随机微分方程
随机微分方程
一、一维分岔 考虑一维随机微分方程()()()()()()()()()dX = m X dt +X dB t =m X +X X /2dt +X dB t 6.141σσσσ'-⎡⎤⎣⎦ 生成的连续动态系统()()()()()()tt00t x =x +m s x dx + s x dB s 6.142ϕϕσϕ-⎰⎰ () 它是以 x 为初值的（6.1-41）之唯一强解。
假定()()m 0 = 00 = 0 6.143σ-，（）从而0是ϕ的一个固定点。
对此固定点，dB(t)是随机参激。
设m(x)有界，对所有x 0≠满足椭圆性条件 ()0 6.144x σ≠-()这保证最多只有一个平稳概率密度。
求解与（6.1-41）相应的平稳FPK 方程得平稳概率密度()()()()122m u p x C x exp[ ] 6.145u xdu σσ-=-⎰（） 于是，上述动态系统有两种可能的平稳状态：不动点（平衡状态）与非平凡平稳运动。
前者的不变测度0δ的密度为()x δ，后者的不变测度ν的密度为（6.1-45）。
为研究 D-分岔，需计算这两个不变测度的Lyapunov 指数。
为此，考虑（6.1-41）的线性化方程()()()()dV =m X Vdt +X V dB t =[m (X)((X)(X))/2]Vdt VdB t 6.146σσσσ''''''++- （）利用（2.5-6）之解（2.5-11），得（6.1-46）之解()()()()()ttV t =V 0exp[(m +/2)X ds +X dB s ] 6.147 σσσ''''-⎰⎰（）动态系统ϕ关于测度μ的Lyapunov 指数定义为()()1lim ln V t 6.148t tϕλμ→∞=-（）（6.1-47）代入（6.1-48），注意()00σ=，得不动点Lyapunov 指数()()()()()()()()001()lim [ln 000]00 lim0(6.1-49)?t tt t B t V m ds dB s m m ttϕλδσσ→∞→∞'''''=++=+=⎰⎰对以（6.1-45）为密度的不变测度ν，（6.1-47）代入（6.1-48）， 假定σ'有界，m /2σσ'''+可积，得Lyapunov 指数()01 lim (m /2)(X)ds [m (x)(x)(x)/2]p(x)dx 6.150tt Rt ϕλνσσσσ→∞''''''=+=+-⎰⎰（）进行分部积分，并利用（6.1-45），最后得()2m(x) -2p(x)dx 0 6.151(x)R ϕλνσ⎡⎤=<-⎢⎥⎣⎦⎰（） 随机跨临界分岔考虑（6.1-41）的特殊情形()()2dX X X dt X dB t 6.152ασ=-+- （）生成的动态系统族αϕ()0exp[()] 6.1531[()]tx t B t t x x s B s dsαασϕασ+=-++⎰ （）（6.1-53）是以 x 为初值的（6.1-52）之解。
随机微分方程
随机微分方程随机微分方程（RDE）是一类在数学物理、工程、生物和社会科学中广泛使用的方程，它们描述了系统中存在的现象，如扩散、涡旋及系统中动力学的变化。
随机微分方程不仅是有效模型研究非线性随机系统，而且可以用来研究各种运动系统，如建筑物动力学、涡旋及垂直运动等。
随机微分方程通常由两部分组成，分别为随机微分方程的微分部分和随机部分。
在随机微分方程的微分部分，有一个变量，它描述了系统中的变化。
在随机微分方程的随机部分，有一个随机变量，它描述了系统中的扰动。
随机变量的取值受噪声因素的影响，可以是随机的，也可以是有规律的。
随机微分方程的主要方法有微分法、函数法和抽象法三种。
微分法求解随机微分方程主要包括解析法、转换法和数值法三类。
解析法利用变量分离、积分变换、积分变量等技巧求解随机微分方程；转换法是把随机微分方程转换成一类新的积分问题，使其可以用积分方法求解；数值法则是使用数值方法求解随机微分方程，包括差分技术和差分进化方法。
函数法是研究以非线性和随机的函数作为系统的动力模型的方法，其研究的核心内容是关于随机函数在随机微分方程空间上的函数变换，从而求解随机微分方程。
