автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Численное интегрирование стохастических дифференциальных уравнений

Введение

1 Некоторые сведения из теории вероятностей

1.1 Винеровский и пуассоновский процессы.

1.2 Стохастический интеграл Ито.

1.3 Формула Ито.

1.4 СДУ Ито

1.5 Стохастический интеграл Стратоновича

1.6 СДУ Стратоновича.

1.7 Стохастический интеграл по мартингалу

1.8 Стохастический интеграл по пуассоновской случайной мере.

1.9 СДУ со скачкообразной компонентой.

2 Применения СДУ

2.1 Диффузионные математические модели динамических систем, находящихся под воздействием случайных возмущений

2.1.1 Общий вид нелинейных диффузионных моделей

2.1.2 Линейные диффузионные модели

2.2 Диффузионные модели физических и технических систем

2.2.1 Модель тепловых флуктуаций частиц в веществах и электрических зарядов в проводниках.

2.2.2 Автоколебательная электрическая система . 46 ^ 2.2.3 Чандлеровские колебания.

2.2.4 Модели химической кинетики и регуляции численности конкурирующих видов животных

2.2.5 Модели стохастической финансовой математики

2.2.6 Модель солнечной активности.

2.2.7 Модель лагранжевой динамики частицы жидкости

2.2.8 Ошибки округления при численном решении ОДУ

2.3 Диффузионно-скачкообразные математические модели

2.4 Математические задачи, связанные с СДУ.

2.4.1 Фильтрация

2.4.2 Оптимальное стохастическое управление.

2.4.3 Стохастическая устойчивость.

2.4.4 Оценивание параметров.

2.4.5 Вероятностные представления решения задачи Ко-ши для уравнений в частных производных параболического типа 3 Некоторые свойства стохастических интегралов

3.1 Теорема о замене порядка интегрирования в повторных стохастических интегралах Ито.

3.1.1 Формулировка и доказательство.

3.1.2 Следствия и обобщения.

3.2 Замена порядка интегрирования в повторных стохастических интегралах по мартингалу.

3.3 Соотношения между повторными стохастическими интегралами Стратоновича и Ито произвольной кратности

3.4 Аналитические формулы для вычисления стохастических интегралов.

4 Стохастические разложения процессов Ито

4.1 Дифференцируемость по Ито.

4.2 Унифицированные разложения Тейлора-Ито.

4.2.1 Обозначения.

4.2.2 Первая форма унифицированного разложения Тей-лора-Ито.

4.2.3 Вторая форма унифицированного разложения Тей-лора-Ито.

4.3 Дифференцируемость по Стратоновичу.

4.4 Унифицированные разложения Тейлора-Стратоновича ;

4.4.1 Первая форма унифицированного разложения Тейлора-Стратоновича

4.4.2 Вторая форма унифицированного разложения Тейлора-Стратоновича

4.5 О сходимости стохастических разложений.

Разложения повторных стохастических интегралов, основанные на кратных рядах Фурье

5.1 Разложение повторных стохастических интегралов Стра-тоновича.

5.2 Разложение повторных симметризованных стохастических интегралов по мартингальным пуассоновским мерам

5.3 Повторные симметризованные стохастические интегралы по мартингалам и их разложение.

5.3.1 Определения.

5.3.2 Разложение повторных симметризованных стохастических интегралов nö мартингалам.

5.3.3 Примеры повторных симметризованных стохастических интегралов по мартингалам.

Методы аппроксимации повторных стохастических интегралов Стратоновича и Ито

6.1 Метод сильной аппроксимации повторных стохастических интегралов Стратоновича, основанный на кратных рядах Фурье.

6.1.1 Сильная аппроксимация с помощью тригонометрической системы функций.

6.1.2 Сильная аппроксимация с помощью полиномиальной системы функций

6.2 Сравнение метода, основанного на кратных рядах Фурье с методом Г. Н . Милыптейна.

6.3 Разложение повторных стохастических интегралов с помощью полиномов Эрмита.

6.4 Метод сильной аппроксимации повторных стохастических интегралов Ито, основанный на кратных интегральных суммах

6.5 Эффективность применения полиномиальных и тригонометрических функций, интегральных сумм к сильной аппроксимации повторных стохастических интегралов

6.6 Комбинированный метод аппроксимации повторных стохастических интегралов.

6.7 Слабые аппроксимации повторных стохастических интегралов Ито.

Явные одношаговые сильные численные методы решения СДУ Ито

7.1 О малой эффективности применения численных методов решения ОДУ к СДУ.

7.2 Сильная сходимость.

7.3 Явные одношаговые методы, основанные на унифицированном разложении Тейлора-Ито.

7.3.1 Метод порядка точности г/2. Теорема о сходимости

7.3.2 Метод Г. Н. Милыптейна.

7.3.3 Методы порядка точности 1.5.

7.3.4 Метод порядка точности 2.0.

7.3.5 Методы порядка точности 2.5.

7.3.6 Метод порядка точности 3.0.

7.4 Явные одношаговые методы, основанные на унифицированном разложении Тейлора-Стратоновича.

7.4.1 Метод порядка точности г/2. Теорема о сходимости

7.4.2 Метод порядка точности 1.5.

7.4.3 Метод порядка точности 2.0.

7.4.4 Метод порядка точности 2.5.

