Approximation of invariant probability measures for super-linear stochastic functional differential equations with infinite delay

本文提出了一种适用于具有无限时滞和一侧 Lipschitz 漂移系数的超线性随机泛函微分方程的显式截断欧拉 - 马尔uyama 格式，在建立强收敛性的基础上，证明了该格式生成的数值不变概率测度在 Wasserstein 距离下以显式速率收敛于精确不变概率测度。

要点

这篇论文听起来充满了高深的数学名词，比如“随机泛函微分方程”、“无限延迟”和“不变概率测度”。别担心，让我们把这些复杂的概念拆解开来，用生活中的例子来理解这项研究到底在做什么。

1. 故事背景：带有“记忆”的混乱系统

想象一下，你正在观察一个极其复杂的系统，比如：

• 生态系统：狼和兔子的数量变化。
• 金融市场：股票价格的波动。
• 流行病传播：病毒在人群中的扩散。

在这个系统中，现在的状态不仅取决于现在发生了什么，还取决于过去很长一段时间里发生了什么。这就是论文中提到的**“无限延迟” (Infinite Delay)**。就像你现在的决定（比如买股票）不仅受今天新闻的影响，还受你过去十年投资经验的影响一样。

此外，这个系统还充满了随机性（比如突发的新闻、天气变化），就像在方程里加了一个“布朗运动”（随机噪音）。

2. 核心难题：超级线性的“失控”风险

这个系统里有一个叫“漂移系数”的东西，它代表了系统自我演变的趋势。

• 普通情况：如果系统偏离太远，会有某种力量把它拉回来（像弹簧一样）。
• 本文的情况（超级线性）：这个系统的“拉力”非常奇怪。如果系统稍微偏离，它可能还好；但如果偏离得太大，这个“拉力”会爆炸式增长（超级线性）。

比喻：想象你在骑自行车下坡。

• 普通情况：你越骑越快，但风阻会把你限制住。
• 超级线性情况：你骑得越快，风阻不仅不把你拉回来，反而像火箭助推器一样推着你疯狂加速，直到你飞出地球。

在数学上，这意味着如果我们用传统的计算方法（比如简单的欧拉 - 马鲁雅马法，简称 EM 法）去模拟它，计算结果会瞬间爆炸（变成无穷大），导致计算失败。

3. 过去的困境：要么算不准，要么算不动

为了解决这个问题，以前的科学家主要有两种办法：

1. 只算短期记忆：假设系统只记得过去很短时间的事。但这不符合现实（比如经济危机往往有长期的历史根源）。
2. 用“隐式”算法：这是一种非常保守、计算量巨大的方法。
   • 比喻：想象你要解一个复杂的谜题。
     • 显式算法：直接猜下一步是什么，简单快，但容易猜错导致崩盘。
     • 隐式算法：每走一步都要先算出“如果走这一步，未来会发生什么”，然后反推回来。这非常准确，但极其耗时，就像每走一步都要停下来做一套奥数题。对于需要模拟成千上万步的长期系统，这太慢了。

4. 本文的突破：聪明的“截断”策略

这篇论文提出了一种新的、显式的、聪明的算法，叫做**“截断欧拉 - 马鲁雅马法” (TEM)**。

它的核心思想是“截断” (Truncation)：

• 空间截断：当系统状态变得太疯狂（数值太大）时，算法会强行把它“砍”到一个安全的范围内，防止它爆炸。就像给火箭装了一个安全阀，压力太大就自动泄压。
• 时间截断：因为系统有“无限记忆”，如果我们要记录过去每一秒的数据，内存会爆炸。这个算法很聪明，它发现太久远的记忆其实影响很小。所以，它只保留最近的一段记忆（比如最近 100 步），把更久远的记忆“截断”掉。

比喻：
想象你在写日记。

• 旧方法：为了预测明天，你必须把过去 100 年每天的日记都读一遍，还要做复杂的计算。这太累了，根本做不到。
• 新方法 (TEM)：你只读过去 3 个月的日记，而且如果发现某天的日记写得像疯了一样（数值过大），你就把它简化成“那天发生了大事”这一句话。这样，你既能抓住重点，又不会累死，还能算得很快。

