В математической теории вероятностей Винеровский процесс, названный в честь Норберт Винер, это случайный процесс используется при моделировании различных явлений, в том числе Броуновское движение и колебания на финансовых рынках. Формула для условное распределение вероятностей экстремума винеровского процесса и набросок его доказательства появляется в работе Х. Дж. Кушера (приложение 3, стр. 106), опубликованной в 1964 году.[1] подробное конструктивное доказательство появляется в работе Дарио Баллабио в 1978 году.[2] Этот результат был разработан в рамках исследовательского проекта о Байесовская оптимизация алгоритмы.
В некоторых задачах глобальной оптимизации аналитическое определение целевой функции неизвестно, и можно получить значения только в фиксированных точках. Существуют объективные функции, в которых стоимость оценки очень высока, например, когда оценка является результатом эксперимента или особенно обременительного измерения. В этих случаях поиск глобального экстремума (максимума или минимума) может выполняться с использованием методологии с названием "Байесовская оптимизация ", которые стремятся получить априори наилучший возможный результат с заранее определенным числом оценок. В итоге предполагается, что за пределами точек, в которых она уже была оценена, целевая функция имеет шаблон, который может быть представлен случайным процессом с соответствующими характеристиками. Стохастический процесс рассматривается как модель целевой функции, предполагая, что распределение вероятностей его экстремумов дает наилучшее указание на экстремумы целевой функции. В простейшем случае одномерной оптимизации при условии, что целевая функция была оценена в нескольких точках, возникает проблема выбора того, в какой из идентифицированных таким образом интервалов более целесообразно инвестировать в дальнейшую оценку. Если в качестве модели целевой функции выбран винеровский стохастический процесс, он можно рассчитать распределение вероятностей крайних точек модели внутри каждого интервала, обусловленное известными значениями в целых рвал границы. Сравнение полученных распределений дает критерий выбора интервала, в котором процесс должен быть повторен. Значение вероятности определения интервала, в который попадает точка глобального экстремума целевой функции, может использоваться в качестве критерия остановки. Байесовская оптимизация не является эффективным методом точного поиска локальных экстремумов, поэтому после ограничения диапазона поиска, в зависимости от характеристик проблемы, можно использовать конкретный метод локальной оптимизации.
Предложение
Позволять
быть винером случайный процесс на интервале
с начальным значением 
По определению Винеровский процесс, приращения имеют нормальное распределение:

Позволять

быть кумулятивная функция распределения вероятностей минимального значения
функция на интервале
обусловленный по значению 
Показано, что:[1][3][примечание 1]

Конструктивное доказательство
Дело
является непосредственным следствием минимального определения, в дальнейшем всегда предполагается
.
Предположим
определяется в конечном числе точек
.
Позволять
изменяя целое число
последовательность множеств
такой, что
и
быть плотный набор в
,
следовательно, каждый район каждой точки в
содержит элемент одного из наборов
.
Давайте
вещественное положительное число такое, что 
Пусть мероприятие
определяться как:
.
Позволять
быть событиями, определенными как:
и разреши
быть первым k среди
которые определяют
.
С
это очевидно
. Теперь уравнение (2.1) будет доказано.
(2.1) 
Посредством
определение событий,
, следовательно
. Теперь будет проверено соотношение
следовательно (2.1) будет доказано.
Определение
, преемственность
и гипотеза
подразумевают, что теорема о промежуточном значении,
.
По преемственности
и гипотеза о том, что
плотно в
вычитается, что
так что для
Это должно быть
,
следовательно
что подразумевает (2.1).
(2.2) 
(2.2) вычитается из (2.1), учитывая, что
следует, что последовательность вероятностей
является монотонный не убывает и, следовательно, сходится к своему супремум. Определение событий
подразумевает
и (2.2) подразумевает
.
С
имеет нормальное распределение, это наверняка
. В дальнейшем всегда предполагается
, так
хорошо определено.
(2.3) 
Фактически, по определению
это
, так
.
Аналогично, поскольку по определению
это
, (2.4) действует:
(2.4) 
(2.5)
Сказанное выше объясняется тем, что случайная величина
имеет симметричную плотность вероятности по сравнению со средним значением, равным нулю.
Применяя последовательно отношения (2.3), (2.5) и (2.4) мы получили (2.6) :
(2.6) 
С той же процедурой, что и для получения (2.3), (2.4) и (2.5) Воспользовавшись на этот раз отношениями
мы получили (2.7):
(2.7) 

Применяя последовательно (2.6) и (2.7) мы получили:
(2.8)

Из
, учитывая преемственность
и теорема о промежуточном значении мы получили
,
что подразумевает
.
Замена вышеперечисленного в (2.8) и переходя к пределам:
и для
, мероприятие
сходится к 
(2.9) 

, подставив
с
в (2.9) получаем эквивалентное отношение:
(2.10)

Применяя Теорема Байеса на совместное мероприятие 
(2.11) 

Позволять
; из этих определений следует:

(2.12)
Подстановка (2.12) в (2.11), получаем эквивалент:
(2.13)
Подстановка (2.9) и (2.10) в (2.13):
(2.14)


Можно заметить, что у второго члена группы (2.14) появляется распределение вероятностей случайной величины
, нормально со средним
электронная дисперсия
.
Реализации
и
случайной величины
соответствуют соответственно плотностям вероятности:
(2.15) 
(2.16) 
Подстановка (2.15) е (2.16) в (2.14) и принимая предел для
тезис доказан:





Библиография
- Универсальная стохастическая модель функции неизвестной и изменяющейся во времени формы - Гарольд Дж. Кушнер - Журнал математического анализа и приложений Том 5, выпуск 1, август 1962 г., страницы 150-167.
- Применение байесовских методов для поиска экстремума - Дж. Моцкус, Дж. Тиесис, А. Зилинскас - Конгресс ИФИП 1977 г., 8–12 августа Торонто.
Смотрите также
Примечания
- ^ Теорема, изложенная и показанная для случая минимума винеровского процесса, также применима к максимуму.
Рекомендации
- ^ а б Х. Дж. Кушнер, "Новый метод определения точки максимума произвольной многопиковой кривой в присутствии шума", J. Basic Eng 86 (1), 97–106 (1 марта 1964 г.).
- ^ Дарио Баллабио, «Новый класс стохастических алгоритмов для глобальной оптимизации», Миланский университет, Институт математики, докторская диссертация, представленная 12 июля 1978 г., стр. 29–33.
- ^ Янош Д. Пинтер, Глобальная оптимизация в действии: непрерывная и липшицевая оптимизация, Springer Science & Business Media 1996, стр. 57.