7.4.5 Метод порядка точности 3.0.

7.5 Явные одношаговые конечно-разностные численные методы, основанные на разложениях Тейлора-Ито.

7.5.1 Некоторые тейлоровские аппроксимации производных детерминированных функций.

7.5.2 Метод порядка точности 1.0.

7.5.3 Методы порядка точности 1.5.

7.5.4 Методы порядка точности 2.0.

7.5.5 Методы порядка точности 2.5.

7.5.6 О сходимости явных сильных одношаговых конечно-разностных численных методов.

Неявные одношаговые сильные численные методы решения СДУ Ито

8.1 Неявные одношаговые методы, основанные на разложениях Тейлора-Ито.

8.1.1 Методы порядка точности 1.5.

8.1.2 Методы порядка точности 2.0.

8.1.3 Методы порядка точности 2.5.

8.1.4 Метод порядка точности 3.0.

8.2 Неявные одношаговые конечно-разностные методы, основанные на унифицированном разложении Тейлора-Ито

8.2.1 Методы порядка точности 1.0.

8.2.2 Методы порядка точности 1.5.

8.2.3 Методы порядка точности 2.0.

8.2.4 Методы порядка точности 2.5.

9 Двухшаговые сильные численные методы решения СДУ Ито

9.1 Явные двухшаговые методы, основанные на унифицированном разложении Тейлора-Ито.

9.1.1 Методы порядка точности 1.5.

9.1.2 Методы порядка точности 2.0.

9.2 Неявные двухшаговые методы, основанные на разложениях Тейлора-Ито.

9.2.1 Методы порядка точности 1.5.

9.2.2 Методы порядка точности 2.0 и 2.5.

9.3 О сходимости неявных сильных двухшаговых методов

9.4 Двухшаговые конечно-разностные методы, основанные на унифицированном разложении ф Тейлора-Ито.

9.4.1 Методы порядка точности 1.0 и 1.5.

9.4.2 Метод порядка точности 2.0.

9.5 Общие представления двухшаговых методов.

9.6 Об устойчивости численных методов.

10 Трехшаговые сильные численные методы

10.1 Введение

10.2 Методы порядка точности 1.0.

10.3 Методы порядка точности 1.5.

11 Слабые численные методы решения СДУ Ито

11.1 Слабая сходимость.

11.2 Явные слабые численные методы.

11.2.1 Метод порядка точности 2.0.

11.2.2 Метод порядка точности 4.0.

11.3 Теорема о сходимости слабых численных методов

11.4 Явные слабые конечно-разностные численные методы порядка точности 2.0.

11.5 Неявный метод порядка точности 2.0.

11.6 Неявные конечно-разностные методы порядка точности 2.

11.7 Численные методы типа "предсказатель-корректор"

11.8 О сходимости слабых численных методов.

12 Численное моделирование решений стационарных систем линейных СДУ

12.1 Введение

12.2 Метод численного моделирования решений ССЛСДУ, основанный на формуле Коши и спектральном разложении.

12.2.1 Общий подход к моделированию. Структурирование проблемы.

12.2.2 Численное моделирование динамической составляющей решения.

12.2.3 Численное моделирование систематической составляющей решения.

12.2.4 Численное моделирование стохастической составляющей решения.

12.2.5 Численное моделирование решений ССЛСДУ и оценка скорости сходимости.

12.3 Метод численного моделирования ССЛСДУ, основанный на кусочно-постоянной гауссовской аппроксимации вине-ровского процесса.

12.3.1 Численное решение ССЛСДУ.

12.3.2 Оценка скорости сходимости по 5.

13 Численное интегрирование СДУ со скачкообразной компонентой

13.1 Сильные численные методы решения СДУ со скачкообразной компонентой.

13.2 Слабые численные методы решения СДУ со скачкообразной компонентой.

14 Библиотека "ГГО-ЬПЧ" Ма^аЬ-функций численного моделирования решений стационарных систем линейных СДУ

14.1 Математическая модель объекта моделирования.

14.2 Общая характеристика библиотеки.

14.3 Примеры численного моделирования решений ССЛСДУ с помощью библиотеки "ГГО-ЬШ".

14.3.1 Численное моделирование чандлеровских колебанийЗЗб

14.3.2 Численное моделирование солнечной активности

14.3.3 Численное моделирование лагранжевой динамики частицы жидкости.

15 Моделирование траекторий решений СДУ Ито

15.1 Влияние стохастического возмущения на трехмерную дискретную модель конвективной турбулентности Лоренца

15.2 Численное интегрирование стохастической модели Лотки-Вольтерра второго порядка.

15.3 Численное моделирование динамики доходности портфеля ценных бумаг.

15.4 Влияние стохастического возмущения на систему уравнений Рёсслера.

16 Примеры численного решения некоторых задач, связанных с СДУ 351 16.1 Тестирование процедур оценивания параметров.

16.1.1 Модель солнечной активности.

16.1.2 Модель популяционной динамики.

16.2 Фильтрация марковской цепи с конечным числом состояний

16.3 Линейная стационарная фильтрация Калмана-Бьюси

16.4 Нелинейная оптимальная фильтрация.

16.5 Оптимальное стохастическое управление по неполным данным.

16.6 Вычисление наибольшего стохастического ляпуновского показателя.

16.7 Численное решение задачи Коши для уравнений в частных производных параболического типа.

