Функция значения - Value function - Wikipedia

В функция значения из проблема оптимизации дает ценить достигнутый целевая функция в решении, пока только в зависимости от параметры проблемы.^[1][2] В контролируемый динамическая система, функция цены представляет собой оптимальный выигрыш системы на интервале [т, т₁] когда началось в то время-т переменная состояния х (т) = х.^[3] Если целевая функция представляет собой некоторую стоимость, которая должна быть минимизирована, функция ценности может интерпретироваться как стоимость завершения оптимальной программы и, таким образом, упоминается как «функция текущих затрат».^[4][5] В экономическом контексте, где целевая функция обычно представляет полезность, функция цены концептуально эквивалентна косвенная функция полезности.^[6][7]

В проблеме оптимальный контроль, функция ценности определяется как супремум целевой функции, взятой по множеству допустимых управлений. Данный ${\displaystyle (t_{0},x_{0})\in [0,t_{1}]\times \mathbb {R} ^{d}}$, типичная задача оптимального управления состоит в том, чтобы

${\displaystyle {\text{maximize}}\quad J(t_{0},x_{0};u)=\int _{t_{0}}^{t_{1}}I(t,x(t),u(t))\,\mathrm {d} t+\phi (x(t_{1}))}$

при условии

${\displaystyle {\frac {\mathrm {d} x(t)}{\mathrm {d} t}}=f(t,x(t),u(t))}$

с переменной начального состояния ${\displaystyle x(t_{0})=x_{0}}$.^[8] Целевая функция ${\displaystyle J(t_{0},x_{0};u)}$ должно быть максимизировано по всем допустимым управлениям ${\displaystyle u\in U[t_{0},t_{1}]}$, куда ${\displaystyle u}$ это Измеримая функция Лебега из ${\displaystyle [t_{0},t_{1}]}$ некоторому заданному произвольному множеству в ${\displaystyle \mathbb {R} ^{m}}$. Тогда функция ценности определяется как

${\displaystyle V(t,x(t))=\max _{u\in U}\int _{t}^{t_{1}}I(\tau ,x(\tau ),u(\tau ))\,\mathrm {d} \tau +\phi (x(t_{1}))}$

с ${\displaystyle V(t_{1},x(t_{1}))=\phi (x(t_{1}))}$, куда ${\displaystyle \phi (x(t_{1}))}$ это лом ценить. Если оптимальная пара траекторий управления и состояния ${\displaystyle (x^{\ast },u^{\ast })}$, тогда ${\displaystyle V(t_{0},x_{0})=J(t_{0},x_{0};u^{\ast })}$. Функция ${\displaystyle h}$ что дает оптимальный контроль ${\displaystyle u^{\ast }}$ исходя из текущего состояния ${\displaystyle x}$ называется политикой контроля обратной связи,^[4] или просто политическая функция.^[9]

Принцип оптимальности Беллмана примерно утверждает, что любая оптимальная политика во времени ${\displaystyle t}$, ${\displaystyle t_{0}\leq t\leq t_{1}}$ принимая текущее состояние ${\displaystyle x(t)}$ поскольку «новое» начальное условие должно быть оптимальным для оставшейся задачи. Если функция значения оказывается непрерывно дифференцируемый,^[10] это приводит к важному уравнение в частных производных известный как Уравнение Гамильтона – Якоби – Беллмана.,

${\displaystyle -{\frac {\partial V(t,x)}{\partial t}}=\max _{u}\left\{I(t,x,u)+{\frac {\partial V(t,x)}{\partial x}}f(t,x,u)\right\}}$

где максиманд в правой части также можно переписать как Гамильтониан, ${\displaystyle H\left(t,x,u,\lambda \right)=I(t,x,u)+\lambda f(t,x,u)}$, так как

${\displaystyle -{\frac {\partial V(t,x)}{\partial t}}=\max _{u}H(t,x,u,\lambda )}$

с ${\displaystyle \partial V(t,x)/\partial x=\lambda (t)}$ играя роль стоимостные переменные.^[11] Учитывая это определение, мы далее имеем ${\displaystyle \mathrm {d} \lambda (t)/\mathrm {d} t=\partial ^{2}V(t,x)/\partial x\partial t+\partial ^{2}V(t,x)/\partial x^{2}\cdot f(x)}$, и после дифференцирования обеих частей уравнения HJB по ${\displaystyle x}$,

${\displaystyle -{\frac {\partial ^{2}V(t,x)}{\partial t\partial x}}={\frac {\partial I}{\partial x}}+{\frac {\partial ^{2}V(t,x)}{\partial x^{2}}}f(x)+{\frac {\partial V(t,x)}{\partial x}}{\frac {\partial f(x)}{\partial x}}}$

который после замены соответствующих терминов восстанавливает уравнение стоимости

${\displaystyle -{\dot {\lambda }}(t)={\frac {\partial I}{\partial x}}+\lambda (t){\frac {\partial f(x)}{\partial x}}={\frac {\partial H}{\partial x}}}$

куда ${\displaystyle {\dot {\lambda }}(t)}$ является Обозначение Ньютона для производной по времени.

