🔢 mathematics

Rates of convergence of finite element approximations of second-order mean field games with nondifferentiable Hamiltonians

本文证明了在具有强单调运行成本的一般有界多面体利普希茨域中，具有不可微哈密顿量的二阶平稳平均场博弈有限元逼近的收敛速率，具体给出了值函数在 $H^1$ 范数下和密度在 $L^2$ 范数下的收敛阶，并建立了不可微哈密顿量精确解与其正则化哈密顿量有限元离散解之间的误差收敛率。

原作者： Yohance A. P. Osborne, Iain Smears

发布于 2026-03-20

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Yohance A. P. Osborne, Iain Smears

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常复杂的数学问题，但我们可以用一个生动的**“超级拥挤的舞会”**故事来理解它。

1. 故事背景：无限人的舞会（平均场博弈）

想象一个巨大的舞厅（这就是论文中的“域 $\Omega$ "），里面有无穷多个舞者（这就是“玩家”）。

目标：每个舞者都想让自己跳得最舒服（成本最低），同时避开拥挤。
规则：
1. 个人策略（ $u$ ）：每个舞者都在心里计算：“如果我现在往哪边跳，能让我最开心？”这就像是在解一个复杂的数学方程（Hamilton-Jacobi-Bellman 方程）。
2. 人群密度（ $m$ ）：所有人的移动会改变舞厅里人群的分布。如果大家都往左挤，左边就会变得很拥挤。这由另一个方程（Kolmogorov-Fokker-Planck 方程）描述。
3. 相互影响：个人的最佳策略取决于人群有多挤，而人群的分布又取决于每个人的策略。这就形成了一个死循环，必须找到一个“平衡点”（纳什均衡），让大家都满意。

2. 遇到的麻烦：模糊的“最佳方向”（不可微的哈密顿量）

在大多数数学模型中，舞者的“最佳方向”是清晰明确的。比如，如果左边拥挤，最佳方向就是“向右”。这就像指南针，指针指得很准。

但在现实世界（以及这篇论文研究的场景）中，情况可能很模糊：

场景：假设舞厅里有两个出口，左边和右边。如果两个出口一样好，舞者该选哪个？
问题：这时候，“最佳方向”不再是单一的，而是一个集合（可以是左，也可以是右，或者中间任何方向）。在数学上，这叫做**“不可微”**（Non-differentiable）。
后果：因为方向不唯一，传统的数学工具（就像一把只能切直线的刀）就失效了。我们无法精确地算出每个人具体往哪走，只能知道他们“可能”往哪走。这就像试图用尺子去测量一团雾的形状。

3. 解决方案：把“雾”变成“水”（正则化）

既然直接算“雾”太难，数学家们想出了一个聪明的办法：正则化（Regularization）。

比喻：想象那团模糊的雾（不可微的函数）。我们往里面加一点点“魔法胶水”（数学上的 Moreau-Yosida 正则化）。
效果：这团雾瞬间变得平滑了，变成了一个清晰的水流。现在，每个舞者都有一个唯一的最佳方向了。
代价：虽然方向变清晰了，但这个方向是“近似”的，不是原本那个完美的“雾”的方向。不过，只要胶水加得足够少（参数 $\lambda$ 足够小），这个近似就非常准。

4. 计算机的难题：如何模拟这个舞会？（有限元方法）

现在，我们要用计算机来模拟这个舞会。计算机不能处理“无穷多”个舞者，它只能处理网格。

网格化：我们把舞厅切成无数个小方块（网格）。每个方块代表一群舞者。
挑战：
1. 即使我们用了“胶水”让方向变清晰了，计算机在切分方块时，还是会产生误差。
2. 如果网格太粗（方块太大），算出来的结果就像低像素图片，全是马赛克。
3. 如果网格太细（方块太小），计算量会爆炸，电脑会死机。
4. 更麻烦的是，那个“胶水”（正则化参数 $\lambda$ ）如果加得太少，方向又变模糊了，计算机算不出来；加得太多，结果又不准。

5. 论文的核心贡献：找到完美的“平衡点”

这篇论文的主要工作，就是给出一套精确的公式，告诉我们要切多小的方块（网格大小 $h$ ），以及加多少“胶水”（正则化参数 $\lambda$ ），才能让结果既准确又算得出来。

之前的困境：以前大家知道这种方法能算出结果（收敛），但不知道算得有多快，也不知道误差具体有多大。就像你知道把水倒进杯子里能装满，但不知道倒多少毫升能刚好满。
现在的突破：
- 作者证明了，如果我们把网格切得足够细，并且巧妙地调整“胶水”的量，计算机算出来的结果（ $u_k, m_k$ ）和真实世界的完美结果（ $u, m$ ）之间的误差，会以一个特定的速度缩小。
- 具体速度：误差大约与网格大小的 $1/3$ 次方成正比（ $h^{1/3}$ ）。这意味着，如果你把网格切得细 8 倍（ $2^3$ ），误差大概能缩小 2 倍。虽然这不是最快的（理想情况可能是 $h^1$ ），但在处理这种“模糊方向”的复杂问题时，这已经是一个巨大的进步和保证了。