16.8 Стохастическое оптимальное управление механической системой

Стохастические дифференциальные уравнения (СДУ) как математический объект появились в 50х годах 20 века и нашли широкое применение в различных областях науки и техники. В частности, СДУ применяются в качестве математических моделей в электротехнике, механике, геофизике, кинетике, генетике, финансовой математике, по-пуляционной динамике, сейсмологии, гидрологии, экспериментальной психологии и др. областях. СДУ используются при решении таких математических задач, как задача фильтрации сигнала на фоне случайной помехи, задача тестирования процедур оценивания параметров динамических систем, находящихся под действием случайных возмущений, задача об оптимальном стохастическом управлении и задача о стохастической устойчивости. Важным применением СДУ к решению задач математической физики являются вероятностные представления решений задач Дирихле и Коши для уравнений в частных производных параболического типа.

Решение большинства из перечисленных задач, а также задача построения новых математических моделей на основе СДУ требуют привлечения численного моделирования решений данных уравнений.

Всвязи с тем, что для СДУ, в практически важных случаях, далеко не всегда известны точные решения или данные решения оказываются достаточно сложными при численном моделировании, возникает проблема численного решения СДУ. Кроме того известно, что эвристические обобщения широко известных численных методов для обыкновенных дифференциальных уравнений оказываются, как правило, малоэффективными для СДУ или вообще не сходятся к решениям этих уравнений.

Начало интенсивного развития теории численного интегрирования СДУ относится к середине 70х — началу 80х годов 20 века, т. е. данная теория является относительно новой и не освещает в полной мере или не затрагивает ряд вопросов, связанных с численным интегрированием СДУ. Это косвенно подтверждается резким ростом числа публикаций по данной проблеме в последние годы как в России, так и за рубежом. Всвязи с этим целью диссертационной работы является развитие указанной теории.

Основы теории численного решения СДУ были заложены в монографиях [54, 95, 96]. Заметный вклад в данную теорию внесли Maruyama G., Platen Е., Kloeden P.E., Wagner W., Wright D.J., Мильштейн Г.Н., Аверина T.A., Артемьев С.С., Talay D., Newton N.J., Дзагнидзе 3.A., Читашвили Р.Я., Никитин H.H., Разевиг В.Д., Maghsoodi Y., Harris C.J., Mikulevicius R., Schurz H., Hofmann N., Rumelin W., Chang С.С., Klauder J.R., Petersen W.P., Hernandez D.B., Spigler R. и др.

В диссертационной работе так же, как и в [54, 95, 96], используется подход к численному решению СДУ, который строится на конечной дискретизации временного интервала и численном моделировании решения СДУ в дискретные моменты времени с помощью стохастических аналогов формулы Тейлора и специальных методов аппроксимации повторных стохастических интегралов. В рамках данного подхода в настоящей работе предлагается ряд новых методов численного решения систем нелинейных и линейных СДУ.

Поясним причины, по которым в данной работе выбран именно указанный подход к численному интегрированию СДУ.

Существует общий метод Бьюси [81], которым может быть исследован широкий класс случайных систем с использованием метода Монте-Карло. Этот метод недостаточно эффективен при численном решении СДУ, поскольку не использует специальную структуру СДУ, характеризуемую коэффициентами сноса и диффузии.

Г. Дж. Кушнер [48] предложил численный подход к решению стохастических систем, который основывается на дискретизации как времени, так и пространственных переменных. В результате такой дискретизации аппроксимации случайных процессов превращаются в цепи Маркова с конечным числом состояний. При численной реализации этого подхода приходится иметь дело с матрицами перехода цепей Маркова. Использование указанных матриц приводит к значительному увеличению вычислительных затрат. Поэтому данный подход применим только к задачам с небольшой размерностью.

Важной особенностью подхода, используемого в диссертационной работе, является то, что переменные состояния в нем в отличие от подхода Кушнера не дискретизируются. В результате вычислительные затраты возрастают полиномиально [95] с увеличением размерности задачи, что позволяет говорить о вычислительных резервах данного подхода.

При численном интегрировании СДУ различают два основных критерия сходимости численных методов — сильный и слабый, которые являются самостоятельными и продиктованы спецификой решаемых практических задач.

Сильный критерий сходимости порождает так называемые сильные численные методы для СДУ, позволяющие численно моделировать выборочные траектории решений СДУ. При этом точность моделирования оценивается в среднеквадратическом смысле. Это обстоятельство определяет следующий круг задач, которые могут быть численно решены с помощью сильных численных методов: задача фильтрации сигнала на фоне случайной помехи (линейная фильтрация Калмана-Бьюси, оптимальная нелинейная фильтрация, фильтрация марковской цепи с непрерывным временем и конечным числом состояний), задача тестирования процедур оценивания параметров стохастических динамических систем, задача об оптимальном стохастическом управлении (по полным или неполным данным). Сильные численные методы для СДУ могут быть также привлечены как одно из средств построения новых математических моделей динамических систем на основе СДУ.

Слабые численные методы для СДУ, порождаемые слабым критерием сходимости, позволяют численно моделировать функционалы специального вида от решений СДУ. Всвязи с этим одним из основных применений слабых численных методов является их использование при численном решении задач математической физики (задачи Дирихле и Коши для уравнений в частных производных параболического типа). Кроме этого слабые численные методы для СДУ используются при аппроксимации инвариантных мер и стохастических ляпуновских показателей (в задаче о стохастической устойчивости).

