在宏观经济问题研究中, 影响经济运行的因素很多, 且各因素联系紧密.而模型和实际问题间存在误差,这些误差在模型中主要以两种形式存在:一是作为模型的随机扰动项, 二是隐含在参数中, 此时参数就是随机参数.因此, 研究随机参数对经济周期模型响应的影响有重要的理论意义和应用价值.
目前, 研究含有界随机参数模型的方法主要有Monte Carlo方法[1-2], 随机有限元法[3-4]和正交多项式逼近法[5-13].Monte Carlo方法简单但费时, 随机有限元法只能解决随机参数是一个小量的情况, 正交多项式逼近法则适用性更强.正交多项式逼近法应用较多的是第二类Chebyshev多项式.但并不是任何情况下都可以使用第二类Chebyshev多项式对模型进行近似逼近, 应根据实际情况选择最合适的正交多项式.另外, 在现有的研究成果中, 很少见到对多项式近似逼近误差的讨论.没有考虑近似误差的多项式逼近有可能是无效的, 因此, 本文根据模型参数的实际意义, 选取Legendre多项式作为正交多项式, 以非线性经济周期模型为例, 在均方误差最小的准则下讨论了参数取值对Legendre多项式近似逼近误差的影响.
1 含有界随机参数的非线性经济周期模型根据Puu的投资函数[14]和Goodwin的消费函数[15], 建立如下经济周期模型
$ \ddot x + \upsilon {{\dot x}^3} + u\dot x + \left( {1-\alpha } \right)x = f\cos \omega t. $ | (1) |
其中:x表示国民收入增长率, α(0≤α≤1) 是边际消费率, 表示资本市场的供需关系; v是边际投资率, 满足v=1/(1-a), u=2α-1+1/(1-α); f与ω均为无量纲参数, 分别表示周期噪声的强度和频率.由于不同时间的边际消费率不同, 因此α是一个有界随机参数.
设随机参数α=α+σξ, 其中, α是α的均值, σ是α的标准差, ξ是个有界的随机变量, 且|ξ| < 1.
2 正交多项式基的选取(Legendre多项式)由于ξ的分布没有先验信息, 一般可以将ξ看作服从(-1, 1) 上均匀分布的随机变量, 即ξ的概率密度函数为
$ \rho \left( \xi \right) = \left\{ \begin{array}{l} 1/2, \;\;\;\;\left| \xi \right| < 1, \\ \;\;0, \;\;\;\;\;\left| \xi \right| \ge 1. \end{array} \right. $ | (2) |
基于上述的概率密度函数, 本文选取Legendre多项式为正交多项式基.这类多项式的一般表达式为
$ {P_\lambda }\left( \xi \right) = \sum\limits_{\kappa = 0}^{\left[{\lambda /2} \right]} {{{\left( { -1} \right)}^\kappa }} \frac{{\left( {2\lambda -2\kappa } \right)!}}{{{2^\lambda }\kappa !\left( {\lambda -\kappa } \right)!\left( {\lambda - 2\kappa } \right)!}}{\xi ^{\lambda - 2\kappa }}. $ | (3) |
由此可以得到Legendre多项式的具体表达式,即
$ {P_0}\left( \xi \right) = 1, {P_1}\left( \xi \right) = \xi, {P_2}\left( \xi \right) = \left( {3{\xi ^2}-1} \right)/2, {P_3}\left( \xi \right) = \left( {5{\xi ^3}-3\xi } \right)/2, \cdots $ | (4) |
由Legendre多项式三项式的递推公式, 即
$ \left( {l + 1} \right){P_{l + 1}}\left( \xi \right) = \left( {2l + 1} \right)\xi {P_l}\left( \xi \right)-l{P_{l-1}}\left( \xi \right), \left( {l \ge 1} \right), $ |
可以得到
$ \xi {P_l}\left( \xi \right) = \left[{\left( {l + 1} \right){P_{l + 1}}\left( \xi \right) + l{P_{l-1}}\left( \xi \right)} \right]/\left( {2l + 1} \right), \left( {l \ge 1} \right). $ | (5) |
另外, Legendre多项式的正交性可表示为
$ \int_{-1}^1 {{P_k}\left( \xi \right){P_l}\left( \xi \right)/2{\rm{d}}\xi = \left\{ \begin{array}{l} 1/\left( {2l + 1} \right), \;\;\;\;k = l, \\ 0, \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;k \ne l. \end{array} \right.} $ | (6) |
为方便后续推导, 给式(1) 两边同时乘以(1-α), 得到
$ \left( {1-\alpha } \right)\ddot x + {{\dot x}^3} + \left( {-2{\alpha ^2} + 3\alpha } \right)\dot x + {\left( {1-\alpha } \right)^2}x = \left( {1 - \alpha } \right)f\cos \omega t. $ | (7) |