抽象法把随机微分方程分解成一类线性系统，并用线性系统的解析和数值解法解决，从而求解实际中的随机微分方程。
随机微分方程具有广泛的应用，可以用来研究扩散性的现象，如扩散现象的实时监测；也可以用来研究各种运动系统，如涡旋、振动以及垂直运动等。
此外，随机微分方程可以用来研究金融市场中的随机现象，如可能出现的风险和投资回报。
总而言之，随机微分方程是一种用于描述非线性随机系统及其动力学行为的有效模型，具有广泛的应用。
举凡物理、工程、生物和社会学等科学领域，都可以利用随机微分方程来描述扩散、涡旋和系统动力学等现象。
随机微分方程的数值求解算法
随机微分方程的数值求解算法随机微分方程是一类常用于描述随机现象的数学模型，它包含了随机项，其解的求解过程相对复杂。
为了解决随机微分方程的数值求解问题，研究者们提出了各种算法和方法。
本文将介绍几种常见的随机微分方程数值求解算法，并探讨其应用和优缺点。
一、欧拉-马尔可夫算法欧拉-马尔可夫算法是随机微分方程数值求解的常用方法之一。
它基于欧拉方法，通过将微分方程离散化为差分方程，再引入随机项进行模拟。
具体来说，将微分方程中的导数项用中心差分或前向差分逼近，然后加上一个服从正态分布的随机项，即可得到欧拉-马尔可夫算法的迭代公式。
该算法简单易行，适用于各种类型的随机微分方程，但对于高维问题和强非线性问题的求解效果可能较差。
二、随机Runge-Kutta方法随机Runge-Kutta方法是一种基于Runge-Kutta方法改进的随机微分方程数值求解算法。
该方法通过引入随机项的高阶导数进行估计，提高了数值解的精度和稳定性。
具体来说，随机Runge-Kutta方法将微分方程离散化为差分方程，再使用Runge-Kutta方法求解差分方程的近似解，同时引入随机项进行模拟。
该算法相比于欧拉-马尔可夫算法，求解效果更好，适用于较复杂的随机微分方程，但计算量较大。
三、随机Taylor展开法随机Taylor展开法是一种基于Taylor展开的随机微分方程数值求解算法。
该方法将随机微分方程展开为无穷级数，通过截断展开后的级数来近似求解。
具体来说，随机Taylor展开法使用随机项的高阶导数来估计微分项的取值，然后通过级数相加得到近似解。
该算法精度较高，适用于低维问题和弱非线性问题，但对于高阶问题的求解可能存在数值不稳定性。
综上所述，随机微分方程的数值求解算法有欧拉-马尔可夫算法、随机Runge-Kutta方法和随机Taylor展开法等多种选择。
在实际应用中，根据问题的具体性质和求解要求，选择合适的算法进行求解是非常重要的。
未来的研究中，还可以通过改进算法的数值稳定性、提高算法的计算效率等方面，进一步完善随机微分方程的数值求解方法。
型随机微分方程与随机时滞微分方程解的研究
型随机微分方程与随机时滞微分方程解的研究随机微分方程是描述随机现象的重要工具，它们被广泛应用于多个领域，例如金融、工程和自然科学。
其中，型随机微分方程和随机时滞微分方程是两种重要的随机微分方程类型。
本文将介绍这两种方程的基本原理以及它们的解的研究进展。
一、型随机微分方程型随机微分方程是一种非马尔可夫性随机微分方程，它包括两个部分：随机分量和相应的非随机分量。
相应的非随机分量通常是通常微分方程的解。
这种方程的一个重要属性是它的解具有保持概率测度的属性。
解类型：型随机微分方程的解可以是各种类型，例如等概率解、正解和稳态解等。
这些解通常需要应用一些数学方法来发现。
数学方法：数学方法主要包括数值方法、概率方法和无界性方法。
其中，数值方法从数值上解决方程，通常使用随机数进行数值模拟；概率方法研究解的概率性质；无界性方法专注于研究无界解的行为。
二、随机时滞微分方程随机时滞微分方程是一种非马尔可夫性随机微分方程，它包含了一个时间滞后的随机过程。
时间滞后可以是一个确定的时间，也可以是一个随机时间。
这种微分方程被广泛应用于许多自然科学，例如社会学和物理学等领域。
解类型：随机时滞微分方程的解有许多类型。
其中，最重要的是平衡解和稳定解。
平衡解表示随机过程的平衡行为，它通常是方程的确定性部分的解；稳定解表示一种概率解，它出现在方程的随机部分的解。
这两种解经常被用来研究随机时滞微分方程在不同管辖域的行为。