Процесс построения численных методов для СДУ в рамках указанного выше подхода имеет три основных стадии: построение стохастических разложений — аналогов формулы Тейлора для решений СДУ, аппроксимация повторных стохастических интегралов из данных разложений, конструирование численных методов на основе указанных стохастических разложений и методов аппроксимации входящих в них повторных стохастических интегралов. При этом для сильных и слабых численных методов каждая из трех перечисленных стадий имеет свои существенные индивидуальные особенности.

Основное внимание в диссертационной работе уделено построению новых сильных численных методов для СДУ, однако в диссертации также приведено несколько новых слабых численных методов. При этом новые результаты получены по каждой из трех стадий построения численных методов для СДУ.

Для построенных численных методов даны теоретические оценки их скорости сходимости. Кроме того данные численные методы тестируются путем численных экспериментов на тестовых СДУ Ито с мультипликативным шумом и известными точными решениями.

Работа состоит из 16 глав.

В главе 1 приводятся необходимые в дальнейшем сведения из теории СДУ и стохастических интегралов.

В главе 2 приведены примеры физических и технических систем, описываемых математическими моделями в виде СДУ. Рассмотрен ряд задач, в которых встречается необходимость численного решения СДУ.

Глава 3 знакомит с некоторыми свойствами стохастических интегралов. В частности, рассмотрена замена порядка интегрирования в повторных стохастических интегралах по мартингалу и приведены соотношения между повторными стохастическими интегралами Страто-новича и Ито произвольной кратности к.

Глава 4 посвящена стохастическим аналогам разложения Тейлора для процессов Ито. В ней представлены четыре новых представления разложений Тейлора-йто и Тейлора-Стратоновича, названных унифицированными. Унифицированные разложения Тейлора-Ито и Тейлора-Стратоновича строятся с помощью замены порядка интегрирования в повторных стохастических интегралах и минимизируют общее число различных повторных стохастических интегралов, входящих в разложения Тейлора-Ито и Тейлора-Стратоновича, которые изучались в [54, 94, 95, 115, 130].

В главе 5 рассматриваются разложения повторных симметризован-ных стохастических интегралов по мартингалам в кратные ряды из произведений некоррелированных случайных величин, которые основаны на кратных рядах Фурье. В наиболее простом и практически важном случае мартингалы являются стандартными винеровскими процессами, а соответствующий повторный стохастический интеграл — повторным стохастическим интегралом Стратоновича. Проанализирован также случай, когда мартингалы являются мартингальными пуас-соновскими мерами.

Глава б посвящена методам сильной и слабой аппроксимации повторных стохастических интегралов Ито и Стратоновича, входящих в разложения Тейлора-Ито и Тейлора-Стратоновича соответственно.

На результатах главы 5 в главе б предложен метод сильной аппроксимации повторных стохастических интегралов Стратоновича, основанный на кратных рядах Фурье по полным ортонормированным в пространстве Z^dA^l) системам функций.

Данный метод обладает рядом преимуществ по сравнению с методом Г. Н. Милынтейна [54], который до настоящего времени был признан наиболее эффективным. Среди этих преимуществ следует отметить возможность применения для аппроксимации различных полных ортонормированных систем функций (а не только тригонометрической системы), а также явный вид коэффициентов разложений указанных интегралов произвольной кратности.

На результатах численных экспериментов в главе б показано, что полная ортонормированная в пространстве Ь^ф^Т]) система полиномиальных функций имеет значительное преимущество по вычислительным затратам перед тригонометрической системой при моделировании повторных стохастических интегралов Стратоновича с помощью метода, основанного на кратных рядах Фурье, по крайней мере, при не очень малых значениях Т — Ь.

Рассмотрены также другие, менее общие или менее эффективные, методы сильной аппроксимации повторных стохастических интегралов. Здесь же представлены слабые аппроксимации повторных стохастических интегралов Ито.

В главах 7-10 представлены явные и неявные одношаговые, двухша-говые и трехшаговые, в том числе конечно-разностные сильные численные методы решения СДУ Ито порядка точности 1.0, 1.5, 2.0, 2.5, 3.0. Все приведенные трехшаговые численные методы являются новыми. Представленные одношаговые и двухшаговые численные методы отличаются от своих аналогов вследствие использования унифицированных разложений Тейлора-Ито и Тейлора-Стратоновича, метода сильной аппроксимации повторных стохастических интегралов Стратоновича, основанного на кратных рядах Фурье по полиномам Лежандра, а также новых конечно-разностных аппроксимаций частных производных функций, входящих в правую часть соответствующего СДУ.

1. Аверина Т.А., Артемьев С. С. Новое семейство численных методов для решения стохастических дифференциальных уравнений Ц Докл. АН СССР. 1986. Т. 288. N 4. С. 777-780.

2. Арат,о М., Колмогоров А.Е., Синай Я. Г. Об оценках параметров комплексного стационарного гауссовского марковского процесса // Докл. АН СССР. 1962. Т. 146. N 4, С. 747-750.

3. Арсенин В. Я. Методы математической физики и специальные функции. М.: Наука, 1974. 431 с.

