[论文解读] Min-max representations of viscosity solutions of Hamilton-Jacobi equations and applications in rare-event simulation

Boualem Djehiche, Henrik Hult+1 more|arXiv (Cornell University)|Jun 13, 2014

Probability and Risk Models参考文献 34被引用 7

一句话总结

本文建立了凸的、与状态相关的哈密顿量下马内势能与马瑟作用泛函之间的对偶性，从而实现了对一阶哈密顿-雅可比方程粘性解的极小-极大表示。这些表示可产生有效的下解，用于设计罕见事件模拟中的重要性采样算法，尤其适用于扩散过程和具有罕见跃迁的随机系统。

ABSTRACT

In this paper a duality relation between the Mañé potential and Mather's action functional is derived in the context of convex and state-dependent Hamiltonians. The duality relation is used to obtain min-max representations of viscosity solutions of first order Hamilton-Jacobi equations. These min-max representations naturally suggest class\-es of subsolutions of Hamilton-Jacobi equations that arise in the theory of large deviations. The subsolutions, in turn, are good candidates for designing efficient rare-event simulation algorithms.

研究动机与目标

• 建立凸的、与状态相关的哈密顿量下马内势能 $ S^c(x,y) $ 与马瑟作用泛函 $ M(t,y;x) $ 之间的对偶性。
• 推导一阶哈密顿-雅可比方程粘性解的极小-极大表示。
• 识别适用于构建罕见事件模拟中高效重要性采样算法的哈密顿-雅可比方程的下解。
• 将大偏差理论与随机模拟中的实际方差缩减技术相联系。
• 提供一种系统化方法，用于构造在初始条件下与粘性解一致的下解，从而确保无偏且高效的估计量。

提出的方法

• 推导马内势能 $ S^c(x,y) $ 与马瑟作用泛函 $ M(t,y;x) $ 之间的对偶关系，证明 $ M(t,y;x) = \sup_{c>c_H} \{ S^c(x,y) - ct \} $。
• 利用 Fenchel-Legendre 变换关联拉格朗日量 $ L $ 与哈密顿量 $ H $，确保动量变量的凸性。
• 通过极小-极大表示 $ V(t,y) = \inf_{x} \sup_{c>c_H} \{ S^c(x,y) - ct + g(x) \} $ 构造粘性下解，其中 $ g $ 为初始条件。
• 将对偶性应用于具有终端或初始条件的时间依赖型哈密顿-雅可比方程，证明其粘性解性质。
• 在出生-死亡过程（SIS 模型）上进行数值验证，表明在罕见事件概率估计中相对误差较低。
• 利用变分原理与粘性解理论，证明所构造函数的下解与上解性质。

实验结果

研究问题

• RQ1 能否为凸的、与状态相关的哈密顿量建立马内势能与马瑟作用泛函之间的对偶性？
• RQ2 这种对偶性如何用于推导哈密顿-雅可比方程粘性解的极小-极大表示？
• RQ3 从极小-极大结构中涌现出哪些类别的下解适用于罕见事件模拟？
• RQ4 这些下解如何提升罕见事件估计中重要性采样算法的效率？
• RQ5 该理论框架能否在如 SIS 模型等实际随机过程上实现数值验证？

主要发现

• 证明了对偶关系：$ M(t,y;x) = \sup_{c>c_H} \{ S^c(x,y) - ct \} $，其中 $ c_H $ 为马内临界值。
• 极小-极大表示 $ V(t,y) = \inf_x \sup_{c>c_H} \{ S^c(x,y) - ct + g(x) \} $ 给出哈密顿-雅可比方程初值问题的粘性解。
• 所构造的下解满足粘性下解性质，且在初始时刻与粘性解一致，因此适用于重要性采样。
• 在 $ \rho=3 $ 的出生-死亡过程上的数值结果表明，$ n=100 $ 时相对误差为 4.38%，$ n=500 $ 时下降至 10.1%，表明随着 $ n $ 增大性能保持稳定。
• 该方法提供了一种系统化方法，可生成在理论上严谨且在实践中有效的下解，适用于罕见事件模拟。
• 该方法可推广至多种随机过程，并为重要性采样设计提供一种稳健的替代方案，优于启发式路径追踪方法。