数学方法：数学方法可以分为常规方法和不同方法。
常规方法通常使用随机积分技术、随机最大原则和状态空间的技巧等；不同方法使用了时滞的特殊性质，如Laplace变换和概率论技巧等。
总之，型随机微分方程和随机时滞微分方程是两种令人感兴趣的随机微分方程。
它们在数学和应用领域都有广泛的应用。
这两种方程的解决需要各种数学方法，包括数值方法、概率方法和无界性方法。
了解这些方法可以更好地理解并解决这些方程。
随机微分方程课件
1
随机微分方程的重要性
近年来，随机微分方程，随机分析有了迅速发展，随 机微分方程的理论广泛应用于经济、生物、物理、自动 化等领域。 在经济领域，用随机微分方程来解决期权定价的问题， 在产品的销售，市场的价格等随机事件中，可根据大量 的试验数据确定某个随机变量，并附加初始条件建立随 机微分方程的数学模型，从而推断出总体的发展变化规 律。 在生物领域，用于揭示疾病的发生规律以及疾病的 传播流行过程，肿瘤演化机制等。 在物理领域，用于布朗粒子的逃逸与跃迁问题，反 常扩散。
X (0) X 0
根据线性随机微分方程解的形式可以求得此微 t bt 分方程的解为：X (t ) e X 0 eb(t s ) dW
0
7
随机微分方程举例
E( X (t )) e 可以求出X的期望：
bt
E( X 0 )
t b ( t s )
E ( X (t )) E (e
随机微分方程——定义
1、随机微分方程的定义：
设X为n维的随机变量,W为m维的维纳运动，b和B是给定 的函数，并不是随机变量，b : R n 0, T Rn ， B : Rn 0, T M nm 那么随机微分方程可以表示成如下形式：
dX b( X , t )dt B( X , t )dW X (0) X 0
从解的形式来看，当t趋于无穷大时，X的渐近分布为正态 分布 N (0, ) ，与初始分布无关。
2
2b
8
随机微分方程举例
例3：乌伦贝克过程 布朗运动的另一随机微分方程模型：
bY Y Y (0) Y0 , Y (0) Y1
其中Y(t)是t时刻布朗粒子的位移，Y0与Y1是给定 的高斯随机变量，b>0是摩擦系数，σ是扩散系数， ξ通常为白噪声。 ，即X表示速率，则原方程等价于以下 若 X Y 朗之万方程：
随机微分方程的定义及其应用
随机微分方程的定义及其应用随机微分方程（Stochastic Differential Equation, SDE）是一种常见的随机过程模型，广泛应用于金融、物理、生物和工程等领域。
随机微分方程描述的是包含随机项的微分方程，是确定性微分方程和随机过程的结合体。
在实际应用中，随机微分方程通常用来描述系统的演化过程，如股票价格、气象预测和细胞生长等。
一、随机微分方程的定义随机微分方程包含如下两个部分。
1. 确定性微分方程确定性微分方程表示系统的演化过程，它是包含未知函数（通常表示为$x_t$）及其导数（$dx_t$）的微分方程。
通常采用欧拉方法或改进欧拉方法对其进行求解。
2. 随机项随机项（通常表示为$dW_t$）是为了考虑系统噪声或不确定性而引入的一项。
其中$dW_t$是一个随机过程，表示一个标准布朗运动（Standard Brownian Motion）。
它是一种无法预测的随机变量，具有如下两个特点：（1）它在数学上是连续但处处不可微的。
（2）它的均值为0，方差为t。
由于$dW_t$具有如上两个特点，因此它可以用来模拟真实生活中的一些随机过程，如金融市场、天气预测等。
二、随机微分方程的应用随机微分方程在金融、统计学、生物学和物理学等不同领域中都有广泛应用。
下面将针对其中三个具体应用领域进行介绍。
1. 金融领域随机微分方程在金融领域中的应用已经成为了一种标准方法。
它被用来建立股票价格、波动率与收益率之间的关系、量化风险等。
其中，布莱克﹒斯柯尔斯（Black-Scholes）期权定价模型是其中最为著名的一个。
在这个模型中，股票价格被假设为一个随机微分方程，通过求解这个方程可以得到期权价格。
此外，随机微分方程还被用来建立复杂的金融衍生品定价模型，如利率互换、期权组合等。
2. 生物领域随机微分方程在生物领域中的应用也非常广泛。
例如，在细胞生长模型中，细胞数目被表示为一个随机微分方程。