4. Арсеньев Д.Г., Кульчицкий О.Ю. Оптимизация алгоритмов численного интегрирования жестких линейных систем дифференциальных уравнений с постоянными коэффициентами. 1986. 32 с. Деп. в ВИНИТИ. 732-В86. 31.01.86.

5. Аталла М.А. Конечно-разностные аппроксимации для стохастических дифференциальных уравнений // Вероятностные методы исследования систем с бесконечным числом степеней свободы. Киев. 1986. С. 11-16.

6. Баркин А.И., Зеленцовский А.JI.f Пакшин П.В. Абсолютная устойчивость детерминированных и стохастических систем управления. М.: Изд-во МАИ, 1992. 303 с.

7. Бахвалов Н.С. Численные методы. М.: Физматгиз, 1973. 631 с.

8. Белоусов Б.П. Периодически действующая реакция и ее механизм // Сб. рефератов по радиационной медицине. М: Медгиз, 1959. С. 145-148.

9. Ван-дер-Зил А. Флуктуации в радиотехнике и физике. М.; JL: Госэнергоиздат, 1958. 320 с.

10. Ватанабэ С., Икэда Н. Стохастические дифференциальные уравнения и диффузионные процессы. М.: Наука, 1986. 445 с.

11. Волътерра В. Математическая теория борьбы за существование. М: Наука, 1976. 286 с.

12. Гантмахер Ф.Р. Теория матриц. М: Наука, 1988. 552 с.

13. Гирсанов И. В. О преобразовании одного класса случайных процессов с помощью абсолютно непрерывной замены меры // Теория вероятн. и ее прим. 1960. Т. 5. Вып. 3. С. 314-330.

14. Гихман И.И., Скороход A.B. Введение в теорию случайных процессов. М.: Наука, 1977. 660 с.

15. Гихман И.И., Скороход A.B. Теория случайных процессов. Т.З. М.: Наука, 1975. 469 с.

16. Гихман И.И., Скороход A.B. Стохастические дифференциальные уравнения. Киев: Наукова думка, 1968. 354 с.

17. Гобсон Е.В. Теория сферических и эллипсоидальных функций. М.: ИЛ, 1952. 476 с.

18. Дзагнидзе З.А., Читашвили Р.Я. Приближенное интегрирование стохастических дифференциальных уравнений // Труды IV. Тбил. гос. ун-т. Ин-т прикл. мат. 1975. С. 267-279.

19. Дынкин Е.Б. Марковские процессы. М.: Наука, 1963, 860 с.

20. Жаботинский A.M. Концентрационные автоколебания. М: Наука, 1974. 178 с.

21. Козин Ф. Введение в устойчивость стохастических систем // Автоматика. 1969. N 5. С. 95-112.

22. Кореневский M.JI. Об оптимизации одного метода приближенного вычисления матричной экспоненты // Труды междунар. конф. "Средства математического моделирования". СПб.: Изд-во СПб ГТУ, 1997. С. 125-134.

23. Королюк B.C., Портенко Н.И., Скороход А.В., Турбин А.Ф. Справочник по теории вероятностей и математической статистике. М.: Наука, 1985. 640 с.

24. Кузнецов Д. Ф. Численное моделирование стохастических дифференциальных уравнений и стохастических интегралов. СПб.: Наука, 1999. 459 с.

25. Кузнецов Д.Ф. Численное интегрирование стохастических дифференциальных уравнений. СПб.: Издательство Санкт-Петербургского университета, 2001. 712 с.

26. Кузнецов Д.Ф. Разложение повторных стохастических интегралов Стратоновича, основанное на кратных рядах Фурье // Зап. науч. сем. ПОМИ им. В. А. Стеклова. 1999. Т. 260. С. 164-185.

27. Кульчицкий О.Ю., Кузнецов Д.Ф. Унифицированное разложение Тейлора-Ито // Зап. науч. сем. ПОМИ им. В. А. Стеклова. 1997. Т. 244. С. 186-204.

28. Кузнецов Д.Ф. Новые представления разложения Тейлора-Стра-тоновича // Зап. науч. сем. ПОМИ им. В. А. Стеклова. 2001. Т. 278. С. 141-158.

29. Кузнецов Д. Ф. Новые представления явных одношаговых численных методов для стохастических дифференциальных уравнений со скачкообразной компонентой // Журнал вычислит, матем. и матем. физики. 2001. Т.41, N 6. С.922-937.

30. Кузнецов Д.Ф. Применение методов аппроксимации повторных стохастических интегралов Стратоновича и Ито к численному моделированию управляемых стохастических систем / / Проблемы управления и информатики. 1999. N 4. С. 91-108.

31. Кузнецов Д.Ф. Применение полиномов Лежандра к среднеква-дратической аппроксимации решений стохастических дифференциальных уравнений // Проблемы управления и информатики. 2000. N 5. С. 84-104.

32. Кузнецов Конечно-разностные сильные численные методы порядков точности 1.5 и 2.0 для стохастических дифференциальных уравнений Ито с многомерным неаддитивным шумом // Проблемы управления и информатики. 2001. N 4. С. 59-73.

33. Кульчицкий О.Ю., Кузнецов Д.Ф. Численные методы моделирования систем управления, описываемых стохастическими дифференциальными уравнениями / / Проблемы управления и информатики. 1998. N 2. С. 57-72.

