查看“︁马格努斯展开”︁的源代码

在[[数学]]和[[物理学]]中，'''马格努斯展开'''（{{lang-en|Magnus expansion}}）为线性算子的一阶齐次[[线性微分方程]]的解提供了指数表示，得名於數學家[[威廉·馬格努斯]]。特别地，这种方法提供了变系数n阶线性[[常微分方程]]组的基矩阵。指数是无穷级数，其项涉及多重积分和嵌套换元。

== 确定情形 ==

=== 马格努斯方法及其解释 ===

给定{{math|''n''&nbsp;&times;&nbsp;''n''}}系数矩阵{{math|''A''(''t'')}}，我们希望求解与线性常微分方程相关的初值问题

: <math>Y'(t) = A(t) Y(t), \quad Y(t_0) = Y_0</math>

其中{{math|''Y''(''t'')}}是未知n维向量函数。

''n''&nbsp;=&nbsp;1时，解为
: <math>Y(t) = \exp \left( \int_{t_0}^t A(s)\,ds \right) Y_0.</math>

若{{math|''A''(''t'')}}对任意一组''t'', ''t''<sub>1</sub>、''t''<sub>2</sub>仍满足{{math|''A''(''t''<sub>1</sub>) ''A''(''t''<sub>2</sub>) {{=}} ''A''(''t''<sub>2</sub>) ''A''(''t''<sub>1</sub>)}}，则此式可推广到''n''&nbsp;>&nbsp;1情形。{{mvar|A}}与{{mvar|t}}无关时尤为如此。在一般情形下，上述表达式不再是问题的解。

马格努斯提出的解矩阵初值问题的方法是，用某个n阶方阵函数{{math|Ω(''t'', ''t''<sub>0</sub>)}}的指数来表示解：
: <math>Y(t) = \exp\big(\Omega(t, t_0)\big) \, Y_0,</math>
稍后可将其构造为[[级数]]展开式：
: <math>\Omega(t) = \sum_{k=1}^\infty \Omega_k(t),</math>
为简单起见习惯将{{math|Ω(''t'', ''t''<sub>0</sub>)}}写作{{math|Ω(''t'')}}，并取''t''<sub>0</sub>&nbsp;=&nbsp;0.

马格努斯意识到，由于{{math|{{sfrac|''d''|''dt''}} (''e''<sup>Ω</sup>) ''e''<sup>−Ω</sup> {{=}} ''A''(''t'')}}，可利用庞加莱-豪斯多夫矩阵恒等式将{{mvar|Ω}}的时间导数和伯努利数及
{{mvar|Ω}}的[[伴随表示|伴随自同态]]联系起来
: <math>\Omega' = \frac{\operatorname{ad}_\Omega}{\exp(\operatorname{ad}_\Omega) - 1} A,</math>
并以“[[贝克-坎贝尔-豪斯多夫公式|BCH展开]]的连续类似物”递归求解{{mvar|Ω}}，下详。

上式构成了矩阵线性初值问题求解的'''马格努斯展开式'''或'''马格努斯级数'''。前4项：
: <math>
 \begin{align}
  \Omega_1(t) &= \int_0^t A(t_1)\,dt_1, \\
  \Omega_2(t) &= \frac{1}{2} \int_0^t dt_1 \int_0^{t_1} dt_2 \, [A(t_1), A(t_2)], \\
  \Omega_3(t) &= \frac{1}{6} \int_0^t dt_1 \int_0^{t_1} dt_2 \int_0^{t_2} dt_3 \,
                 \Bigl(\big[A(t_1), [A(t_2), A(t_3)]\big] + \big[A(t_3), [A(t_2), A(t_1)]\big]\Bigr), \\
  \Omega_4(t) &= \frac{1}{12} \int_0^t dt_1 \int_0^{t_1}d t_2 \int_0^{t_2} dt_3 \int_0^{t_3} dt_4\,
                 \left(\Big[\big[[A_1, A_2], A_3\big], A_4\Big]\right. \\
              &\qquad + \Big[A_1, \big[[A_2, A_3], A_4\big]\Big]
                     + \Big[A_1, \big[A_2, [A_3, A_4]\big]\Big]
                     +\left. \Big[A_2, \big[A_3, [A_4, A_1]\big]\Big]\right),
 \end{align}
</math>
其中{{math|[''A'', ''B''] ≡ ''A'' ''B'' − ''B'' ''A''}}是''A''、''B''的矩阵[[交换子]]。

这些方程可解释如下：{{math|Ω<sub>1</sub>(''t'')}}与标量（{{mvar|n}}&nbsp;=&nbsp;1）情形下的指数完全重合，但这方程无法给出整个解。若坚持要用指数表示（[[李群]]），则要对指数进行修正。马格努斯级数的剩余部分系统地提供了修正：{{mvar|Ω}}或其部分在解的[[李群]]的[[李代数]]中。