模型(7) 的响应是关于时间t和ξ的函数
$ x = x\left( {t, \xi } \right). $ | (8) |
由随机函数的正交分解法, 模型(7) 的响应可表示为
$ x\left( {t, \xi } \right) = \sum\limits_{l = 0}^\infty {{x_l}\left( t \right){P_l}\left( \xi \right)} . $ |
其中, Pl(ξ) 是第l个Legendre多项式.在实际计算中, 选取满足计算精度的有限项近似, 即
$ x\left( t,\xi \right)\approx \sum\limits_{l=0}^{N}{{{x}_{l}}\left( t \right){{P}_{l}}\left( \xi \right)}. $ | (9) |
以N=4为例给出详细计算过程, N等于其他值的情况可以做类似推导.当N=4时, 将式(9) 代入式(7), 得到
$ \begin{array}{l} \left( {1-\alpha } \right)\sum\limits_{l = 0}^4 {{{\ddot x}_l}\left( t \right){P_l}\left( \xi \right)} + {\left( {\sum\limits_{l = 0}^4 {{{\dot x}_l}\left( t \right){P_l}\left( \xi \right)} } \right)^3} + \left( {-2{\alpha ^2} + 3\alpha } \right)\sum\limits_{l = 0}^4 {{{\dot x}_l}\left( t \right){P_l}\left( \xi \right)} + \\ {\left( {1-\alpha } \right)^2}\sum\limits_{l = 0}^4 {{{\dot x}_l}\left( t \right){P_l}\left( \xi \right)} = \left( {1 - \alpha } \right)f\cos \omega t. \end{array} $ | (10) |
根据公式(5), 有
$ \begin{array}{l} \left( {1- \alpha } \right)\sum\limits_{l = 0}^4 {{{\ddot x}_l}\left( t \right){P_l}\left( \xi \right)} = \sum\limits_{l = 0}^4 {{{\ddot x}_l}\left( t \right)} \left[{-\frac{{\sigma \left( {l + 1} \right)}}{{2l + 1}}{P_{l + 1}}\left( \xi \right) + \left( {1-\bar \alpha } \right){P_l}\left( \xi \right)-\frac{{\sigma l}}{{2l + 1}}{P_{l - 1}}\left( \xi \right)} \right], \\ \left( { - 2{\alpha ^2} + 3\alpha } \right)\sum\limits_{l = 0}^4 {{{\dot x}_l}\left( t \right){P_l}\left( \xi \right)} = \sum\limits_{l = 0}^4 {{{\dot x}_l}\left( t \right)} \left\{ { - \frac{{2{\sigma ^2}{{\left( {l + 1} \right)}^2}}}{{{{\left( {2l + 1} \right)}^2}}}{P_{l + 2}}\left( \xi \right) + \frac{{\left( { - 4\bar \alpha + 3} \right)\sigma \left( {l + 1} \right)}}{{2l + 1}}{P_{l + 1}}\left( \xi \right)} \right. + \\ \left. {\left[{\left( {-2{{\bar \alpha }^2} + 3\bar \alpha } \right)-\frac{{4{\sigma ^2}\left( {l + 1} \right)l}}{{{{\left( {2l + 1} \right)}^2}}}} \right]{P_l}\left( \xi \right) + \frac{{\left( { - 4\bar \alpha + 3} \right)\sigma l}}{{2l + 1}}{P_{l - 1}}\left( \xi \right) - \frac{{2{\sigma ^2}{l^2}}}{{{{\left( {2l + 1} \right)}^2}}}{P_{l - 2}}\left( \xi \right)} \right\}, \\ {\left( {1 - \alpha } \right)^2}\sum\limits_{l = 0}^4 {{x_l}\left( t \right){P_l}\left( \xi \right)} = \sum\limits_{l = 0}^4 {{x_l}\left( t \right)} \left\{ {\frac{{{\sigma ^2}{{\left( {l + 1} \right)}^2}}}{{{{\left( {2l + 1} \right)}^2}}}{P_{l + 2}}\left( \xi \right) - \frac{{2\sigma \left( {1 - \bar \alpha } \right)\left( {l + 1} \right)}}{{2l + 1}}} \right.