34. Кузнецов Д. Ф. Слабый численный метод четвертого порядка для стохастических дифференциальных уравнений Ито // Вестн. молодых ученых. Сер. прикл. мат. и мех. 2000. N 4. С. 47-52.

35. Кузнецов Д.Ф. К проблеме численного моделирования стохастических систем // Вестн. молодых ученых. Сер. прикл. мат. и мех. 1999. N 1. С. 20-32.

36. Кузнецов Д.Ф. Симметризованные повторные стохастические интегралы по пуассоновским мерам и их аппроксимация, основанная на кратных рядах Фурье. СПб.: Изд-во СПбГТУ. 1999. 23 с.

37. Кузнецов Д. Ф. Повторные симметризованные стохастические интегралы по мартингалам и их разложение, основанное на кратных рядах Фурье. СПб.: Изд-во СПбГТУ. 1999. 18 с.

38. Кузнецов Д. Ф. Замена порядка интегрирования в повторных стохастических интегралах по мартингалу. СПб.: Изд-во СПбГТУ. 1999. 11 с.

39. Кузнецов Д.Ф. Некоторые вопросы теории численного решения стохастических дифференциальных уравнений Ито. СПб.: Изд-во СПбГТУ. 1998. 203 с.

40. Кузнецов Д.Ф. Конечно-разностная аппроксимация разложения Тейлора-Ито и конечно-разностные методы численного интегрирования стохастических дифференциальных уравнений Ито. 1996. 24 с. Деп. в ВИНИТИ. 3509-В96.

41. Кузнецов Д.Ф. Конечно-разностный метод численного интегрирования стохастических дифференциальных уравнений Ито с локальной среднеквадратической погрешностью третьего порядка малости. 1996. 27 с. Деп. в ВИНИТИ. 3510-В96.

42. Кузнецов Д.Ф. Теоремы о замене порядка интегрирования в повторных стохастических интегралах. 1997. 31 с. Деп. в ВИНИТИ. 3607-В97. 10.12.97.

43. Кульчицкий О.Ю., Кузнецов Д.Ф. Библиотека программ стохастического моделирования линейных управляемых систем в среде МаЛАВ // Рабочая встреча " Средства математического моделирования". Санкт-Петербург, 3-6 декабря 1997: Тезисы докладов. С. 97-98.

44. Кушнер Г. Дж. Вероятностные методы аппроксимации в стохастических задачах управления и теории эллиптических уравнений. М.: Наука, 1985. 222 с.

45. Кушнер Г. Дж. Стохастическая устойчивость и управление. М.: Мир, 1969. 200 с.

46. Липцер Р.Ш., Ширяев А.Н. Статистика случайных процессов: Нелинейная фильтрация и смежные вопросы. М.: Наука, 1974. 696 с.

47. Милъштейн Г.Н. Приближенное интегрирование стохастических дифференциальных уравнений // Теория вероятн. и ее прим. 1974. Т.19. С. 557-562.

48. Милъштейн Г.Н. Метод второго порядка точности интегрирования стохастических дифференциальных уравнений // Теория вероятн. и ее прим. 1978. Т. 23. С. 396-401.

49. Милъштейн Г.Н. Слабая аппроксимация решений систем стохастических дифференциальных уравнений // Теория вероятн. и ее прим. 1985. Т. 30. С. 750-766.

50. Милъштейн Г.Н. Численное интегрирование стохастических дифференциальных уравнений. Свердловск: Изд-во Уральск, унта, 1988. 225 с.

51. Милъштейн Г.Н. Решение первой краевой задачи для уравнений параболического типа с помощью интегрирования стохастических дифференциальных уравнений // Теория вероятн. и ее прим. 1995. Т. 40. С. 657-665.

52. Неймарк Ю.И., Ланда П. С. Стохастические и хаотические колебания. М: Наука, 1987. 424 с.

53. Никитин H.H., Разевиг В.Д. Методы цифрового моделирования стохастических дифференциальных уравнений и оценка их погрешностей // Журн. вычисл. мат. и мат. физики. 1978. Т. 18. N 1. С. 106-117.

54. Орлов А. Служба Широты. М: Изд-во АН СССР, 1958. 126 с.

55. Первозванский A.A., Первозванская Т.П. Рынок: Расчет и риск. М.: ИНФРА, 1994. 210 с.

56. Понтрягин Л.С. Обыкновенные дифференциальные уравнения. Изд. 5-е. М.: Наука, 1982. 331 с.

57. Разевиг В.Д. Цифровое моделирование многомерных динамических систем при случайных воздействиях / / Автоматика и телемеханика. 1980. N 4. С. 177-186.

58. Рыжик И.М., Градштейн И. С. Таблицы интегралов, сумм, рядов и произведений. 3-е изд. М.; JL: Гос. изд-во техн.-теор. лит., 1951. 464 с.

59. Романовский Ю.М., Степанова П. В., Чернавский Д.С. Математическая биофизика. М: Наука, 1984. 304 с.

60. Самарский A.A. Теория разностных схем: 3-е изд. М.: Наука, 1989. 614 с.

61. Скороход A.B. Случайные процессы с независимыми приращениями. М.: Наука, 1964. 280 с.

62. Слуцкий Е.Е. О 11-летней периодичности солнечных пятен // Докл. АН СССР. 1935. Т. 4. N 9. Вып.1-2. С. 35-38.