5. 主要成就：不仅算得快，还能算得准

这篇论文证明了他们的“新方法”有三个厉害之处：

1. 收敛性（算得准）：他们证明了，只要把时间步长设得足够小，这个算法算出来的结果，会无限接近真实的系统行为。而且，他们算出了收敛的速度（大概是 1/2 次方），这意味着只要稍微增加计算量，精度就会大幅提升。
2. 稳态分布（找规律）：虽然系统很乱，但长期来看，它会在某个范围内波动，形成一个稳定的概率分布（就像抛硬币，虽然每次结果随机，但长期看正反面各占 50%）。这个分布叫做**“不变概率测度” (IPM)**。
   • 以前的方法很难算出这个分布。
   • 这篇论文证明了，用他们的 TEM 算法，也能算出这个分布，而且算出来的分布和真实分布非常接近。
3. 省内存（算得久）：这是最实用的点。因为用了“时间截断”，算法只需要存储最近的一小段历史数据。这意味着我们可以用普通的电脑，模拟非常长的时间跨度（比如模拟几十年的气候变化），而不用担心电脑内存不够用。

6. 总结：为什么这很重要？

简单来说，这篇论文解决了一个**“既要马儿跑（算得快、显式），又要马儿不吃草（省内存），还要马儿不乱跑（处理超级线性爆炸）”**的难题。

• 以前：想算这种带长期记忆且容易失控的系统，要么算不准，要么算不动。
• 现在：有了这个 TEM 算法，科学家可以用更少的电脑资源，更准确地模拟复杂的物理、生物或经济系统，并预测它们长期的稳定状态。

一句话总结：
作者发明了一种**“带安全阀和记忆过滤器”的超级计算器**，让计算机能够轻松、准确地模拟那些**既记仇（无限记忆）又容易发疯（超级线性增长）**的复杂世界。

技术摘要

这是一份关于论文《超线性无限时滞随机泛函微分方程不变概率测度的近似》（Approximation of invariant probability measures for super-linear stochastic functional differential equations with infinite delay）的详细技术总结。

1. 研究背景与问题 (Problem)

• 研究对象：一类具有无限时滞（Infinite Delay）且漂移系数具有超线性增长（Super-linear growth）性质的随机泛函微分方程（SFDEs）。这类方程广泛应用于物理、生物和经济系统中，用于描述具有长记忆效应的现象。
• 核心问题：研究此类方程不变概率测度（Invariant Probability Measures, IPMs）的数值近似。
• 现有挑战：
  1. 超线性增长：传统的显式欧拉 - 马丸（Euler-Maruyama, EM）格式在处理超线性系数时，其矩会发散，导致数值解不稳定。
  2. 无限时滞：无限时滞意味着系统依赖于整个历史路径，存储所有历史数据在计算上不可行（存储成本随时间无限增加）。
  3. 现有方法局限：
     • 大多数关于 IPM 数值近似的研究集中在有限时滞情形。
     • 处理超线性系数通常依赖隐式格式（如向后 EM 格式），但这需要在每一步迭代中求解非线性代数方程，计算成本高昂。
     • 现有的无限时滞数值方法多用于有限时间收敛分析，缺乏针对长期遍历性（Ergodicity）和不变测度收敛性的显式格式研究。

2. 方法论 (Methodology)

为了解决上述挑战，作者提出了一种显式截断欧拉 - 马丸格式（Explicit Truncated Euler-Maruyama, TEM scheme），该格式结合了时间截断和空间截断技术。

• 截断映射（Truncation Mapping）：
  • 定义了一个截断函数 $\Pi_\Delta$，将状态空间映射到一个有界区域。当状态值过大时，将其截断，从而保证数值解的有界性，克服超线性增长带来的发散问题。
  • 利用截断后的系数满足全局 Lipschitz 条件，使得显式格式在理论分析上可行。
• 空间截断（Space Truncation / Finite Memory Storage）：
  • 针对无限时滞，引入参数 $k$（历史记忆长度）。在计算 $t_j$ 时刻的解时，仅存储和利用最近 $k$ 个时间步的历史数据（即 $t_{j-k}$ 到 $t_j$）。
  • 通过线性插值构造连续时间数值解，使得存储需求从 $O(t)$ 降低为 $O(k)$，且 $k$ 是固定的，与模拟时长无关。
• 辅助过程与收敛性分析策略：
  • 构建了一个有限时滞截断 SFDE（Truncated SFDE with finite delay）作为中间辅助过程 $x^k_t$。
  • 分析路径：
    1. 证明原方程解 $x_t$ 与有限时滞截断解 $x^k_t$ 之间的误差（随 $k \to \infty$ 指数衰减）。
    2. 证明有限时滞截断解 $x^k_t$ 与 TEM 数值解 $X^{k,\Delta}_t$ 之间的误差（随步长 $\Delta \to 0$ 收敛）。
    3. 利用三角不等式结合上述两步，证明数值解收敛于原方程的精确解。
• 遍历性分析：
  • 在单侧 Lipschitz 条件和耗散性条件下，利用 Wasserstein 距离证明数值过程生成的离散半群具有唯一的不变概率测度，并证明其指数遍历性。