{P_{l + 1}}\left( \xi \right) + \\ \left. {\left[{\left( {1-2\bar \alpha + {{\bar \alpha }^2}} \right)-\frac{{2{\sigma ^2}\left( {l + 1} \right)l}}{{{{\left( {2l + 1} \right)}^2}}}} \right]{P_l}\left( \xi \right) -\frac{{2\sigma \left( {1 -\bar \alpha } \right)l}}{{2l + 1}}{P_{l -1}}\left( \xi \right) + \frac{{{\sigma ^2}{l^2}}}{{{{\left( {2l + 1} \right)}^2}}}{P_{l - 2}}\left( \xi \right)} \right\}, \\ \left( {1 - \alpha } \right)f\cos \omega t = \left( {1 - \bar \alpha } \right)f\cos \omega t - \sigma \xi f\cos \omega t. \end{array} $ |
利用公式(5) 可以得到非线性项
式(10) 两端同乘以p0(ξ), p1(ξ), p2(ξ), p3(ξ), p4(ξ), 关于ξ求期望得模型(7) 的近似确定性系统(11), 即
$ \begin{array}{*{20}{c}} {\left( {1-\bar \alpha } \right){{\ddot x}_0}\left( t \right)-\frac{\sigma }{3}{{\ddot x}_1}\left( t \right) + \left( {-2{{\bar \alpha }^2} + 3\bar \alpha } \right){{\dot x}_0}\left( t \right) + \frac{{\left( { - 4\bar \alpha + 3} \right)\sigma }}{3}{{\dot x}_1}\left( t \right) - \frac{8}{{25}}{\sigma ^2}{{\dot x}_2}\left( t \right) + }\\ {{{\left( {1 - \bar \alpha } \right)}^2}{x_0}\left( t \right) - \frac{{2\sigma \left( {1 - \bar \alpha } \right)}}{3}{x_1}\left( t \right) + \frac{4}{{25}}{\sigma ^2}{x_2}\left( t \right) + {X_0} = \left( {1 - \bar \alpha } \right)f\cos \omega t, } \end{array} $ | (11-1) |
$ \begin{array}{l} - \sigma {{\ddot x}_0}\left( t \right) + \left( {1- \bar \alpha } \right){{\ddot x}_1}\left( t \right)- \frac{{2\sigma }}{5}{{\ddot x}_2}\left( t \right) + \left( { - 4\bar \alpha + 3} \right)\sigma {{\dot x}_0}\left( t \right) + \\ \;\;\;\;\;\;\left[{\left( {-2{{\bar \alpha }^2} + 3\bar \alpha } \right)-8{\sigma ^2}/9} \right]{{\dot x}_1}\left( t \right) + \frac{{\left( { - 4\bar \alpha + 3} \right)2\sigma }}{5}{{\dot x}_2}\left( t \right) - \frac{{18}}{{49}}{\sigma ^2}{{\dot x}_3}\\ - 2\sigma \left( {1 - \bar \alpha } \right){x_0}\left( t \right) + \left[{{{\left( {1-\bar \alpha } \right)}^2} + \frac{4}{9}{\sigma ^2}} \right]{x_1}\left( t \right) -\frac{4}{5}\left( {1 -\bar \alpha } \right){x_2}\left( t \right) + \\ \;\;\;\;\;\;\;\frac{9}{{49}}{\sigma ^2}{x_3}\left( t \right) + {X_1} = \sigma f\cos \omega t, \end{array} $ | (11-2) |