此外，生物领域中也有很多涉及随机过程的模型，如氧气扩散模型和病毒传播模型等。
随机微分方程的数值模拟方法
随机微分方程的数值模拟方法随机微分方程（Stochastic Differential Equations，简称SDEs）是描述包含随机项的微分方程。
它们在金融学、物理学和生物学等领域中广泛应用，尤其在随机模型建立和数值模拟方面有着重要的作用。
为了模拟和解决随机微分方程，研究者们开发了各种数值模拟方法。
这些方法的目标是通过离散化时间和空间来近似SDE的解，以获得数值解。
在本文中，我将介绍几种常用的数值模拟方法，包括欧拉方法、米尔斯坦方法和龙格-库塔方法。
我们将从简单的欧拉方法开始，逐渐深入探讨这些方法的优点和局限性。
1. 欧拉方法（Euler Method）欧拉方法是最简单和最直接的数值模拟方法之一。
它将区间分成若干小的子区间，然后使用差分逼近来计算每个子区间内的解。
欧拉方法的基本思想是将微分方程中的导数用差分代替，从而将微分方程转化为差分方程。
欧拉方法的数值格式如下：然而，欧拉方法的缺点在于其精度较低，特别是当时间步长较大时。
它也不能很好地处理某些随机微分方程的特殊情况。
2. 米尔斯坦方法（Milstein Method）米尔斯坦方法是对欧拉方法的改进，目的是提高精度。
它通过在欧拉方法的基础上添加额外的项来纠正误差，从而提高数值解的准确性。
米尔斯坦方法的数值格式如下：相比于欧拉方法，米尔斯坦方法在同样的时间步长下通常能够提供更准确的数值解。
然而，对于某些特殊的随机微分方程，米尔斯坦方法也可能存在一些问题。
3. 龙格-库塔方法（Runge-Kutta Method）龙格-库塔方法是一类更为复杂但精度更高的数值模拟方法。
它基于对SDE进行多次逼近来得到数值解，通常可以达到较高的准确性。
龙格-库塔方法的基本思想与常规微分方程的龙格-库塔方法类似，但在计算过程中需要额外考虑随机项的贡献。
相比于欧拉方法和米尔斯坦方法，龙格-库塔方法的数值格式更为复杂，但其准确性和稳定性更高。
总结和回顾：通过本文的介绍，我们对随机微分方程的数值模拟方法有了初步的了解。
无穷维空间上的随机微分方程
无穷维空间上的随机微分方程随机微分方程是数学中重要的研究对象之一，它描述了在随机环境下的动态系统行为。
在传统的有限维空间中，随机微分方程已经取得了许多重要的成果。
然而，当我们将注意力转向无穷维空间时，随机微分方程问题变得更加复杂而有趣。
无穷维空间是指具有无限个自由度的空间，例如函数空间和概率空间。
在这样的空间中，我们可以定义随机过程，即一族随机变量，其中每一个变量都是在某个函数空间上定义的。
随机微分方程的研究就是探索在这样的无穷维空间中，随机过程的演化规律和性质。
无穷维空间中的随机微分方程具有许多特殊的性质。
首先，由于自由度的无限性，我们需要考虑更加复杂的测度理论和积分方法，例如Wiener积分和Malliavin导数。
这些工具使得我们能够定义无穷维空间上的随机微分方程，并研究它们的解的存在性、唯一性以及稳定性。
其次，无穷维空间中的随机微分方程通常具有更加丰富的解结构。
在有限维空间中，我们通常只关注解的存在性和唯一性，而在无穷维空间中，解的结构更加多样化。
例如，随机微分方程的解可能是随机过程的族，它们之间具有一定的关系。
这种解的结构使得我们能够更加深入地理解随机过程的演化规律。
最后，无穷维空间中的随机微分方程在理论和应用上都具有重要意义。
从理论上讲，它们为我们提供了研究无限自由度系统的工具。
从应用上讲，无穷维空间中的随机微分方程可以用于描述各种复杂的现象，例如金融市场的波动、大气环流模式的演化等。
因此，研究无穷维空间上的随机微分方程将有助于我们更好地理解和预测这些现象。
综上所述，无穷维空间上的随机微分方程是数学中一个重要且有趣的研究课题。
它们的研究需要借助复杂的测度理论和积分方法，并且具有丰富的解结构。
无穷维空间上的随机微分方程在理论和应用上都具有重要意义，对于我们理解和预测复杂现象具有重要的指导作用。
因此，我们应该继续深入研究无穷维空间上的随机微分方程，以推动数学和应用科学的发展。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
