🔢 mathematics

Implementation of Milstein Schemes for Stochastic Delay-Differential Equations with Arbitrary Fixed Delays

本文提出了应用于具有任意固定时滞的随机时滞微分方程的欧拉–丸山方案和米尔斯坦方案的数值实现技术，利用线性插值实现 1/2 阶收敛，并采用具有可变步长的增广时间网格实现 1 阶收敛，从而克服了先前方法仅限于可分时滞的局限性。

原作者： Mitchell T. Griggs, Kevin Burrage, Pamela M. Burrage

发布于 2026-05-05

📖 1 分钟阅读🧠 深度阅读

原作者： Mitchell T. Griggs, Kevin Burrage, Pamela M. Burrage

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

想象一下，你正在试图预测一艘船在河流中随波逐流的轨迹。这条河并不平静，而是波涛起伏，充满随机波浪（这就是“随机”部分）。但这里有个转折：船的舵不仅会对此刻击打它的波浪做出反应，还会对五分钟前甚至十分钟前击打它的波浪做出反应。

这就是科学家所称的随机时滞微分方程（SDDE）。这是一个用于建模股票价格、生物种群或化学反应的数学问题，在这些现象中，过去会以随机的方式影响现在。

你所询问的这篇论文解决了一个非常具体且棘手的问题：当那些“过去的时间点”无法与你的时钟整齐对齐时会发生什么？

问题：“不匹配的时钟”

为了在计算机上求解这些方程，科学家通常将时间分割成微小的、相等的片段，就像一把每隔一毫米就有刻度的尺子。这被称为均匀时间网格。

简单情况（可整除的时滞）： 假设时滞正好是 5 秒，而你的时钟每秒跳动一次。当计算机需要知道 5 秒前发生了什么时，它只需查看正好向后数 5 个刻度的位置。这非常简单。
困难情况（不可整除的时滞）： 现在假设时滞是 $\pi$ 秒（约 3.14159...），但你的时钟仍然每秒跳动一次。当计算机需要知道 3.14 秒前发生了什么时，那里根本没有刻度！它卡在 3 秒刻度和 4 秒刻度之间。

很长一段时间以来，计算机只能处理“简单情况”。如果时滞是像 $\pi$ 或 $\sqrt{2}$ 这样无法匹配时钟的杂乱数字，科学家不得不选择：

猜测： 通过在 3 秒刻度和 4 秒刻度之间画一条直线来近似缺失的值（线性插值）。这虽然可行，但速度慢且不准确。
放弃： 只研究那些时滞恰好是“漂亮”数字的问题。

解决方案：定制一把尺子

作者 Mitchell Griggs、Kevin Burrage 和 Pamela Burrage 表示：“为什么要强迫时钟去适应时滞？让我们建造一把能完美契合时滞的定制尺子吧。”

他们开发了一种方法来创建增强型时间网格。你可以把这想象成在你的标准尺子上，无论数字多么杂乱，都在那些“过去”的时刻精确地添加额外的、定制的刻度。

以下是他们解决方案的简单运作方式：

1. “智能”尺子（增强网格）

计算机不再被迫每隔 1 秒检查一次，而是构建一个它需要检查的每一个瞬间的列表。

它检查当前时刻。
它检查当前时刻减去时滞的时刻。
它检查当前时刻减去两个时滞的时刻（因为有时过去依赖于过去的过去）。
它将所有这些时间排序成一个单一的有序列表。

现在，即使时滞是 $\pi$ ，计算机也有一个精确对应 $\pi$ 秒前的特定刻度。它不再需要猜测。

2. “高清”相机（Milstein 格式）

这篇论文专注于一种特定的数学工具，称为Milstein 格式。

低分辨率相机（Euler-Maruyama）： 这就像给船拍一张模糊的照片。它很快，但不够准确。即使使用“猜测”方法它也能正常工作，但它无法捕捉船运动中的细微细节。
高分辨率相机（Milstein）： 这是一台超清晰的相机，能完美捕捉船的运动。然而，它需要非常精确的数据。如果你给它输入一个“猜测”的值（来自模糊照片方法），画面就会被破坏，高分辨率相机的优势也会丧失。

