Saturday, April 25, 2015

Ito stochastic differential equation dx = f (xt , t)dt + g(xt , t)dWt , Wt is a Wiener process (i.e. Gaussian white noise), and xt is the value of x at time t .

[PDF]Path Integral Methods for Stochastic Differential Equations
www.mathematical-neuroscience.com/content/.../s13408-015-0018-5.pd...


[PDF]Page 1 Page 2 970 物理学报29 卷 _言砸一M9 一z厉9]). (1.7 ...
www.itp.ac.cn/~hao/CTPGF80Cb.pdf 轉為繁體網頁
由 Z GUANG-ZHAO 著作 - ‎2005 - ‎相關文章
这就是拉氏形式的经典统计场论生成泛函. Martin, ... 8 期周光召等: 非平衡统计场论与临界动力学(H) 971 ... 这就是没有随机力的广义朗之万方程(即TDGL 方程).
  • 量子場論- 維基百科,自由的百科全書 - Wikipedia

    zh.wikipedia.org/zh-hk/量子场论
    一致而且方便地處理多粒子系統的統計,是促使量子場論發展的第三個動機。 ... 量子場論中計算格林方程式之關聯函數時將遭遇到發散困難,這種困難很自然地出現在 ...
  • 非平衡统计场论与临界动力学(Ⅰ) 广义朗之万方程_CNKI学问

    xuewen.cnki.net/CJFD-WLXB198008000.html 轉為繁體網頁
    文献[3—5】中指出,它足研究非平衡态统计场论的有效方法.文献[6】中用它 ... 本文中利用闭路生成泛函的连续积分表示推导临界动力学的拉氏场论表述. 在随机模型中 ...
  • by CC Chow - ‎2015
    Feb 12, 2015 - closed form and must be tackled approximately using methods that include ... Although Wiener introduced path integrals to study stochastic ... agrams as a tool for carrying out perturbative expansions and introduces the “loop.

    3 Application to SDE
    Building on the previous section, here we derive a generating functional for SDEs.
    Consider a Langevin equation,
    dx
    dt
    = f (x, t)+g(x, t)η(t), (3)
    on the domain t ∈ [0,T ] with initial condition x(t0) = y. The stochastic forcing term
    η(t) obeys η(t) = 0 and η(t)η(t

    ) = δ(t −t

    ). Equation (3) is to be interpreted as
    the Ito stochastic differential equation
    dx = f (xt , t)dt + g(xt , t)dWt , (4)
    where Wt is a Wiener process (i.e. Gaussian white noise), and xt is the value of x
    at time t . We show how to generalize to other stochastic processes later. Functions
    f and g are assumed to obey all the properties required for an Ito SDE to be well
    posed [31]. In particular, the stochastic increment dWt does not depend on f (xt , t)
    or g(xt , t) (i.e. xt is adapted to the filtration generated by the noise). The choice
    between Ito and Stratonovich conventions amounts to a choice of the measure for
    the path integrals, which will be manifested in a condition on the linear response or
    “propagator” that we introduce below.


    生成方程组

    cmp

    来自: cmp(const void*, const void*) 2014-03-22 11:24:32

    • Everett

      Everett (╮(╯▽╰)╭ ~(= ̄ U  ̄=)~) 2014-03-22 13:40:51

      线性方程的话直接构造矩阵求解就可以了。矩阵的构造方法是 SparseArray
    • cmp

      cmp (const void*, const void*) 2014-03-22 14:03:37

      线性方程的话直接构造矩阵求解就可以了。矩阵的构造方法是 SparseArray 线性方程的话直接构造矩阵求解就可以了。矩阵的构造方法是 SparseArray Everett
      嗯不是线性的… 是 J sum{ -cos θ_i sin θ_j - Δ sin θ_i cos θ_j} - h sin θ_i == 0 这样的。

      我想了想用了 Table + 用于处理下标的自定义的函数,貌似可行。然后用 NSolve 一下。

      还剩几个问题。像这样一大群待求变量,用 Mathematica 怎么处理比较好呢?用下标,List 还是什么?

      另外,像这种自定义函数,如何封装比较好? Module 么?
    • Everett

      Everett (╮(╯▽╰)╭ ~(= ̄ U  ̄=)~) 2014-03-22 14:37:23

      变量本身是下标的函数,比如θ[i]
    • Everett

      Everett (╮(╯▽╰)╭ ~(= ̄ U  ̄=)~) 2014-03-22 14:38:29

      嗯不是线性的… 是 J sum{ -cos θ_i sin θ_j - Δ sin θ_i cos θ_j} - h sin θ_i == 0 这样 嗯不是线性的… 是 J sum{ -cos θ_i sin θ_j - Δ sin θ_i cos θ_j} - h sin θ_i == 0 这样的。 我想了想用了 Table + 用于处理下标的自定义的函数,貌似可行。然后用 NSolve 一下。 还剩几个问题。像这样一大群待求变量,用 Mathematica 怎么处理比较好呢?用下标,List 还是什么? 另外,像这种自定义函数,如何封装比较好? Module 么? ... cmp
      未必需要定义处理下标的函数,一般是用模式匹配 {i_,j_}/;Mod[j-i,L]==1
    • cmp

      cmp (const void*, const void*) 2014-03-28 12:53:50

      未必需要定义处理下标的函数,一般是用模式匹配 {i_,j_}/;Mod[j-i,L]==1 未必需要定义处理下标的函数,一般是用模式匹配 {i_,j_}/;Mod[j-i,L]==1 Everett
      我终于解决了这些问题!

      我最早想要的是最小化一个 hamiltonian. 后来发现还是用 NMinimize 比较好, 用 NSolve 经常跑不出来.

      然后格点不要太大, 老板说 20~30个变量就好了. 太大了最优化算法不收敛.

    No comments:

    Post a Comment