不定积分的随机复杂性.docxVIP

不定积分的随机复杂性 斯特凡·海因里希?，伯恩哈德·米拉 凯泽斯劳滕大学计算机科学系,D-67653凯泽斯劳滕,德国 摘要：我们表明,函数,其中1≤p≤∞, 积分族 可以用一个随机算法近似一致 x∈以相同的速率 作为最优率一个积分,其中n是样本的数量. 提出了两算法，一个是最佳的顺序，另一个对数因素.我们也证明下限和讨论的依赖在尺寸误差估计中的常数. 介绍 众所周知,最优随机算法为一体的功能与样品有错误率[14,4]. 在本文中,我们表明,同样的速度得到所有积分的同时计算 均匀x∈,因此，我们要近似的不定积分，反导数。虽然许多论文研究的复杂性，定积分，不确定积分的情况下至今未被考虑. 我们提出并分析了两种算法，并证明下限。第一个算法是简单的采样算法-标准蒙特卡洛方法的函数值版本。第二个是一个组合的同时蒙特卡洛抽样Smolyak算法。这两种算法需要O(n)的函数值，并产生一个近似，这是一个线性组合的O(n)功能. 一是优化为1≤P≤∞，此外，在常数误差估计的尺寸取决于多项式。因此，它证明了多项式温顺的 随机设置中的问题。这是值得注意的由于到目前为止，只有极少数的加权问题（即，所有尺寸扮演同样的角色）是已知的共享多项式可追踪性（见，例如，评论在第39页的顶部[17]）. 第二算法2＜P≤∞是最佳的顺序，而1≤P≤2额外的对数因素的发生。第二种算法，但是，具有的优点，一旦近似建立了任何价值，它可以在O(n)操作计算2＜P≤∞和O（（log n）D?1）1≤P≤2，而在第一种算法需要Θ案例（n）. 简单随机抽算法，另一方面，可以更有效的D固定（和小），见第6.2节。不过，2＜P≤∞的Smolyak–蒙特卡洛算法具有更好的效率估计，看第6.2节结束时的讨论. 我们还提出了一个尖锐的N和尺寸独立下限。此外，对于P 1，我们证明下限，表明固定的固定 0的最小数量的依赖一个对尺寸误差≤ε样本是线性算法让我们注意，确定性算法的速度Θ（1）所有的P 1 P≤≤∞，因没有收敛到零，见第6.1节. 为了比较，最佳的随机率算法，是，所以它是N?1 / 2，2≤P≤∞，但在间隔1＜P＜2的指数随着P接近1. 最后，对于P = 1的随机算法的收敛速度是（1）. 以及Θ本文的组织方式如下：第2节包含符号和预赛，简单的采样算法的描述和3部分的分析，–Smolyak蒙特卡洛第4节算法. 下限是在第5节，并在第6节我们评论确定性设置，提出了一种有效的方法计算点评估的简单采样算法，并讨论了可测性问题. 符号和预备知识 我们写n = {1，2,… }和= { 0，1，2，。.. }。对数log总是意味着为log2。所有在本文中考虑的功能和巴拿赫空间被假定为定义在同一领域标量k∈{，}。一个巴拿赫空间X是指单位球通过 和X?对偶空间。鉴于巴拿赫空间x，y，从x到y的所有有界线性算子的空间用L（x，y）表示，如果x = y，由L（x）. 让D∈N，Q＝〔0，1〕D C（Q），表示 Q函数空间连续和在线杂志，对于1≤p≤∞，好让空间Lp（Q）（等价类可积）p与功率的影响勒贝格测度函数，都配备了他们通常的标准. 让f（Q）的线性表示在函数空间的在线Q好让（Q） 的Lebesgue可测空间的有界函数（不等价类和最大模Q）在线. 当，我们研究 得到 （x=(x1，…，xd)∈Q）， 在[0,X] = [ X ]，[0,X1]×···×[0,Xd]. 注意 （问题是规范化的）. 在整个文件中的符号C，C0，C1，…表示正常数，它们是绝对值或者只能依赖P和P1. 常量，也可能取决于d表示由C（d），C0（d）等相同的符号可以表示不同的常量（当它们出现在一系列关系中）. 简单采样算法 我们有 . 我们介绍了简单的采样算法如下：设N∈N让（ξI）我= 1是独立的，均匀地分布在q = [ 0，1 ]随机变量对一些概率空间（Ω，Σ，P）。我假设不失一般性，（Ω，Σ，P）是完整的，即D?D1∈Σ和P（D1= 0意味着D∈Σ（如果（Ω，Σ，P）是不完整的，我们将它由其完成）。然后我们近似对于F∈LP（Q） ， 由给出的 （x∈Q）. 我们有 , 这里 =. 有 ， 该算法可以被视为一个功能值版本的标准蒙特卡洛方法整合。让我们提到，简单的采样算法产生不连续的X函数，所以我们认为它是映射到B0（Q）和一个近似的（D）：LP（Q）→B0（Q），其中我们确定了C（Q）与子空间B0的典型方式（Q）. 此外，值得注意的是，缺乏一定的可测性属性，详情见5和6.3节的开始. 然而，映射 是Σ可测的，我们在那里 = 强调ω∈Ω的依赖. 事实上，这如 （q有理数），其中，反过来，是一个简单的结果（4）. 因此，它是有意义的考虑P1圣矩适合1≤P1＜∞，如我们