$ \begin{array}{l} - \frac{{2\sigma }}{3}{{\ddot x}_1}\left( t \right) + \left( {1- \bar \alpha } \right){{\ddot x}_2}\left( t \right)- \frac{{3\sigma }}{7}{{\ddot x}_3}\left( t \right) - 2{\sigma ^2}{{\dot x}_0}\left( t \right) + \frac{{2\left( { - 4\bar \alpha + 3} \right)\sigma }}{3}{{\dot x}_1}\left( t \right) + \\ \left[{\left( {-2{{\bar \alpha }^2} + 3\bar \alpha } \right)-\frac{{24{\sigma ^2}}}{{25}}} \right]{{\ddot x}_2}\left( t \right) + \frac{3}{7}\left( { - 4\bar \alpha + 3} \right)\sigma {{\dot x}_3}\left( t \right)\\ + \frac{{32{\sigma ^2}}}{{81}}{{\dot x}_4}\left( t \right) + {\sigma ^2}{x_0}\left( t \right) - \frac{4}{3}\sigma \left( {1 - \bar \alpha } \right){x_1}\left( t \right) + \\ \left[{{{\left( {1-\bar \alpha } \right)}^2} + \frac{{12}}{{25}}{\sigma ^2}} \right]{x_2}\left( t \right) -\frac{6}{7}\sigma \left( {1 -\bar \alpha } \right){x_3}\left( t \right) + \frac{{16}}{{81}}{\sigma ^2}{x_4}\left( t \right) + {X_2} = 0, \end{array} $ | (11-3) |
$ \begin{array}{l} - \frac{{3\sigma }}{5}{{\ddot x}_2}\left( t \right) + \left( {1- \bar \alpha } \right){{\ddot x}_3}\left( t \right)- \frac{{8\sigma }}{9}{{\ddot x}_4}\left( t \right) - \frac{4}{9}{\sigma ^2}{{\dot x}_1}\left( t \right) + \frac{{3\left( { - 4\bar \alpha + 3} \right)\sigma }}{5}{{\dot x}_2}\left( t \right) + \\ \left[{\left( {-2{{\bar \alpha }^2} + 3\bar \alpha } \right)-\frac{{48{\sigma ^2}}}{{49}}} \right]{{\dot x}_3}\left( t \right) + \frac{4}{9}\left( { - 4\bar \alpha + 3} \right)\sigma {{\dot x}_4}\left( t \right)\\ + \frac{4}{9}{\sigma ^2}{x_1}\left( t \right) - \frac{6}{5}\left( {1 - \bar \alpha } \right)\sigma {x_2}\left( t \right) + \left[{{{\left( {1-\bar \alpha } \right)}^2} + \frac{{24}}{{49}}{\sigma ^2}} \right]{x_3}\left( t \right) -\frac{8}{9}\sigma \left( {1 -\bar \alpha } \right){x_4}\left( t \right) + {X_3} = 0, \end{array} $ | (11-4) |
$ \begin{array}{l} - \frac{{4\sigma }}{7}{{\ddot x}_3}\left( t \right) + \left( {1- \bar \alpha } \right){{\ddot x}_4}\left( t \right)- \frac{{18}}{{25}}{\sigma ^2}{{\dot x}_2}\left( t \right) + \frac{{4\left( { - 4\bar \alpha + 3} \right)\sigma }}{7}{{\dot x}_3}\left( t \right) + \\ \left[{\left( {-2{{\bar \alpha }^2} + 3\bar \alpha } \right)-\frac{{80{\sigma ^2}}}{{81}}} \right]{{\dot x}_4}\left( t \right) + \frac{9}{{25}}{\sigma ^2}{x_2}\left( t \right) - \frac{8}{7}\left( {1 - \bar \alpha } \right)\sigma {x_3}\left( t \right) + \\ \left[{{{\left( {1-\bar \alpha } \right)}^2} + \frac{{40}}{{81}}{\sigma ^2}} \right]{x_4}\left( t \right) + {X_4} = 0. \end{array} $ | (11-5) |
一个好的近似逼近应该有较小的近似误差.由于原模型和近似模型的解析解难以得到, 因此本文用数值解分析参数取值对近似误差的影响.表 1~5列出了N=2, 3, 4, 5时近似确定性模型(11) 与原模型(1) 数值解的均方误差.