在应用中，很少能对马格努斯级数精确求和，而要截断才能得到近似解。马格努斯方法的主要优势在于，中截级数通常和精确解具有相同的重要性质，这异于传统[[摄动理论]]。例如，[[经典力学]]中，[[时间演化]]的[[辛几何]]特征在每阶近似都得到保留。同样，[[量子力学]]时间演化算子的[[幺正算符|幺正性]]也得到保留（例如，与解决同一问题的[[戴森级数]]相反）。

=== 扩展的收敛性 ===

从数学角度看，收敛问题如下：给定矩阵{{math|''A''(''t'')}}，何时可得作为马格努斯级数和的指数{{math|Ω(''t'')}}？

{{math|''t'' ∈  [0,''T'')}}时，级数[[收敛 (数学)|收敛]]的充分条件是
: <math>\int_0^T \|A(s)\|_2 \, ds < \pi,</math>
其中<math>\| \cdot \|_2</math>表示[[矩阵范数]]。这个结果是通用的，因为可构造特定矩阵，{{math|''t'' > ''T''}}时级数都发散。

=== 马格努斯生成器 ===

生成马格努斯展开式中所有项的递归过程利用了下面的递归定义的矩阵{{math| ''S''<sub>''n''</sub><sup>(''k'')</sup>}}：
: <math>S_n^{(j)} = \sum_{m=1}^{n-j} \left[\Omega_m, S_{n-m}^{(j-1)}\right], \quad 2 \leq j \leq n - 1,</math>
: <math>S_n^{(1)} = \left[\Omega_{n-1}, A\right], \quad S_n^{(n-1)} = \operatorname{ad}_{\Omega_1}^{n-1}(A),</math>
然后得到
: <math>\Omega_1 = \int_0^t A(\tau) \, d\tau,</math>
: <math>\Omega_n = \sum_{j=1}^{n-1} \frac{B_j}{j!} \int_0^t S_n^{(j)}(\tau) \, d\tau , \quad n \geq 2.</math>

此处ad<sup>''k''</sup><sub>Ω</sub>是迭代交换子的简写（参见[[伴随表示|伴随自同态]]）：
: <math>\operatorname{ad}_{\Omega}^0 A = A, \quad \operatorname{ad}_{\Omega}^{k+1} A = [\Omega, \operatorname{ad}_\Omega^k A],</math>
其中{{math|''B''<sub>''j''</sub>}}是[[伯努利数]]，而{{math|1=''B''<sub>1</sub> = −1/2}}。

最后，明确算得这一递归后，就可将{{math|Ω<sub>''n''</sub>(''t'')}}表为涉及n个矩阵''A''的n-1个嵌套换元的n重积分的线性组合：
: <math>
 \Omega_n(t) =
  \sum_{j=1}^{n-1} \frac{B_j}{j!}
  \sum_{k_1 + \cdots + k_j = n-1 \atop
        k_1 \ge 1, \ldots, k_j \ge 1}
  \int_0^t \operatorname{ad}_{\Omega_{k_1}(\tau)} \operatorname{ad}_{\Omega_{k_2}(\tau )} \cdots
           \operatorname{ad}_{\Omega_{k_j}(\tau)} A(\tau) \, d\tau, \quad n \ge 2,</math>
随着{{mvar|n}}增加，这个式子会变复杂。

== 随机情形 ==

=== 推广到随机常微分方程 ===
要推广到随机常微分方程，令<math display="inline">\left(W_t\right)_{t\in [0,T]}</math>为<math display="inline">\mathbb{R}^q</math>维[[布朗运动]]，<math display="inline">q\in \mathbb{N}_{>0}</math>在[[概率空间]]<math display="inline">\left(\Omega,\mathcal{F},\mathbb{P}\right)</math>
上，有限时间区间<math display="inline">T>0</math>和自然过滤。现在，考虑线性矩阵值随机伊藤积分方程（索引{{math|''j''}}采用爱因斯坦求和约定）
: <math> dX_t = B_t X_t dt + A_t^{(j)} X_t dW_t^j,\quad X_0=I_d,\qquad d\in\mathbb{N}_{>0},</math>
其中<math display="inline">B_{\cdot},A_{\cdot}^{(1)},\dots,A_{\cdot}^{(j)}</math>是逐步可测的<math display="inline">d\times d</math>值有界[[随机过程]]，<math display="inline">I_d</math>是[[单位矩阵]]。参考确定情形，并依随机情形做修改<ref>{{harvnb|Kamm|Pagliarani|Pascucci|2021}}</ref>，相应的矩阵对数将变为伊藤过程，其展开的前两项为<math display="inline">Y_t^{(1)}=Y_t^{(1,0)}+Y_t^{(0,1)}</math>、<math display="inline">Y_t^{(2)}=Y_t^{(2,0)}+Y_t^{(1,1)}+Y_t^{(0,2)}</math>，
其中{{math|''i''}}、{{math|''j''}}根据爱因斯坦求和约定
: <math>
\begin{align}
Y^{(0,0)}_t &= 0,\\ 
Y^{(1,0)}_t &= \int_0^t  A^{(j)}_s \, d W^j_s ,\\
Y^{(0,1)}_t &= \int_0^t  B_s \, d s,\\
Y^{(2,0)}_t &= - \frac{1}{2} \int_0^t \big(A^{(j)}_s\big)^2 \, d s  + \frac{1}{2} \int_0^t \Big[ A^{(j)}_s , \int_0^s A^{(i)}_r  \, d W^i_r  \Big]  d W^j_s ,\\
Y^{(1,1)}_t &=  \frac{1}{2} \int_0^t   \Big[ B_s , \int_0^s A^{(j)}_r \, d W_r  \Big] \, ds  + \frac{1}{2} \int_0^t \Big[ A^{(j)}_s ,\int_0^s B_r \, dr  \Big] \, dW^j_s,\\
Y^{(0,2)}_t &=  \frac{1}{2} \int_0^t \Big[ B_s , \int_0^s B_r  \, dr  \Big] \, ds.
\end{align}
</math>