其次是出库泄量的随机过程q(h,c)：在泄洪建筑物规模确定的情况下，受 h、c的不确定性影响, 出库泄量亦可表述为一随机过程。但在调洪过程的随机 分析中，只有c独立影响q的随机变化。c的离散程度相对较小，因此q的独立随 机变化亦相对较小。
hing at a time and All things in their being are good for somethin
限状态方程： （8）
由此确定的泄洪风险率Pf可表述为：在一定的洪水重现期和泄洪建筑物设 计规模条件下，在各种可能的水库自然、工程和运行条件下，发生洪水漫越坝 顶事件的机率：
其中坝顶高程Z的不确定性较易分析。施工量测的误差以及水库风浪的影响，
导致了Z的随机性。一般认为它服从正态分布, 其均值拜μz可取为设计给定的 坝顶高程，标准差σz相对较小。库水位H(t)是一随机过程。如前所述，在各种 随机因素的影响下，调洪过程不同时刻的H(t)可有不同概率分布，通过下式：
即可求解不同时刻的f(h,t)和相应的μH和σH。H(t)的不确定性分析，考 虑了过程的作用并综合了多种随机因素的影响，具有较高的可信程度。
（6） 此式表明，B(t)的均值E[B(t)]=0，方差D[B(t)]=σ2t。其中σ2为常数， 成为随机过程的强度。它取决于W(t)的离散程度，亦即取决于入库洪水、库泄 量和库容量自身的变异性。通过实际调查和资料分析，给出以上三个随机过程 的标准差σQ(t)、σq(t)和σw(t)。并且考虑到这三个随机输入过程其实是互不 相关的，则可输出过程的方差D[B(t)]为：
在水利工程中确实有很多问题都应该通过随机这个概念来解决。在阅读过相关
的一些
文献过后，发现在水库的防洪中随机微分方程可以利用的价值特别
高。
水库的防洪是水利工程流域管理的重要内容，其中各环节都存在诸多的不
确定性。包括水雨情信息采集中由于设备故障、通讯不畅、误码和量程不足等
原因导致的信息无法获取或无法及时传达、信息错误，实时洪水预报中水文气
（3）
式中的 Qº和 q º分别为来流和泄洪的均值过程线。对式（3）微分，并除以 G(h)：
hing at a time and All things in their being are good for somethin
（4）
dB(t ) / G( h)
从形式上看，式（4）仅比普通的微分方程式式（2）多了一项 dt
以概率论和微分方程为基础的随机微分方程，能够正确地对水库调洪过程 中的随机现象和规律进行数学描述和分析，能够全面地综合各种不确定性因素 对库水位随机过程的影响。在分析和论证调洪过程中水库蓄洪量具有Wiener过 程特性的基础上，建立的带有随机作用项的Ito方程，并运用Fokker-Planck向 前方程, 以求解调洪过程库水位概率密度。
Байду номын сангаас
（9） 为了更方便地表达Pf[H≥Z]，可采用可靠指标β来代替Pf。β和Pf成一一对 应的关系：
式中，Φ-1（）为标准正态分布函数的反函数。
（10）
以洪水漫顶的概率Pf来具体度量水库的泄洪风险率，其物理概念更为明确、清 晰，能够较好地反映问题的本质。式（15）所示，影响泄洪风险率的主要随机
因子是Z和H：
（1）
（2） 式中，h(t)为库水位，h0为初始库水位，Q(t)为调洪过程任一时刻的来洪 流量，q(h,c)为相应时刻的泄洪流量，在泄洪建筑物规模确定的情况下，可表
hing at a time and All things in their being are good for somethin
述为h和流量系数等水力参数c的函数，w(h)为水库的库容量。上述的各函数均 为确定性的变量。因此，我们无法通过式(2)来考虑调洪的随机过程中各种不 确定性因素的影响, 计算求解的也只能是库水位的确定性函数h(t)。
最后是水位库容的随机过程w(t)：现场量测和绘图计算的误差、运行多年 的泥沙淤积等，都会引起水位库容关系的不确定性。其均值线与原设计给定的 w-h曲线一致, 在任一库水位h上的w(h)的概率密度亦可符合正态分布。