参数取值 | σ=0.01 | σ=0.1 | σ=0.2 | |
α=0.2 | N=2 | 2.866 291 242 339 882×10-5 | 0.313 903 031 507 63 | 7.215 412 969 637 07 |
N=3 | 2.866 291 261 348 885×10-5 | 0.313 935 370 211 97 | 7.245 606 971 174 37 | |
α=0.2 | N=4 | 2.866 291 261 351 311×10-5 | 0.313 935 873 779 12 | 7.247 464 638 385 47 |
N=5 | 2.866 291 261 350 804×10-5 | 0.313 935 874 366 90 | 7.247 486 363 230 48 | |
α=0.5 | N=2 | 2.064 909 013 042 805×10-6 | 0.020 652 027 828 36 | 0.331 028 598 025 66 |
N=3 | 2.064 909 013 582 434×10-6 | 0.020 652 089 720 71 | 0.331 049 204 078 01 | |
α=0.5 | N=4 | 2.064 909 013 582 452×10-6 | 0.020 652 089 692 28 | 0.331 049 263 848 78 |
N=5 | 2.064 909 013 582 452×10-6 | 0.020 652 089 691 67 | 0.331 049 261 251 46 | |
α=0.8 | N=2 | 2.312 374 305 736 689×10-6 | 0.023 545 461 054 67 | 0.398 640 597 158 10 |
N=3 | 2.312 374 309 654 576×10-6 | 0.023 545 909 459 46 | 0.398 797 295 474 52 | |
α=0.8 | N=4 | 2.312 374 309 686 557×10-6 | 0.023 545 911 762 34 | 0.398 800 588 559 05 |
N=5 | 2.312 374 309 686 557×10-6 | 0.023 545 911 763 28 | 0.398 800 594 913 91 |
参数取值 | f=0.5 | f=1.5 | f=2.5 | |
α=0.2 | N=2 | 14.439 233 427 687 65 | 76.512 661 157 441 51 | 96.488 506 178 518 38 |
N=3 | 14.453 334 709 459 39 | 76.884 733 019 356 50 | 1.009 138 323 852 601×102 | |
α=0.2 | N=4 | 14.454 819 024 293 58 | 76.898 654 467 004 38 | 1.010 142 254 505 061×102 |
N=5 | 14.454 813 189 843 88 | 76.899 722 602 556 01 | 1.010 342 067 090 406×102 | |
α=0.5 | N=2 | 1.996 830 651 657 19 | 8.868 638 329 492 89 | 13.830 465 038 725 75 |
N=3 | 1.996 966 077 321 33 | 8.880 736 095 852 35 | 13.898 607 417 490 84 | |
α=0.5 | N=4 | 1.996 959 698 354 73 | 8.880 319 053 793 85 | 13.898 791 479 279 09 |
N=5 | 1.996 959 733 223 03 | 8.880 309 786 589 81 | 13.898 835 560 722 58 | |
α=0.8 | N=2 | 0.619 637 229 755 33 | 3.518 006 203 346 40 | 13.694 329 254 324 96 |
N=3 | 0.619 635 466 499 50 | 3.517 482 850 901 61 | 13.700 243 689 802 84 | |
α=0.8 | N=4 | 0.619 632 997 109 48 | 3.517 465 233 394 83 | 13.700 350 604 145 51 |
N=5 | 0.619 632 998 758 47 | 3.517 465 400 174 57 | 13.700 359 692 176 74 |
参数取值 | f=0.5 | f=1.5 | f=2.5 | |
α=0.2 | N=2 | 0.926 607 549 488 69 | 4.438 236 665 022 02 | 3.917 447 063 186 75 |
N=3 | 0.926 640 546 415 67 | 4.440 306 384 681 77 | 3.925 734 635 105 28 | |
α=0.2 | N=4 | 0.926 641 566 256 37 | 4.440 321 279 410 14 | 3.925 915 778 600 79 |
N=5 | 0.926 641 561 497 38 | 4.440 321 462 843 58 | 3.925 914 705 181 73 | |
α=0.5 | N=2 | 0.120 917 249 114 21 | 0.515 660 191 013 44 | 0.756 802 041 796 08 |
N=3 | 0.120 917 739 739 67 | 0.515 701 365 440 15 | 0.757 013 084 270 28 | |
α=0.5 | N4 | 0.120 917 733 189 54 | 0.515 701 027 580 58 | 0.757 013 657 680 32 |
N=5 | 0.120 917 733 197 75 | 0.515 701 025 358 97 | 0.757 013 667 965 26 | |
