0
点赞
收藏
分享

微信扫一扫

Elasticsearch:结合两全其美:Elasticsearch 与 BM25 和 HNSW 的混合搜索

kolibreath 2023-05-11 阅读 47
学习matlab

1.随机微分方程求解:dX(t) =− αXtdt + σdWt

法一:Euler-Maruyama
在这里插入图片描述

%%
%O-U过程
%dX(t)=-alpha*Xt*dt+sigma*dWt,X|t=0=X0
%alpha=2,sigma=1,X0=1
% 设置初始参数
T = 1;                 % 时间区间长度
N = 1000;              % 离散化的时间步数
dt = T/N;              % 时间步长
X = zeros(1,N+1);      % 存储解向量
X(1) = 1;              % 初始条件
alpha = 2;
sigma = 1;

% 模拟数值解
for i = 1:N
    dW = sqrt(dt)*randn();       % 标准正态分布增量
    X(i+1) = X(i) - alpha*X(i)*dt + sigma*dW;   % 欧拉方法更新
end

% 绘图
plot(linspace(0,T,N+1),X,'*-')   % 根据时间步长将x轴离散化
xlabel('t')
ylabel('X(t)')
title('随机微分方程数值解')
legend('Euler数值解')

在这里插入图片描述
法二:Milstein
在这里插入图片描述
在这里插入图片描述

% 设置参数
alpha = 2;
sigma = 1;
X0 = 1;
T = 1;
N = 1000;
dt = T/N;

% 初始化向量和随机项
t = 0:dt:T;
W = [0,cumsum(randn(1,N).*sqrt(dt))];
%使用cumsum函数生成一个与t等长的Wiener过程(随机项)

% 初始化X
X = zeros(1,N+1);
X(1) = X0;

% Milstein方法计算X
for i = 1:N
    dW = W(i+1) - W(i);
    X(i+1) = X(i) - alpha*X(i)*dt + sigma*X(i)*dW ...
             + 0.5*sigma^2*X(i)*(dW^2-dt);
    %在Milstein方法中,我们需要对二次变差数进行估计
    %因此在计算时需要添加正交项0.5*sigma^2*X(i)*(dW^2-dt)
end

% 绘制图形
plot(t,X,'*-')
title('随机微分方程数值解')
xlabel('t')
ylabel('X(t)')
legend('Milstein数值解')

在这里插入图片描述

2.受高斯白噪声激励的系统,FPK求解

考虑一个由下列方程支配的随机激励的单自由度振子:
X ¨ + h ( X , X ˙ ) = X W 1 ( t ) + X ˙ W 2 ( t ) + W 3 ( t ) \ddot{X}+h(X,\dot{X})=XW_{1}(t)+\dot XW_{2}(t)+W_{3}(t) X¨+h(X,X˙)=XW1(t)+X˙W2(t)+W3(t)
其中, h ( X , X ˙ ) h(X,\dot X) h(X,X˙)表示阻尼力和恢复力, W l ( t ) , l = 1 , 2 , 3 W_{l}(t),l=1,2,3 Wl(t),l=1,2,3是独立的高斯白噪声,其相关函数为 E [ W l ( t ) W s ( t + τ ) ] = 2 π K l s δ l s δ ( τ ) E[W_{l}(t)W_{s}(t+\tau)]=2\pi K_{ls} \delta_{ls}\delta(\tau) E[Wl(t)Ws(t+τ)]=2πKlsδlsδ(τ)
这里, δ l s \delta_{ls} δls δ ( τ ) \delta(\tau) δ(τ)不一样,前者是克罗内克(Kronecker) δ \delta δ,即 δ l s = 1 , l = s ; δ l s = 0 , l ≠ s . \delta_{ls}=1,l=s;\delta_{ls}=0,l\neq s. δls=1,l=s;δls=0,l=s. δ ( τ ) \delta(\tau) δ(τ)是狄拉克函数, δ = ∞ , τ = 0 ; δ = 0 , τ ≠ 0. \delta=\infty, \tau=0;\delta=0,\tau \neq 0. δ=,τ=0;δ=0,τ=0.