63. Стратонович P.E. Условные марковские процессы и их применение к теории оптимального управления. М: Изд-во МГУ, 1966. 320 с.

64. Страт,онович Р.Л., Полякова М.С. Элементы молекулярной физики, термодинамики и статистической физики. М.: Изд-во МГУ, 1981. 176 с.

65. Стратонович Р. Л. Избранные вопросы теории флуктуаций в радиотехнике. М: Советское радио, 1961. 556 с.

66. Тихонов А.Н., Самарский A.A. Уравнения математической физики. 5-е изд. М.: Наука, 1977. 735 с.

67. Толст,ов Г.П. Ряды Фурье. М.; JL: Гос. изд-во техн.-теор. лит., 1951. 396 с.

68. Харди Г.Х., Рогозинский В.В. Ряды Фурье. М.: Гос. изд-во физ.-мат. лит., 1963. 156 с.

69. Хасьминский Р.З. Устойчивость систем дифференциальных уравнений при случайных возмущениях их параметров. М.: Наука, 1969. 365 с.

70. Ширяев А.Н. Вероятность. М.: Наука, 1989. 640 с.

71. Ширяев А.Н. Основы стохастической финансовой математики: В 2-х т. М.: Фазис, 1998. Т. 1. 512 с. Т. 2. 544 с.

72. Arato M. Linear stochastic systems with constant coefficients. A statistical approach. Berlin; Heidelberg; N. Y.: Springer-Verlag, 1982. 289 p.

73. Arnold L., Kloeden P.E. Explicit formulae for the Lyapunov exponents and rotation number of two-dimensional systems with telegraphic noise // SIAM J. Appl. Math. 1989. Vol. 49. P. 12421274.

74. Auslender E.I., Milstein G.N. Asymptotic expansion of the Lyapunov index for linear stochastic systems with small noise // Prikl. Mat. Mekh. 1982. Vol. 46. P. 358-365.

75. Bachelier L. Théorie de la spéculation // Ann. Sci. Ecol. Norm. Sup. Ser.3. 1900. Vol. 17. P. 21-86.

76. В fork T., Kabanov YuRunggalDier W. Bond market structure in the presence of marked point processes // Math. Finance. 1997. Vol. 7. N 2. P. 211-239.

77. Boyce W. E. Approximate solution of random ordinary differential equations // Adv. in Appl. Probab. 1978. N 10. P. 172-184.

78. Chang C.C. Numerical solution of stochastic differential equations with constant diffusion coefficients // Math. Comput. 1987. Vol. 49. P. 523-542.

79. Chung K.L., Williams R.J. Introduction to stochastic integration. Progress in probubility and stochastics. Vol. 4 / Ed. P. Huber, M. Rosenblatt. Boston; Basel; Stuttgart: Birkhäuser. 1983. 152 p.

80. Clements D.J., Anderson B.D.O. Well behaved Ito equations with simulations that always misbehave // IEEE Trans. Automat. Control. 1973. AC-18. P. 676-677.

81. Einstein A. Investigations on the theory of the Brownien movement. N. Y.: Dover, 1956. 122 p.

82. Greenside H.S., Helfand E. Numerical integration of stochastic differential equations. II // Bell System Tech. J. 1981. Vol. 60. P. 1927-1940.

83. Henrici P. Discrete variable methods in ordinary differential equations. N. Y.: Wiley, 1962. 407 p.

84. Hernandez D.B., Spigler R. Convergence and stability of implicit Runge-Kutta methods for systems with multiplicative noise // BIT. 1993. Vol. 33. P. 654-669.

85. Hull White A. The pricing of options as assets with stochastic volatilities //J. Finance. 1987. Vol. 42. P. 281-300.

86. Hull J. Options, futures and other derivatives securities. N. Y.: J.Willey and Sons, 1993. 368 p.

87. Kamke E. Differential Gleichungen Lösungsmethoden und Lösungen. Vol.1. Gewöhnliche differential Gleichungen. Leipzig: Verbesserte Auflage, 1959. 576 S.

88. Klauder J.R., Petersen W.P. Numerical integration of multiplicative-noise stochastic differential equations // SIAM J. Numer. Anal. 1985. Vol. 22. P. 1153-1166.

89. Kloeden P.E., Platen E. Higher-order implicit strong numerical schemes for stochastic differential equations // J. Statist. Phisics. 1992. Vol. 66. P. 283-314.

90. Kloeden P.E., Platen E. The Stratonovich and Ito-Taylor expansions // Math. Nachr. 1991. Bd 151. S. 33-50.

91. Kloeden P.E., Platen E. Numerical solution of stochastic differential equations. Berlin: Springer-Verlag, 1992. 632 p.

92. Kloeden P.E., Platen E., Schurz H. Numerical solution of SDE through computer experiments. Berlin: Springer-Verlag, 1994. 292 p.

93. Kloeden P.E., Platen E., Schurz H., Sorensen M. On effects of discretization on estimators of drift parameters for diffusion processes 11 J. Appl. Probab. 1996. Vol. 33. P. 1061-1076.

94. Kloeden P.E., Platen E., Wright I. W. The approximation of multiple stochastic integrals // Stoch. Anal. Appl. 1992. Vol. 10. N 4. P. 431441.