6. 总结：为什么这很重要？

现实应用：很多现实问题（比如交通拥堵、金融市场的恐慌性抛售、机器人集群控制）都存在“方向不唯一”的情况。这篇论文让计算机能更可靠地模拟这些混乱的场景。
实用技巧：论文还指出，在实际编程时，与其死磕那个模糊的原始问题，不如用“加了胶水”的平滑版本来算。只要按照论文给的公式调整参数，你既能算得快，又能保证结果不会差太远。

一句话总结：
这篇论文就像是为了解决“在迷雾中跳舞”的难题，发明了一套**“切分舞厅 + 加微量胶水”**的精密操作指南，并精确计算出了这套方法能有多准，让计算机能可靠地模拟那些最复杂、最混乱的人群互动。

1. 研究问题 (Problem Statement)

本文研究的是定义在有界多面体 Lipschitz 区域 $\Omega \subset \mathbb{R}^d$ 上的稳态二阶平均场博弈（Mean Field Games, MFG）系统，其核心挑战在于哈密顿量（Hamiltonian）是**不可微（nondifferentiable）**的。

数学模型：
该系统由一个耦合的偏微分包含（PDI）描述：
$\begin{cases} -\nu\Delta u + H(x, \nabla u) = F[m](x) & \text{in } \Omega, \\ -\nu\Delta m - G(x) \in \text{div}(m \partial_p H(x, \nabla u)) & \text{in } \Omega, \end{cases}$
其中：
- $u$ 是值函数（Value function）， $m$ 是玩家密度（Density）。
- $H(x, p)$ 是凸且 Lipschitz 连续的哈密顿量，但关于 $p$ （梯度）不可微。
- $\partial_p H$ 是 $H$ 关于 $p$ 的次微分（subdifferential），导致第二个方程是一个包含关系（inclusion），而非标准的偏微分方程。
- $F[m]$ 是耦合项，假设为强单调算子。
- 边界条件为齐次 Dirichlet 边界条件。
背景与难点：
- 在经典 MFG 理论中，通常假设 $H$ 可微，从而使得 Kolmogorov-Fokker-Planck (KFP) 方程中的对流项明确。
- 当 $H$ 不可微时（例如在最小退出时间问题或 bang-bang 控制问题中），最优反馈控制不唯一，导致 $\partial_p H$ 是一个集合。这使得数值求解变得极其困难，因为需要处理非光滑性和解的低正则性（密度 $m$ 可能仅属于 $L^2$ 甚至更低正则性空间）。
- 现有的收敛性结果多为定性（即证明收敛但无具体速率），或者仅针对正则哈密顿量。本文旨在填补这一空白，提供先验误差界（a priori error bounds）和具体的收敛速率。

2. 方法论 (Methodology)

作者采用了一种结合**正则化（Regularization）与有限元离散化（Finite Element Discretization）**的策略，通过三角不等式将总误差分解为三个部分进行估计。

2.1 数值离散化方案

有限元空间：使用分片线性（Piecewise Linear）有限元空间 $V_k$ 。
稳定化方法（Stabilized FEM）：针对对流占优或不可微带来的数值不稳定，引入了一类稳定化有限元方法。离散算子 $L$ 包含数值扩散项 $D_k$ ，并满足离散极大值原理（Discrete Maximum Principle, DMP）。这保证了数值解的非负性（对于密度 $m$ ）和稳定性。
离散形式：寻找 $(u_k, m_k) \in V_k \times V_k$ 满足离散化的变分形式，其中包含从次微分集合中选取的可测选择 $\tilde{b}_k$ 。

2.2 正则化策略 (Moreau-Yosida Regularization)

为了处理不可微的 $H$ ，作者引入了 Moreau-Yosida 正则化 $H_\lambda$ ：
$H_\lambda(x, p) = \inf_{q \in \mathbb{R}^d} \left\{ H(x, q) + \frac{1}{2\lambda}|q - p|^2 \right\}$

$H_\lambda$ 是 $C^{1,1}$ 光滑的，且当 $\lambda \to 0$ 时收敛到 $H$ 。
正则化后的系统变为标准的耦合偏微分方程组（PDE），而非包含关系，从而可以使用标准的有限元理论分析。
正则化参数 $\lambda$ 与网格尺寸 $h$ 相关联，记为 $\lambda_k$ 。