X 1 = X , X 2 = X ˙ X_{1}=X,X_{2}=\dot{X} X1=X,X2=X˙可转换状态空间的两个方程
X ˙ 1 = X 2 \dot{X}_{1}=X_{2} X˙1=X2
X ˙ 2 = − h ( X 1 , X 2 ) + X 1 W 1 ( t ) + X 2 W 2 ( t ) + W 3 ( t ) \dot{X}_{2}=-h(X_{1},X_{2})+X_{1}W_{1}(t)+X_{2}W_{2}(t)+W_{3}(t) X˙2=h(X1,X2)+X1W1(t)+X2W2(t)+W3(t)

由此可以得出, f 1 = x 2 , f 2 = − h ( x 1 , x 2 ) f_{1}=x_{2},f_{2}=-h(x_{1},x_{2}) f1=x2,f2=h(x1,x2), g 1 j = 0 ( j = 1 , 2 , 3 ) g_{1j}=0(j=1,2,3) g1j=0(j=1,2,3)
g 21 = x 1 , g 22 = x 2 , g 23 = 1 g_{21}=x_{1},g_{22}=x_{2},g_{23}=1 g21=x1,g22=x2,g23=1, n = 2 , m = 3 n=2,m=3 n=2,m=3.
则一、二阶导数矩:
a 1 = x 2 , a 2 = − h ( x 1 , x 2 ) + π K 22 x 2 a_{1}=x_{2},a_{2}=-h(x_{1},x_{2})+\pi K_{22}x_{2} a1=x2,a2=h(x1,x2)+πK22x2
b 11 = 0 , b 12 = 0 , b 21 = 0. b 22 = 2 π K 11 x 1 2 + 2 π K 22 x 2 2 + 2 π K 33 . b_{11}=0,b_{12}=0,b_{21}=0.b_{22}=2\pi K_{11}x_{1}^{2}+2\pi K_{22}x_{2}^{2}+2\pi K_{33}. b11=0,b12=0,b21=0.b22=2πK11x12+2πK22x22+2πK33.
从而得到FPK方程:
∂ ∂ t p + ∂ ∂ x 1 ( x 2 p ) + ∂ ∂ x 2 { [ ( − h ( x 1 , x 2 + π K 22 x 2 ] p } − π ∂ 2 ∂ x 2 2 [ ( K 11 x 1 2 + K 22 x 2 2 + K 33 ) p ] = 0 \frac{\partial}{\partial t}p+\frac{\partial}{\partial x_{1}}(x_{2}p)+\frac{\partial}{\partial x_{2}}\left \{ [(-h(x_{1},x_{2}+\pi K_{22}x_{2}]p \right \}-\pi \frac{\partial ^{2}}{\partial x_{2}^{2}}[(K_{11}x_{1}^{2}+K_{22}x_{2}^{2}+K_{33})p]=0 tp+x1(x2p)+x2{[(h(x1,x2+πK22x2]p}πx222[(K11x12+K22x22+K33)p]=0.

相应的也可以得到Stratonovich或Ito方程,它们得到的FPK方程都和上式一致。

在这里插入图片描述
在这里插入图片描述

3.绘制随机微分方程概率密度曲线

在这里插入图片描述

%(b)
clc;clear;
% 定义需要绘制的变量和参数
t_values = linspace(0.01, 5, 100); % 在t轴上均匀采样100个点,保证不会出现除数为0的情况
x_values = linspace(-5, 5, 200); % 在x轴上均匀采样200个点
[x_mesh, t_mesh] = meshgrid(x_values, t_values); % 创建网格

% 计算概率密度函数
p = (1./sqrt(2*pi.*t_mesh)).*cosh(x_mesh).*exp(-0.5./t_mesh).*exp(-(x_mesh.^2)./(2*t_mesh));

% 绘制演化图
mesh(x_mesh, t_mesh, p); % 使用surf函数绘制三维曲面图
xlabel('x'); ylabel('t'); zlabel('p(x,t)'); % 添加轴标签
title('Probability Density Evolution'); % 添加标题

在这里插入图片描述

在这里插入图片描述
未完待续…

举报

相关推荐

0 条评论