α=0.8 | N=2 | 0.039 359 713 485 33 | 0.221 122 917 721 25 | 0.861 350 324 488 58 |
N=3 | 0.039 359 699 550 44 | 0.221 120 581 485 74 | 0.861 384 277 087 51 | |
α=0.8 | N4 | 0.039 359 697 253 17 | 0.221 120 563 058 68 | 0.861 384 290 646 76 |
N=5 | 0.039 359 697 253 48 | 0.221 120 563 111 62 | 0.861 384 294 978 49 |
参数取值 | f=0.5 | f=1.5 | f=2.5 | |
α=0.2 | N=2 | 9.511 984 106 055 488×10-5 | 4.237 468 689 895 797×10-4 | 3.545 284 479 434 083×10-4 |
N=3 | 9.511 984 143 941 525×10-5 | 4.237 468 903 064 800×10-4 | 3.545 285 212 673 258×10-4 | |
α=0.2 | N=4 | 9.511 984 143 947 191×10-5 | 4.237 468 903 084 655×10-4 | 3.545 285 212 548 307×10-4 |
N=5 | 9.511 984 143 947 812×10-5 | 4.237 468 903 085 008×10-4 | 3.545 285 212 550 491×10-4 | |
α=0.5 | N=2 | 1.196 968 330 613 532×10-5 | 5.042 300 534 590 335×10-5 | 7.260 956 562 448 960×10-5 |
N=3 | 1.196 968 331 093 666×10-5 | 5.042 300 573 850 106×10-5 | 7.260 956 759 228 399×10-5 | |
α=0.5 | N=4 | 1.196 968 331 093 770×10-5 | 5.042 300 573 846 437×10-5 | 7.260 956 759 245 892×10-5 |
N=5 | 1.196 968 331 093 618×10-5 | 5.042 300 573 846 437×10-5 | 7.260 956 759 245 892×10-5 | |
α=0.8 | N=2 | 3.955 244 730 679 767×10-6 | 2.212 989 952 699 133×10-5 | 8.595 061 002 831 573×10-5 |
N=3 | 3.955 244 730 293 657×10-6 | 2.212 989 950 237 517×10-5 | 8.595 061 043 563 129×10-5 | |
α=0.8 | N=4 | 3.955 244 730 276 382×10-6 | 2.212 989 950 238 564×10-5 | 8.595 061 043 514 920×10-5 |
N=5 | 3.955 244 730 273 227×10-6 | 2.212 989 950 239 147×10-5 | 8.595 061 043 514 980×10-5 |
参数取值 | ω=0.43 | ω=1.43 | ω=3.43 | |
α=0.2 | N=2 | 9.511 984 106 055 488×10-5 | 1.096 097 254 130 491×10-5 | 2.407 689 320 905 520×10-5 |
α=0.2 | N=3 | 9.511 984 143 941 525×10-5 | 1.096 097 253 034 829×10-5 | 2.407 689 336 485 469×10-5 |
σ=0.1 | N=4 | 9.511 984 143 947 191×10-5 | 1.096 097 253 034 949×10-5 | 2.407 689 336 488 245×10-5 |
f=0.5 | N=5 | 9.511 984 143 947 812×10-5 | 1.096 097 253 034 652×10-5 | 2.407 689 336 489 224×10-5 |
α=0.5 | N=2 | 0.515 660 191 013 44 | 0.046 871 910 827 71 | 0.056 396 979 689 79 |
α=0.5 | N=3 | 0.515 701 365 440 15 | 0.046 873 484 759 87 | 0.056 397 934 949 93 |
σ=0.1 | N=4 | 0.515 701 027 580 58 | 0.046 873 465 077 76 | 0.056 397 960 307 64 |
f=1.5 | N=5 | 0.515 701 025 358 97 | 0.046 873 465 080 27 | 0.056 397 960 387 73 |
α=0.8 | N=2 | 13.694 327 790 357 96 | 8.704 201 937 832 77 | 4.366 073 702 053 80 |
α=0.8 | N=3 | 13.700 242 242 811 82 | 8.674 072 657 233 60 | 4.386 282 625 951 18 |
σ=0.2 | N=4 | 13.700 349 156 807 38 | 8.673 120 706 596 74 | 4.384 161 319 919 62 |
f=2.5 | N=5 | 13.700 358 244 822 91 | 8.673 109 525 897 81 | 4.384 235 820 735 08 |
由表 1可以看出, 当模型(1) 没有周期性噪声扰动, 即f=0时, 不论Legendre近似逼近项数取多少, 在其他参数不变的情况下, 随着σ的增大, Legendre近似逼近的均方误差迅速增大.当σ增大10倍时, 均方误差增加了104倍.由此看见σ的取值显著影响着Legendre近似逼近的精度, 因此, 在实际应用中应该选取较小的σ, 以提高近似逼近精度.