2.3 误差分析框架

总误差 $\|u - u_k\| + \|m - m_k\|$ 被分解为以下三部分（见公式 1.5）：

正则化误差：精确解 $(u, m)$ $(u, m)$ 与正则化精确解 $(u_\lambda, m_\lambda)$ $(u_{λ}, m_{λ})$ 之间的误差。
- 利用文献 [26] 的结果，证明该误差为 $O(\lambda^{1/2})$ 。
离散化误差（正则化问题）：正则化精确解 $(u_\lambda, m_\lambda)$ $(u_{λ}, m_{λ})$ 与其有限元近似 $(u_{k,\lambda}, m_{k,\lambda})$ $(u_{k, λ}, m_{k, λ})$ 之间的误差。
- 这是本文的核心难点。由于 $H_\lambda$ 的导数 Lipschitz 常数随 $\lambda^{-1}$ 增长，直接分析困难。作者利用半光滑性（Semismoothness）引理和对偶论证（Duality argument），结合椭圆正则性理论，证明了该误差界为 $O(\lambda^{-1} h^\gamma + \lambda^{1/2})$ 。
离散化误差（原始问题）：原始离散解 $(u_k, m_k)$ $(u_{k}, m_{k})$ 与正则化离散解 $(u_{k,\lambda}, m_{k,\lambda})$ $(u_{k, λ}, m_{k, λ})$ 之间的误差。
- 利用强单调性和凸性分析，证明该误差为 $O(\lambda^{1/2})$ 。

3. 关键贡献 (Key Contributions)

首次建立不可微 MFG 的收敛速率：
在一般 Lipschitz 多面体域上，针对具有不可微哈密顿量的二阶 MFG 系统，首次证明了有限元逼近的先验误差界。
具体的收敛速率：
证明了在 $H^1$ 范数下值函数 $u$ 和在 $L^2$ 范数下密度 $m$ 的收敛速率均为：
$\|u - u_k\|_{H^1} + \|m - m_k\|_{L^2} \lesssim h^{\gamma/3}$
其中 $\gamma \in (0, 1]$ 取决于区域 $\Omega$ 的椭圆正则性（凸区域 $\gamma=1$ ，非凸区域 $\gamma < 1$ ）。
处理次微分包含的新技术：
克服了次微分 $\partial_p H$ 的不连续性和低正则性带来的挑战。通过引入 Moreau-Yosida 正则化，并精细分析正则化参数 $\lambda$ 与网格尺寸 $h$ 的平衡（ $\lambda_k \sim h^{2\gamma/3}$ ），成功导出了收敛速率。
实用计算建议：
指出在实际计算中，直接求解包含关系（PDI）非常困难，而求解正则化后的 PDE 系统更容易。本文证明了使用正则化离散解 $(u_{k,\lambda}, m_{k,\lambda})$ 作为近似解，同样能获得 $O(h^{\gamma/3})$ 的收敛速率，为实际工程应用提供了理论依据。

4. 主要结果 (Key Results)

定理 5.1 (主定理)：
对于充分大的 $k$ ，存在常数 $C$ 使得：
$\|u - u_k\|_{H^1(\Omega)} + \|m - m_k\|_{L^2(\Omega)} \leq C h_k^{\gamma/3}$
其中 $h_k$ 是网格尺寸， $\gamma$ 由 Poisson 方程在 $\Omega$ 上的 $H^{1+\gamma}$ 正则性决定。
- 若 $\Omega$ 为凸多面体， $\gamma=1$ ，收敛速率为 $O(h^{1/3})$ 。
- 若 $\Omega$ 为非凸多边形，收敛速率取决于最大内角，通常低于 $1/3$ 。
引理 4.3 (核心技术引理)：
建立了正则化精确解与正则化离散解之间的误差界：
$\|u_\lambda - u_{k,\lambda}\|_{H^1} + \|m_\lambda - m_{k,\lambda}\|_{L^2} \lesssim \lambda^{1/2} + \lambda^{-1} h^\gamma$
该结果揭示了正则化参数 $\lambda$ 的负幂次项（ $\lambda^{-1}$ ）是由于正则化哈密顿量导数的 Lipschitz 常数发散引起的，这是推导最终速率 $h^{\gamma/3}$ 的关键瓶颈。
推论 5.2：
证明了直接计算正则化离散解 $(u_{k,\lambda}, m_{k,\lambda})$ 也能达到相同的收敛速率，且在实际数值求解中更具可行性。

5. 意义与影响 (Significance)

理论突破：解决了非光滑 MFG 数值分析中长期存在的“只有定性收敛，缺乏定量速率”的问题。证明了即使哈密顿量不可微且解的正则性较低，有限元方法依然具有可预测的收敛性。
方法论创新：展示了如何通过 Moreau-Yosida 正则化将复杂的微分包含问题转化为可分析的 PDE 问题，并巧妙地平衡了正则化误差与离散化误差。
应用价值：为处理具有非唯一最优控制（如 bang-bang 控制、最小时间问题）的随机最优控制问题提供了可靠的数值工具。
局限性说明：作者指出，目前的理论速率 $h^{\gamma/3}$ 可能是保守的（pessimistic）。数值实验（参考文献 [24, 27]）通常观察到最优阶 $O(h)$ 的收敛，这表明在最坏情况下的理论界限可能尚未达到最优，但本文提供了第一个严格的理论保证。

综上所述，该论文通过严谨的数学分析，为不可微平均场博弈的有限元数值模拟奠定了坚实的理论基础，并给出了具体的误差估计和参数选择策略。