3. 主要贡献 (Key Contributions)

1. 提出了显式 TEM 格式：首次针对具有无限时滞和超线性漂移的 SFDEs 构建了显式数值格式。该格式不仅克服了超线性增长导致的发散问题，还通过空间截断解决了无限时滞的存储难题。
2. 证明了强收敛性：证明了 TEM 生成的数值段过程（Numerical Segment Process）在任意有限时间区间 $[0, T]$ 上强收敛于精确解。在多项式增长条件下，获得了任意接近 $1/2$ 的强收敛阶。
3. 建立了数值不变测度的存在唯一性与收敛性：
   • 证明了数值过程生成的离散半群存在唯一的数值不变概率测度（Numerical IPM）。
   • 证明了数值 IPM 在 Wasserstein 距离下收敛于精确 IPM。
   • 推导了数值 IPM 收敛到精确 IPM 的显式收敛速率。
4. 优化了存储效率：通过时间截断设计，使得每一步迭代的存储成本仅为 $O((kl+1)n)$，且与模拟的时间跨度无关，使得长时间模拟（Long-time simulations）成为可能。

4. 主要结果 (Results)

• 强收敛性（Strong Convergence）：
  • 定理 3.10 和推论 3.21 表明，在适当假设下，数值段过程 $X^{k,\Delta}_t$ 收敛于精确段过程 $x_t$。
  • 收敛速率：$\sup_{0\le t \le T} \mathbb{E}\|X^{k,\Delta}_t - x_t\|_r^q \le C \Delta^{q/2 - \varepsilon}$，即收敛阶接近 $1/2$。
• 遍历性与不变测度（Ergodicity & IPM）：
  • 定理 4.12 证明了数值过程具有唯一的不变测度 $\pi^{k,\Delta}$，且该测度在 Wasserstein 距离下指数收敛。
  • 定理 4.13 证明了当 $k \to \infty$ 且 $\Delta \to 0$ 时，数值不变测度 $\pi^{k,\Delta}$ 收敛于精确不变测度 $\pi$。
  • 定理 4.14 给出了数值 IPM 的收敛速率估计，形式为 $W_2(\pi^\Delta, \pi) \le C \Delta^{\bar{\rho}_\varepsilon}$。
• 数值实验：
  • 通过两个算例（一个线性/非线性混合的 SFDE 和一个随机 Lotka-Volterra 种群模型）验证了理论结果。
  • 实验结果显示，数值解的样本均值随时间趋于常数，验证了遍历性的存在；且收敛速率与理论预测的 $1/2$ 阶一致。

5. 意义与影响 (Significance)

• 理论突破：填补了无限时滞、超线性系数 SFDEs 在不变概率测度数值近似领域的空白。特别是解决了显式格式在超线性系数下矩发散和无限时滞存储爆炸的两大难题。
• 计算效率：提出的 TEM 格式是显式的，避免了隐式格式中昂贵的非线性方程求解过程；同时通过截断机制实现了有限存储，极大地降低了计算成本，使得对长记忆系统的长时间模拟成为现实。
• 应用价值：为物理、生物、经济等领域中涉及长记忆和强非线性的随机系统提供了可靠的数值工具，使得研究者能够通过数值模拟准确获取系统的长期统计特性（如稳态分布）。
• 推广性：虽然本文聚焦于无限时滞，但其核心思想（时间 - 空间双重截断）也可推广至有限时滞情形，为相关领域的数值方法设计提供了新的范式。

综上所述，该论文通过创新的截断技术，成功构建了高效、稳定的显式数值格式，不仅证明了其收敛性，还深入分析了其长期遍历性质，为复杂随机系统的数值模拟提供了重要的理论支撑和实用工具。