作者的重大突破在于证明，通过使用他们的定制尺子（增强网格），他们可以为**高分辨率相机（Milstein 格式）**提供其所需的精确数据，即使时滞是杂乱的数字。这使得计算机能够为以前无法准确求解的问题获得“高清”结果。

权衡：更多刻度，更多工作

这里有一个陷阱。建造这把定制尺子需要更多的工作。

如果你有一个简单的时滞，你的尺子有 100 个刻度。
如果你有一个杂乱的时滞，你的尺子可能需要 1,000 个刻度来覆盖所有“中间”时刻。

论文表明，虽然这需要更多的计算机内存和时间，但结果是值得的。“高分辨率”方法（一阶）比“低分辨率”方法（一阶/二阶）显著更准确，特别是当你需要精确答案时。

论文中的现实世界示例

作者在金融期权模型（具体为“数字看涨期权”）上测试了这种方法。

想象一下，你正在下注某只股票价格在未来是否会超过某个特定数值。
股票价格取决于其过去的波动性（即它波动起伏的程度）。
如果那个过去的时间是一个杂乱的数字（比如 $\pi$ 秒前），旧的方法会给出模糊且不准确的预测。
新方法构建了定制尺子，计算了精确的过去波动性，并给出了关于该期权价值更清晰、更可靠的预测。

总结

这篇论文本质上是一份指南，教导我们如何停止强迫杂乱的时滞去适应整齐、均匀的时间段。相反，它教导我们如何构建一个灵活的、定制的时间线，包含数学所需的每一个瞬间。这使我们能够利用最强大、最高精度的计算工具，去解决那些以前因为太杂乱而无法准确求解的问题。

技术摘要：具有任意固定时滞的随机时滞微分方程的 Milstein 格式实现

1. 问题陈述

本文针对具有多个固定时滞（ $\tau_1, \dots, \tau_K$ ）的伊藤随机时滞微分方程（SDDEs）的数值模拟问题，这些时滞不与均匀时间网格对齐。尽管针对此类方程的强收敛阶为 $1/2$ （Euler–Maruyama）和 $1$（Milstein）的理论框架已经存在，但一阶格式的实际实现主要局限于“可分时滞”的情况，即所有时滞均为公共步长 $h$ 的整数倍。

核心挑战在于，高阶格式（特别是 Milstein 格式）需要在延迟时刻（ $t_n - \tau_k$ ）评估解，并计算延迟的迭代随机积分（ $I^{\tau_k}_{ij}$ ）。当时滞为“不可分时滞”（即时滞与步长之间不存在公约数）时，这些所需的时间点并不与模拟网格重合。因此，标准的固定步长实现无法精确评估这些项，迫使使用近似方法，从而导致收敛阶退化为 $1/2$ 。

2. 方法论

作者提出了一种系统性的方法，以实现具有任意固定时滞的 SDDEs 的强收敛阶（OoC）1。该方法分为两个主要策略：

A. 用于 OoC 1/2 的线性插值（LI）

为了提供一个计算高效的基准，作者实现了固定步长 $h$ 的格式。当延迟时间点（ $t_n - \tau_k$ ）落在网格点之间时，延迟的解值通过最近模拟值之间的线性插值（LI）进行近似。

格式：Euler–Maruyama（EM）、Milstein、Magnus–Euler–Maruyama（MEM）和 Magnus–Milstein（MM）均利用 LI 进行了适配。
结果：该方法简单且高效，但将收敛阶限制在 $1/2$ ，即使使用精细的积分近似也是如此，因为插值误差主导了全局误差。