以上三方面随机因素的综合作用，决定了在整个调洪过程中水库蓄洪量W(t)也 必然是一随机过程。很明显，这一过程是Markov过程,也是一个状态连续的平稳 独立增量过程。直观上看，W(t)是符合Wiener过程定义条件的，起始时刻位于 原点，在不同的时间间隔中W的随机变化是独立的；在一定的时间间隔中，W围 绕其均值过程线作随机游走，其概率分布服从正态分布。在扣除了W(t)的均值 偏移后，就存在一无偏的Wiener过程B(t), 其均值为0。即：
随机现象和规律进行数学描述和分析,可以正确地综合各种随机输人过程和随机
初始条件对泄洪风险率的影响, 为经济合理地选择大坝泄洪建筑物规模和调度
运行方式, 提供科学的依据。
传统的确定性调洪演算方法，根据的是简单的水库蓄量平衡关系，建立有
如下的微分方程：
若令d / dh G( h) ,并加入初始条件,则有：
（7） 取若干个不同的ti，以计算确定均值的σ2作为式（6）的过程强度参数，σ2t反 应了Q、q和W对B(t)的综合作用。
式（4）的初始条件H0，可以是确定性的，也可以是随机性的，这是由起调 时刻库水位的控制条件所决定的，间接蕴含着洪水过程开始时间的影响，通常 不可避免地带有着不确定性。
对于水库调洪过程中的泄洪风险极限状态，应规定明确的极限标志和限值。 通常，这一极限状态可直接地以库水位H(t)不超过坝顶高程Z为标志，即满足极
，
但增加了这一项，就表示方程中引入了随机变量，于是H(t)不再是普通的确定
性函数，而是一个随机过程了，这样就把随机微分方程引入了调洪过程的分析。
再将式（4）简化：
（5） 这是一个典型的Ito方程，它带有着一个随机作用项（输人项），并可具有 随机初始条件，其解过程为Markov过程。如前所说，式（4）中的B(t)是一个 Wiener过程，dB(t)/dt是一个正态白噪声。B(t)的一维概率密度函数f(B)为：
hing at a time and All things in their being are good for somethin
μH´和σH´。
（11） 式中，Φ-1（）为标准正态分布函数的反函数， （）为标准正态概率密度 函数。在已知计算节点上f(h,t)的情况下，h﹡处的概率密度函数值f(h﹡,t)和 概率分布函数值F（h﹡,l)，可分别通过插值和数值积分的计算方法确定，而不 必先行确定H的概型。在此基础上，按照JC的计算方法，可求得调洪过程不同时 刻的β(t)和相应的Pf(t)。一般可选取βmin和相应的Pfmax作为方案比较的依据。
象条件、模型结构、模型参数等导致的预报误差，调洪演算中的水库泄流和库
容曲线等水力不确定性等。由于各环节的多种不确定性因素，随机性便很自然
地被引入到防洪过程的分析，近年来，这方面的很多研究工作都认为洪水过程
是一随机点过程，随机微分方程被引入和运用,为解决这一难题提供了有效的数
学工具，以概率论和微分方程为基础的随机微分方程模型,可以对调洪过程中的
hing at a time and All things in their being are good for somethin
随机微分方程在水库防洪中的应用
本学期有幸跟着袁老师学习随机微分方程这门课程，收获甚丰，感受颇多。
在此之前，我从未接触过任何关于随机的概念，在听完袁老师的课程，特别是
袁老师在中间穿插的讲诉随机微分方程在某些领域的实际应用案例，让我感觉
泄洪风险的极限状态方程式（8）为一线性方程，但其基本变量之一的H(t) 并不一定服从正态分布。为了提高计算精度，防止误判，采用JC计算方法。在 这一计算方法中，通过迭代求解设计验算点，使其满足极限状态方程式（8）， 并与可能最大失效率相对应。同时，需将非正态基本变量H进行当量正态化处理， 即根据在设计验算点处(初选h﹡=μH)当量正态变量与原非正态变量的概率分布 函数值相等以及概率密度函数值相等的条件，按下式求出当量正态变量H´的
为了从传统的确定性观点转到随机的观点来分析水库的调洪过程, 必须建 立包含有随机元素的随机微分方程。为此，必须首先对调洪过程的随机特性进 行考察。在整个调洪过程中，水库蓄洪量W(t)的随机变化最为关键, 它制约着 库水位的随机消长，同时又受制于洪水输人、输出随机过程的作用，具体可从 三方面进行分析：