95. Kulchitski O.Yu., Kuznetsov D.F. Numerical simulation of stochastic control sistems // Proceedings of the International Conference on Informatics and Control, St.Petersburg, 9-13 June 1997. Vol. 1. P. 368-376.

96. Yu.A.Kutoyants Parameter estimation for stochastic processes. Berlin: Heldermann, 1984.

97. Lotka, A.J. Undamped oscillations derived from the law of mass action 11 J. Amer. Chem. Soc. 1920. Vol. 42. N 8. P. 1595-1599.

98. Maghsoodi Y., Harris C.J. In-probubility approximation and simulation of nonlinear jump-diffusion SDE // IMA J. Math. Control Inform. 1987. N 4 P. 65-92.

99. Maghsoodi Y. Mean-square efficient numerical solution of jumpdiffusion SDE. 1994. Preprint OR72. Univ. of Southampton. UK. 26 p.

100. Maruyama G. Continuous Markov processes and stochastic equations // Rend. Circ. Math. Palermo. 1955. N 4. P. 48-90.

101. Merton R.C. Option pricing when underlying stock returns and discontinuous //J. Financial Economics. 1976. N 3. P. 125-144.

102. Merton R.C. Continuous-time finance. Oxford; N.Y.: Blackwell, 1990. 453 p.

103. Mikulevicius R., Platen E. Rate of convergence of the Euler approximation for diffusion processes // Math. Nachr. 1991. Bd 151. S. 233-239.

104. Mikulevicius R., Platen E. Time discrete Taylor approximations for Ito processes with jump component // Math. Nachr. 1988. Bd 138. S. 93-104.

105. Milstein G.N. The probability approach to numerical solution of nonlinear parabolic equations. 1997. Preprint N 380, WIAS. 29 p.

106. Newton N.J. An asymptotically efficient difference formula for solving stochastic differential equations // Stochastics. 1986. Vol. 19. P. 175206.

107. Nyquist H. Thermal agittation of electric charge in conductors // Phys. Rev. 1928. Vol. 32. P. 110.

108. Obuhov A.M. Description of turbulence in Lagrangian variables // Adv. Geophis. 1959. N 3. P. 113-115.

109. Platen E. A Taylor-Ito formula for semimartingales solving a stochastic differential equation // Springer Lecture Notes in Control and Inform. Sci. 1981. Vol. 36. P. 157-164.

110. Platen E., Wagner W. On a Taylor formula for a class of Ito processes // Probab. Math. Statist. 1982. N 3. P. 37-51.

111. Platen E. A generalized Taylor formula for solutions of stochastic differential equations // Sankhya. Vol. 44A. 1982. P. 163-172.

112. Platen E. An approximation method for a class of Ito processes with jump component // Lietuvos Mat. Rink. 1982. N 22. P. 124-136.

113. Platen E. An introduction to numerical methods for stochastic differential equations // Acta Numerica. 1999. N 8. P. 195-244.

114. Platen E. On weak implicit and predictor-corrector methods // Math. Comput. Simulation. 1995. Vol. 38. P. 69-76.

115. Platen E. Zur zeitdiskreten Approximation von Itoprozessen. Diss. B., I Math., Akad. Wiss. DDR. 1984. Berlin.

116. Pontrjagin L.S., Andronov A.A., Witt A.A. Statistische Auffassung dynamischer Systeme // Phys. Z. 1934. Bd 6. S. 1-24.

117. Rössler O.E. An equation for continuous chaos // Phys. Lett. 1976. Vol. 57A. N 5. P. 397-398.

118. Rumelin W. Numerical treatment of stochastic differential equations // SIAM J. Numer. Anal. 1982. Vol.19. P. 604-613.

119. Shkurko 1.0. Numerical solution of linear systems of stochastic differential equations / / Numer. Methods Statist. Modeling. Collected Scientific Works. Novosibirsk, 1987. P. 101-109.

120. Smoluhovski M. V. Drei Vorträge über Diffusion Brownsche Bewegung und Koagulation von Kolloidteilchen // Phys. Z. 1906. Bd 17. S. 557585.

121. Sorensen M. On quasi likelihood for semimartingales // Stoch. Proc. Appl. 1990. Vol. 34. P. 331-346.

122. Talay D. Convergence pour chaque trajectoire d'un scheme d'approximation des EDS // Computes Rendus Acad. Sei. Paris. Ser. I. Math. 1982. Vol. 295. P. 249-252.

123. Talay D., Tubaro L. Expansion of the global error for numerical schemes solving stochastic differential equations // Stoch. Anal. Appl. 1990. Vol. 8. N 4. P. 483-509.

124. Talay D. Efficient numerical schemes for the approximation of expectations of functionals of the solution of an SDE and applications // Springer Lecture Notes in Control and Inform. Sei. 1984. Vol. 61. P. 294-313.

125. Wagner W., Platen E. Approximation of Ito integral equations. 1978. Preprint ZIMM Akad. Wiss. DDR. Berlin. 1978. 27 p.

126. Wolf J.R. Neue Untersuchungen über die Periode der Sonnenflecken und ihre Bedeutung // Mit. Naturforsch. Ges. Bern. 1852. Bd 255. S. 249-270.

127. Wright D.J. Digital simulation of Poisson stochastic differential equations // Internat. J- Systems Sci. 1980. Vol. 11. N 6. P. 781785.