы MLMC могут значительно снизить вычислительные затраты по сравнению со стандартными методами Монте-Карло, поскольку большинство образцов отбираются с низкой точностью и соответствующей низкой стоимостью, и только очень немногие образцы отбираются с высокой точностью и соответствующей высокой стоимостью.
Цель
Целью многоуровневого метода Монте-Карло является аппроксимация ожидаемого значения случайной величины , которая является результатом стохастического моделирования . Предположим, что эту случайную величину невозможно точно смоделировать, но существует последовательность аппроксимаций с возрастающей точностью, но и возрастающей стоимостью, которая сходится к как . В основе многоуровневого метода лежит тождество телескопической суммы [1]
это тривиально выполняется из-за линейности оператора ожидания. Каждое из ожиданий затем аппроксимируется методом Монте-Карло, в результате чего получается многоуровневый метод Монте-Карло. Обратите внимание, что для получения выборки разницы на уровне требуется моделирование как и .
Метод MLMC работает, если дисперсии равны , что будет в случае, если оба и аппроксимируют одну и ту же случайную величину . По Центральной предельной теореме это означает, что нужно все меньше и меньше выборок, чтобы точно аппроксимировать математическое ожидание разницы как . Следовательно, большинство образцов будет взято на уровне , где образцы дешевы, и лишь очень небольшое количество образцов потребуется на самом высоком уровне . В этом смысле MLMC можно рассматривать как стратегию рекурсивного управления .
Приложения
Аппроксимация выборочного пути СДУ на разных уровнях.
Первое применение MLMC приписывается Майку Джайлсу [2] в контексте стохастических дифференциальных уравнений (СДУ) для ценообразования опционов , однако более ранние следы можно найти в работе Генриха в контексте параметрического интегрирования. [3] Здесь случайная величина известна как функция выигрыша, а последовательность аппроксимаций использует аппроксимацию пути выборки с шагом по времени .
Применение MLMC к проблемам количественной оценки неопределенности (UQ) является активной областью исследований. [4] [5] Важным прототипным примером этих проблем являются уравнения в частных производных (ЧДУ) со случайными коэффициентами . В этом контексте случайная величина известна как интересующая величина, а последовательность аппроксимаций соответствует дискретизации УЧП с различными размерами ячеек.
Алгоритм моделирования MLMC
Простой адаптивный к уровню алгоритм моделирования MLMC приведен ниже в псевдокоде.
повторение Возьмите прогревающие выборки на каждом уровне Вычислите дисперсию выборки на всех уровнях Определите оптимальное количество выборок на всех уровнях Возьмите дополнительные выборки на каждом уровне в соответствии с если то Тест на сходимость конец , если не сходится, то конец, пока не сходится
Расширения MLMC
Недавние расширения многоуровневого метода Монте-Карло включают многоиндексный метод Монте-Карло [6] , где рассматривается более одного направления уточнения, а также комбинацию MLMC с методом квази-Монте-Карло . [7] [8]
^ Джайлз, МБ (2008). «Многоуровневое моделирование пути Монте-Карло». Исследование операций . 56 (3): 607–617. CiteSeerX 10.1.1.121.713 . дои : 10.1287/opre.1070.0496. S2CID 3000492.
^ Генрих, С. (2001). «Многоуровневые методы Монте-Карло». Крупномасштабные научные вычисления . Конспекты лекций по информатике. Том. 2179. Спрингер. стр. 58–67. дои : 10.1007/3-540-45346-6_5. ISBN978-3-540-43043-8.
^ Клифф, А.; Джайлз, МБ; Шейхл, Р.; Текцентрруп, А. (2011). «Многоуровневые методы Монте-Карло и приложения к эллиптическим уравнениям частного уравнения со случайными коэффициентами» (PDF) . Вычисления и визуализация в науке . 14 (1): 3–15. дои : 10.1007/s00791-011-0160-x. S2CID 1687254.
^ Писарони, М.; Нобиле, ФБ; Лейланд, П. (2017). «Продолжение многоуровневого метода Монте-Карло для количественного определения неопределенности в аэродинамике сжимаемой невязкой жидкости» (PDF) . Компьютерные методы в прикладной механике и технике . 326 (С): 20–50. дои : 10.1016/j.cma.2017.07.030. S2CID 10379943. Архивировано из оригинала (PDF) 14 февраля 2018 г.
^ Хаджи-Али, Алабама; Нобиле, Ф.; Темпоне, Р. (2016). «Мультииндексный Монте-Карло: когда разреженность встречается с выборкой». Нумерическая математика . 132 (4): 767–806. arXiv : 1405.3757 . дои : 10.1007/s00211-015-0734-5. S2CID 253742676.
^ Джайлз, МБ; Уотерхаус, Б. (2009). «Многоуровневое моделирование пути квази-Монте-Карло» (PDF) . Расширенное финансовое моделирование, серия «Радон» по вычислительной и прикладной математике . Де Грюйтер: 165–181.
^ Робб, П.; Нуйенс, Д.; Вандевалле, С. (2017). «Многоиндексный алгоритм квазимонте-карло для задач логнормальной диффузии». Журнал SIAM по научным вычислениям . 39 (5): А1811–С392. arXiv : 1608.03157 . Бибкод : 2017SJSC...39S.851R. дои : 10.1137/16M1082561. S2CID 42818387.