=== 推广的收敛性 ===
随机情形下，收敛将受制于[[停止时间]]<math display="inline">\tau</math>，第一个收敛结果如下：<ref>{{harvnb|Kamm|Pagliarani|Pascucci|2021|loc=Theorem 1.1}}</ref>
在前面关于系数的假设下，存在强解<math display="inline">X=(X_t)_{t\in[0,T]}</math>及严格为正的停止时间<math display="inline">\tau\leq T</math>，使得：
# <math display="inline">X_t</math>在时间<math display="inline">\tau</math>之前有实数对数<math display="inline">Y_t</math>，即<br />
#: <math>X_t = e^{Y_t},\qquad 0\leq t<\tau; </math>
# 以下表示有<math display="inline">\mathbb{P}</math>把握成立：<br />
#: <math>Y_t = \sum_{n=0}^{\infty} Y^{(n)}_t,\qquad 0\leq t<\tau,</math><br />
#:其中<math display="inline">Y^{(n)}</math>是随机马格努斯展开的第n项，定义见下文马格努斯展开式小节；
# 存在正常数{{math|''C''}}，仅取决于<math display="inline">\|A^{(1)}\|_{T},\dots,\|A^{(q)}\|_{T}, \|B\|_{T}, T, d</math>，其中<math display="inline">\|A_{\cdot}\|_T=\|\|A_t\|_{F}\|_{L^{\infty}(\Omega\times [0,T])}</math>，于是<br />
#: <math> \mathbb{P} (\tau \leq t) \leq C t,\qquad t\in[0,T].</math>
=== 马格努斯展开式 ===
随机马格努斯展开的推广形式：
: <math>Y_t = \sum_{n=0}^{\infty} Y^{(n)}_t \quad \text{with}\quad Y^{(n)}_t  := \sum_{r=0}^{n} Y^{(r,n-r)}_t,</math>
其中通用项<math display="inline">Y^{(r,n-r)}</math>是形式为下式的伊藤过程：
: <math> Y^{(r,n-r)}_t = \int_0^t \mu^{r,n-r}_s d s + \int_0^t \sigma^{r,n-r,j}_s d W^j_s, \qquad n\in \mathbb{N}_0, \ r=0,\dots,n, </math>