Функция ценности - это вязкость раствора к уравнению Гамильтона – Якоби – Беллмана.^[12] В онлайн приближенное оптимальное управление с обратной связью, функция цены также является Функция Ляпунова что устанавливает глобальную асимптотическую устойчивость замкнутой системы.^[13]

Рекомендации

1. Флеминг, Венделл Х.; Ришель, Раймонд В. (1975). Детерминированное и стохастическое оптимальное управление. Нью-Йорк: Спрингер. С. 81–83. ISBN  0-387-90155-8.
2. Капуто, Майкл Р. (2005). Основы динамического экономического анализа: теория оптимального управления и приложения. Нью-Йорк: Издательство Кембриджского университета. п. 185. ISBN  0-521-60368-4.
3. Вебер, Томас А. (2011). Теория оптимального управления: с приложениями в экономике. Кембридж: MIT Press. п. 82. ISBN  978-0-262-01573-8.
4. Bertsekas, Dimitri P .; Цициклис, Джон Н. (1996). Нейродинамическое программирование. Бельмонт: Athena Scientific. п. 2. ISBN  1-886529-10-8.
5. «EE365: динамическое программирование» (PDF).
6. Мас-Колелл, Андреу; Уинстон, Майкл Д.; Грин, Джерри Р. (1995). Микроэкономическая теория. Нью-Йорк: Издательство Оксфордского университета. п. 964. ISBN  0-19-507340-1.
7. Корба, Дин; Stinchcombe, Maxwell B .; Земан, Юрай (2009). Введение в математический анализ для экономической теории и эконометрики. Издательство Принстонского университета. п. 145. ISBN  978-0-691-11867-3.
8. Камиен, Мортон И.; Шварц, Нэнси Л. (1991). Динамическая оптимизация: вариационный расчет и оптимальное управление в экономике и менеджменте (2-е изд.). Амстердам: Северная Голландия. п. 259. ISBN  0-444-01609-0.
9. Юнгквист, Ларс; Сарджент, Томас Дж. (2018). Рекурсивная макроэкономическая теория (Четвертое изд.). Кембридж: MIT Press. п. 106. ISBN  978-0-262-03866-9.
10. Бенвенист и Шейнкман установили достаточные условия дифференцируемости функции цены, что, в свою очередь, позволяет применять теорема о конверте, видеть Benveniste, L.M .; Шейнкман, Дж. А. (1979). «О дифференцируемости функции стоимости в динамических моделях экономики». Econometrica. 47 (3): 727–732. Дои:10.2307/1910417. JSTOR  1910417. Также см Зейерстад, Атле (1982). «Свойства дифференцируемости функции оптимального значения в теории управления». Журнал экономической динамики и управления. 4: 303–310. Дои:10.1016/0165-1889(82)90019-7.
11. Кирк, Дональд Э. (1970). Теория оптимального управления. Энглвуд Клиффс, Нью-Джерси: Прентис-Холл. п. 88. ISBN  0-13-638098-0.
12. Чжоу, X. Y. (1990). «Принцип максимума, динамическое программирование и их связь в детерминированном управлении». Журнал теории оптимизации и приложений. 65 (2): 363–373. Дои:10.1007 / BF01102352. S2CID  122333807.
13. Камалапуркар, Рушикеш; Уолтерс, Патрик; Розенфельд, Джоэл; Диксон, Уоррен (2018). «Оптимальное управление и устойчивость по Ляпунову». Обучение с подкреплением для оптимального управления обратной связью: подход на основе Ляпунова. Берлин: Springer. С. 26–27. ISBN  978-3-319-78383-3.

дальнейшее чтение

• Капуто, Майкл Р. (2005). «Необходимые и достаточные условия для изопериметрических задач». Основы динамического экономического анализа: теория оптимального управления и приложения. Нью-Йорк: Издательство Кембриджского университета. С. 174–210. ISBN  0-521-60368-4.
• Кларк, Фрэнк Х .; Лёвен, Филип Д. (1986). «Функция ценности в оптимальном управлении: чувствительность, управляемость и оптимальность по времени». SIAM Journal по управлению и оптимизации. 24 (2): 243–263. Дои:10.1137/0324014.
• ЛаФранс, Джеффри Т .; Барни, Л. Дуэйн (1991). «Теорема о конверте в динамической оптимизации» (PDF). Журнал экономической динамики и управления. 15 (2): 355–385. Дои:10.1016 / 0165-1889 (91) 90018-В.
• Стенгель, Роберт Ф. (1994). «Условия оптимальности». Оптимальное управление и оценка. Нью-Йорк: Дувр. С. 201–222. ISBN  0-486-68200-5.