B. 用于 OoC 1 的增强时间网格

为了实现理论上的 OoC 1，作者构建了一个增强时间网格，明确包含了 Milstein 格式评估所需的所有时间点。

构建：网格从一组初始观测时间（包括终端时间 $T$ 和时滞的倍数）开始构建，并递归地添加所有必要的延迟点（ $t_n - \tau_k$ 、 $t_n - \tau_l - \tau_k$ 等），直到该集合在区间 $[0, T]$ 内对时滞运算封闭。
变步长：这导致了一个非均匀的、变步长的网格。
积分模拟：作者将原本为可分时滞开发的迭代随机积分梯形近似方法扩展到了此增强网格上。他们通过应用相同构建逻辑但使用更细的初始步长，定义了增强精细时间网格（ARTM）。这确保了格式网格中的任意区间 $[t_n, t_{n+1}]$ 对应的延迟区间 $[t_n - \tau_k, t_{n+1} - \tau_k]$ 都能被 ARTM 完全解析，从而允许使用梯形法则精确模拟延迟迭代积分 $I^{\tau_k}_{ij}$ 。

3. 主要贡献

增强网格框架：本文介绍了一种构造性算法（算法 1），用于生成能够容纳任意固定时滞的时间网格，从而无需插值即可精确评估延迟格式值。
梯形积分的扩展：作者利用 ARTM 将迭代随机积分的梯形近似推广到不可分时滞设置中，确保延迟积分区域与网格点对齐。
收敛性验证：本文提供了理论证明（定理 4）和数值证据，表明当在增强网格上实施并配合精细积分时，Milstein 和 Magnus–Milstein 格式即使在不可分时滞下也能达到其理论强收敛阶 1。
比较分析：该工作系统比较了固定步长 LI 格式（OoC 1/2）与增强网格格式（OoC 1）的性能，证明虽然增强网格因网格规模增长而产生更高的计算成本，但它是实现 1 阶精度所必需的。

4. 结果

收敛阶：数值实验证实，对于可分时滞，固定步长和增强网格格式均表现符合预期。然而，对于不可分时滞，使用线性插值的固定步长格式退化为 OoC 1/2。相比之下，增强网格格式保持了 OoC 1。
网格规模与时滞幅度：增强网格的规模随时滞倍数的数量呈二次方增长。作者指出，当时滞相对于终端时间 $T$ 较大时，该方法最为实用。当时滞较小时，网格规模可能变得大得无法接受。
计算效率：表 3 显示，虽然增强网格比固定步长 LI 方法需要更多的计算时间，但在需要高精度的情况下，它可能比 LI 方法更高效。例如，为了达到特定的误差水平，在特定的不可分时滞配置中，增强网格 Milstein 格式被发现比 EM LI 格式更快。
在金融模型中的应用：该方法被应用于延迟局部波动率模型（DLVM）以定价数字看涨期权。与低阶方法相比，增强网格 Milstein 格式在较粗的时间分辨率下提供了稳定且准确的期权价值估计。

5. 意义与主张

本文声称填补了高阶 SDDE 求解器的理论存在与其针对一般时滞的实际实现之间的关键空白。

实际实现：作者强调，尽管连续 Milstein 格式已由 Kloeden 和 Shardlow [14] 在理论上确立，但针对不可分时滞尚无标准的实现策略。本文提供了该策略。
鲁棒性：该方法被证明在各种时滞配置下均具有鲁棒性，包括多时滞情况以及无理数时滞值（例如 $\pi/4$ ）。
局限性与未来工作：作者谦逊地承认，增强网格规模可能成为小步长时的瓶颈。他们建议，对于此类情况，LI 方法（OoC 1/2）仍然是一个可行的替代方案。文中提到的未来扩展包括处理时变时滞或分布时滞，以及探索自适应细化或并行实现以缓解计算成本。

总之，本文确立了通过放弃均匀时间网格的约束，转而采用系统构建的增强网格，可以实现具有任意固定时滞的 SDDEs 的强收敛阶 1，从而使得金融、生态等领域复杂随机模型的模拟更加精确。