Optimale Approximation der Lösung von stochastischen Evolutionsgleichungen

我们对L的随机进化算法进行了分析和研究。DISE Gleichugen dienen z.B.zur Modellierung in der Popopationsgentik，der Reaktionskinetk der der Finanzmathatik，and sie können als unendlich-Dimensionale Systeme von Gewöhnlichen De Unendlich-Dimensionale System e von Gewöhnlichen Saustendtischen算法verstanden。这是一种很好的算法，也是最好的选择。在Schranken bewiesen下，Zum Nachweis der Optimalität是最优的，也是结果形式：der Fehler jedes算法，der Aufwand N Benötigt，Beträgt minestens e(N)。这里有一个很好的算法，它是一种新的进化算法。这是一种快速优化算法，也是一种快速优化算法，它适用于所有的自适应算法。通过模拟实验进行了模具分析。

Wir konstruieren und analysieren Algorithmen zur Approximation der Lösung von stochastischen Evolutionsgleichungen. Diese Gleichungen dienen z.B. zur Modellierung in der Populationsgenetik, der Reaktionskinetik und der Finanzmathematik, und sie können als unendlich-dimensionale Systeme von gewöhnlichen stochastischen Algorithmen verstanden werden. Gesucht sind insesondere Algorithmen, bei denen Aufwand und Genauigkeit in einer optimalen Beziehung stehen. Zum Nachweis der Optimalität werden untere Schranken bewiesen, also Resultate der Form: Der Fehler jedes Algorithmus, der Aufwand N benötigt, beträgt mindestens e(N). Hier hängt e(N) nicht vom Algorithmus, sondern nur von der betrachteten Evolutionsgleichung ab. Zur Konstruktion von fast optimalen Algorithmen, also von Algorithmen, die mit Aufwand N einen Fehler nahe bei e(N) erreichen, werden nicht-uniforme oder allgemeinere adaptive Zeitdiskretisierungen eingesetzt. Die Analyse wird durch Simulationsexperimente ergänzt.