由表 2可以看出, f取值相同时, 当其他参数都不变, 不同项数的近似逼近均方差异很小, 最小的差异在105倍, 最大的差异在1.04倍.但当f增大5倍时, 相同项数的近似逼近均方误差最大差异超过22倍, 最小差异也大于6倍.也有个别例外, 如表 3~4中, α=α=0.2时, f从1.5增大到2.5时, 均方误差没有增大, 反而有较小程度的变小.总体上, f的变化对均方误差的影响显著.但由于f是模型的周期扰动强度, 在实际问题分析中, 不能随意选取, 因此, 应该考虑在允许的范围内选取最小的f值.
由表 5可以看出, 在其他参数不变的情况下, 周期扰动的频率ω对均方误差的影响比较小.综合比较表 1~5可以看出:(1) 均方误差随着参数的变化而变化; (2) 不论模型是否受到周期噪声的扰动, 在其他参数不变的情况下, σ越大均方误差越大, 因此应选取尽可能小的σ, 以提高近似逼近精度;(3) 在其他参数不变的情况下, α越大误差越小.由于在实际问题中α是个确定值, 不能通过调整α取值提高近似逼近精度.且在参数α取值不同的情况下, 均方误差最小的近似逼近阶数不同.例如在表 5中, 当α=α=0.8, σ=0.2, f=2.5时, ω=1.43时N=5的近似逼近均方误差最小, ω=3.43时N=2的近似逼近均方误差最小.但均方误差的差异小于0.03, 因此在近似逼近对精度要求不是很高的情况下, 尽量选择项数较少的近似逼近, 因为项数每增加一阶, 近似逼近方程组的方程个数将增加1个, 每个方程所含的项数也会随之增加, 导致近似逼近的计算量增加.
5 结束语正交多项式逼近法使用简单而且应用广泛, 但在实际应用中需要注意选择合适的正交多项式和近似项数.本文在均方误差最小的准则下讨论了参数取值对Legendre多项式近似逼近项数选取的影响.数值分析结果发现,模型参数取值对近似逼近误差有显著影响.随机参数的方差越大, 均方误差越大, 模型的周期扰动强度越大, 均方误差越大.因此, 在实际应用中, 应根据参数的取值情况选取均方误差最小的近似逼近项数, 且在满足精度要求的情况下, 为了后续计算简便, 尽可能选取项数较少的近似逼近.
[1] | SHINO ZUKA M. Probability modeling of concrete structures[J]. J Eng Mech Div ASCE, 1972, 98: 1433-1451 |
[2] |
杜永恩, 王生楠, 闫晓中. 基于Neumann展开的Monte-Carlo随机扩展有限元法[J].
西北工业大学学报, 2013, 31(3): 413-416 DU Yong'en, WANG Shengnan, YAN Xiaozhong. Stochastically extended finite element method based on neumann expansion[J]. Journal of Northwestern Polytechnical University, 2013, 31(3): 413-416 |
[3] |
张义民, 刘巧伶, 闻邦椿. 多自由度非线性随机参数振动系统响应分析的概率摄动有限元法[J].
