一般情形的平均场倒向随机微分方程

来源 :山东大学 | 被引量 : 0次 | 上传用户:meinv123321
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
本篇论文主要研究Lipschitz条件和连续性条件下一般情形的平均场倒向随机微分方程解的性质,及连续性条件和一致连续性条件下一般情形的平均场倒向随机微分方程Lp(1<p≤2)解的性质,并给出了Lipschitz条件下的比较定理。  考虑如下的平均场倒向随机微分方程:Ys=ξ+∫Tsf(r,P(Yr,Zr),Yr,Zr)dr-∫TsZrdBr,s∈[0,T](1)其中ξ∈L2(FT;R)。  (H3.1)(f(s,δ0,0,0))s∈[0,T]∈H2F(0,T;R)。  (H3.2)f满足Lipschitz条件,也就是存在一个常数C∈R+,使得对所有的μ,μ∈ρ2(R×Rd),y,y∈R,z,z∈Rd,|f(s,ω,μ,y,z)-f(s,ω,μ,y,z)|≤C(W2(μ,μ)+|y-y|+|z-z|).  在(H3.1)和(H3.2)假设下,利用迭代法证明了方程(1)解存在唯一。有反例可以说明当生成元依赖于Z的分布及关于μ递减时,得不到比较定理。所以给出了如下方程的比较定理:Ys=ξ+∫Tsf(r,PYr,Yr,Zr)dr-∫TsZrdBr,s∈[0,T](2)比较定理对后面的证明起到了关键作用。  (H4.1)线性增长:存在常数K≥0,使得对所有的(s,ω,μ,y,z)|f(s,ω,μ,y,z)|≤K(1+W2(μ,δ0)+|y|+|z|),dsdP-a.s.  (H4.2)f关于μ单调:对所有的θ1,θ2∈L2(Ω,F,P)以及所有的(s,ω,y,z):f(s,ω,Pθ2,y,z)≤f(s,ω,Pθ1,y,z),dsdP-a.e.,当θ2≤θ1时  (H4.3)f(s,ω,μ,y,z)关于y,z连续且存在一个连续递增的函数ρ:R+→R+,使得,对μ1,μ2∈ρ(R),(s,ω,y,z)∈[0,T]×Ω×R×Rd:|f(s,ω,μ1,y,z)-f(s,ω,μ2,y,z)|≤ρ(W2(μ1,μ2)),a.e.这里ρ(0+)=0。  在(H4.1)-(H4.3)假设下,利用先验估计及Lipschitz函数来近似连续函数等方法证明了方程(2)解的存在性。  (H5.2.1)对任意的(s,μ,y,z)有|f(s,ω,μ,y,z)|≤K(1+Wp(μ,δ0)+|y|+|z|),a.s.  (H5.2.2)终端值ξ∈Lp。  (H5.2.3)f(s,ω,μ,y,z)关于y,z连续且存在一个连续递增的函数ρ:R+→R+,使得,对μ1,μ2∈ρp(R),(s,ω,y,z)∈[0,T,×Ω×R×Rd:|f(s,ω,μ1,y,z)-f(s,ω,μ2,y,4|≤ρ(Wp(μ1,μ2)),a.e.这里ρ(0+)=0。  在(H4.2),(H5.2.1)-(H5.2.3)假设下,利用推广的It(o)公式及Lipschitz函数来近似连续函数等方法证明了方程(2)Lp解的存在性。  (H5.3.1)f关于y一致连续,关于(s,ω,μ,z)一致。  (H5.3.2)f关于z一致连续,关于(s,ω,μ,y)一致。  (H5.3.3)f关于μ一致连续,关于(s,ω,y,z)一致。  在假设(H4.2),(H5.2.1),(H5.2.2)和(H5.3.1)-(H5.3.3)下,利用递归方程等方法证明了方程(2)Lp解的唯一性。
其他文献
支持向量机作为一种新的基于统计学习理论的机器学习方法,是对传统的机器学习方法的一个很好的替代,其在小样本、高维空间和非线性情况下表现出许多特有的优势。现存的支持向量
集值优化的对偶理论在集值优化理论中占有极其重要地位,它的理论和方法被广泛应用于微分包含、博弈论、经济平衡问题等领域,而且它对集值最优化问题的求解及最优性条件的确定等
学位
本文中,考虑了两种平均场类型的随机控制问题,状态方程的系数依赖于解以及解的分布,且代价泛函也是平均场类型的。  我们首先来看如下的状态过程,平均场SDE的控制问题:  {dXt
本文总结了近几年概自守函数理论的最新进展,其中也包含了作者的研究成果。本文主要分为三个部分,首先介绍了概自守函数的发展背景,归纳总结了其定义、判别方法、值域相对紧
在研究自然界中生命现象的发生时,系统内部的发展往往会受到外界短时间的干扰,微分方程或者差分方程不能很好地解释这种干扰现象。在考虑瞬时变化对系统的影响时,事物变化规