计算力学学报, 2003, 20(1): 8-11 ZHANG Yimin, LIU Qiaoling, WEN Bangchun. Probability perturbation finite element method for response analysis of multi-degree of freedom nonlinear vibration[J]. Chinese Journal of Computational Mechanics, 2003, 20(1): 8-11 |
[4] | LIU W K, BESTERFIED G H, BELYTSCHKO P. Variational approach to probabilistic finite elements[J]. J Engng Mech, 1988, 114(12): 2115-2133 DOI:10.1061/(ASCE)0733-9399(1988)114:12(2115) |
[5] |
侯璟, 马少娟, 沈琼. 分数阶随机Duffing系统的Hopf分岔[J].
动力学与控制, 2014, 12(4): 310-314 HOU Jing, MA Shaojuan, SHEN Qiong. Hopf bifurcation of fractional-order stochastic duffing system[J]. Joural of Dynamics and Control, 2014, 12(4): 310-314 |
[6] |
许勇, 马少娟, 张慧清. 带有随机参数的随机Brusselator系统的稳定性分析[J].
中国科学:物理学, 力学, 天文学, 2011, 41(10): 1203-1209 XU Yong, MA Shaojuan, ZHANG Huiqing. The stability analysis in stochastic brusselator system with random parameter[J]. Cientia Sinica:Phys, Mech & Astron, 2011, 41(10): 1203-1209 |
[7] |
罗瑞芬, 张建刚, 杜文举. 一个带有随机参数的新的二维混沌系统的随机Hopf分岔分析[J].
温州大学学报:自然科学版, 2016, 37(1): 26-35 LUO Ruifen, ZHANG Jiangang, DU Wenju. Stochastic hopf bifurcation analysis of a novel two-dimensional chaotic system with random parameters[J]. Journal of Wenzhou University:Natural Sciences, 2016, 37(1): 26-35 |
[8] | SPANOS P D, GHANEM R G. Stochastic finite expansion for random media[J]. J Engng Mech, 1989, 115(5): 1035-1053 DOI:10.1061/(ASCE)0733-9399(1989)115:5(1035) |
[9] | JENSEN H, IWAN W D. Response of systems with uncertain parameters to stochastic excitation[J]. J Engng Mech ASCE, 1992, 118(5): 1012-1025 DOI:10.1061/(ASCE)0733-9399(1992)118:5(1012) |
[10] | LI J, LIAO S. Response analysis of stochastic parameter structure under non-stationary random excitation[J]. Computational Mechanics, 2001, 27(1): 61-68 DOI:10.1007/s004660000214 |
[11] | FANG T, LENG X L, SONG C Q. Chebyshev polynomial approximation for dynamic response problems of random structures[J]. J Sound & Vibration, 2003, 266(1): 198-206 |
[12] | FANG T, LENG X L, MA X P, et al. K-PDF and gegenbauer polynomial approximation for dynamic response problems of random structure[J]. Acta Mech Sinica, 2004, 20(3): 292-298 DOI:10.1007/BF02486721 |
[13] |
蒋水华, 张曼, 李典庆. 基于Hermite正交多项式逼近法的重力坝可靠度分析[J].
武汉大学学报:工学版, 2011, 44(2): 170-174 JIANG Shuihua, ZHANG Man, LI Dianqing. Reliability analysis of gravity dam using hermite orthogonal polynomials approximation method[J]. Engineering Journal of Wuhan University, 2011, 44(2): 170-174 |
[14] | PUU T, SUSHKO I. A business cycle model with cubic non-linearity[J]. Chaos, Solitons and Fractals, 2004, 19(3): 597-612 DOI:10.1016/S0960-0779(03)00132-2 |
[15] |
李伟, 徐伟, 赵俊峰. 一个经济周期模型的稳定性及其近似计算[J].
数学的实践与认识, 2008, 38(12): 120-124 LI Wei, XU Wei, ZHAO Junfeng. The stability and approximate solution of a business cycle model[J]. Mathematics in Practice and the Theory, 2008, 38(12): 120-124 |