<math display="inline">\sigma^{r,n-r,j},\mu^{r,n-r}</math>项可递归定义为
: <math>
\begin{align}
\sigma^{r,n-r,j}_s &:= \sum_{i=0}^{n-1}\frac{\beta_i}{i!}   S^{r-1,n-r,i}_s\big(A^{(j)}\big),\\ 
\mu^{r,n-r}_s &:= \sum_{i=0}^{n-1}\frac{\beta_i}{i!}    S^{r,n-r-1,i}_s(B) - \frac{1}{2}  \sum_{j=1}^q
  \sum_{i=0}^{{ n-2}}\frac{\beta_i}{i!}  \sum_{q_1=2}^{{ r }} \sum_{q_2=0}^{{ n-r}}  S^{r-q_1,n-r-q_2,i}   \big( Q^{q_1,q_2,j} \big),
\end{align}
</math>
其中
: <math>
\begin{align}
 Q^{q_1,q_2,j}_s :=    \sum_{i_1=2}^{q_1}\sum_{i_2=0}^{q_2} \sum_{h_1=1}^{i_1-1} \sum_{h_2=0}^{i_2}  &\sum_{p_1=0}^{q_1-i_1}
        \sum_{{p_2}=0}^{q_2-i_2}\ \sum_{m_1=0}^{p_1+p_2}
        \ \sum_{{m_2}=0}^{q_1-i_1-p_1+q_2-i_2-p_2} \\
        & \Bigg({
            \frac{S_s^{p_1,p_2,m_1}\big(\sigma^{h_1,h_2,j}_s\big)}{({m_1}+1)!} \frac{ S_s^{q_1-i_1-p_1,q_2-i_2-p_2,m_2} \big(\sigma^{i_1-h_1,i_2-h_2,j}_s\big)}{({m_2}+1)!}
           }   \\
        & \qquad\qquad +    {\frac{
                \big[S_s^{p_1,p_2,m_1}\big(\sigma^{i_1-h_1,i_2-h_2,j}_s\big),S_s^{q_1-i_1-p_1,q_2-i_2-p_2,m_2}\big(\sigma^{h_1,h_2,j}_s\big)\big]
            }{
                ({m_1}+{m_2}+2)({m_1}+1)!{m_2}!
            }
        }
    \Bigg),
\end{align}
</math>
算子{{math|''S''}}定义为
: <math>
\begin{align}
S^{r-1,n-r,0}_s(A) &:=
\begin{cases}
    A  & \text{if } r=n=1,\\
    0  & \text{otherwise},
\end{cases}\\
S^{r-1,n-r,i}_s(A)  &:= 
\sum_{\begin{array}{c}(j_1,k_1),\dots,(j_i,k_i) \in\mathbb{N}_0^2 
\\  j_1 + \cdots 
+  j_i  = r-1
\\  k_1+ \cdots 
 +k_{i} = n-r
\end{array}}     \big[Y^{(j_1,k_1)}_s ,  \big[ \dots , \big[  Y^{(j_i,k_i)}_s, A_s   \big] \dots \big]  \big]  \\
&= \sum_{\begin{array}{c}(j_1,k_1),\dots,(j_i,k_i) \in\mathbb{N}_0^2 
\\  j_1 + \cdots 
+  j_i  = r-1
\\  k_1+ \cdots 
k_{i} = n-r
\end{array}}   \operatorname{ad}_{Y^{(j_1,k_1)}_s}
\circ \cdots \circ \operatorname{ad}_{Y^{(j_i,k_i)}_s}(A_s) , \qquad i\in\mathbb{N}.
\end{align}
</math>
== 应用 ==
1960年代以来，马格努斯展开作为一种摄动理论工具，已成功应用于[[物理学]]和[[化学]]的许多领域，从[[原子物理学]]和[[分子物理学]]到[[核磁共振]]<ref>{{cite journal |last1=Haeberlen |first1=U. |last2=Waugh |first2=J.S. |title=Coherent Averaging Effects in Magnetic Resonance |journal=Phys. Rev. |volume=175 |issue=2 |pages=453–467 |year=1968 |doi=10.1103/PhysRev.175.453|bibcode=1968PhRv..175..453H }}</ref>和[[量子电动力学]]。自1998年以来，它还用于构建矩阵线性微分方程数值积分的实用算法。由于它们集成了马格努斯展开的特性，保留了问题的定性特征，因此相应方案也是[[几何积分]]的典型例子。

== 另见 ==
* [[贝克-坎贝尔-豪斯多夫公式]]

== 注释 ==
{{Reflist}}

== 参考文献 ==
{{refbegin}}
* {{cite journal | doi = 10.1002/cpa.3160070404 | title = On the exponential solution of differential equations for a linear operator | year = 1954 |first1= W. |last1=Magnus | journal = Comm. Pure Appl. Math. | volume = VII | issue = 4 | pages = 649&ndash;673}}
* {{cite journal | doi = 10.1088/0305-4470/31/1/023 | title = Magnus and Fer expansions for matrix differential equations: The convergence problem | year = 1998 |first1=S. |last1=Blanes |first2=F. |last2=Casas |first3=J.A. |last3=Oteo |first4=J. |last4=Ros | journal = J. Phys. A: Math. Gen. | volume = 31 | issue = 1 | pages = 259–268|bibcode=1998JPhA...31..259B}}
* {{cite journal | doi = 10.1098/rsta.1999.0362 | title = On the solution of linear differential equations in Lie groups | year = 1999 |first1=A. |last1=Iserles |first2=S. P. |last2=Nørsett | journal = Phil. Trans. R. Soc. Lond. A | volume = 357 | issue = 1754 | pages = 983–1019| bibcode = 1999RSPTA.357..983I | citeseerx = 10.1.1.15.4614| s2cid = 90949835 }}
* {{cite journal | doi = 10.1016/j.physrep.2008.11.001 | title = The Magnus expansion and some of its applications| year = 2009 |first1=S. |last1=Blanes |first2=F. |last2=Casas |first3=J.A. |last3=Oteo |first4=J. |last4=Ros | journal = Phys. Rep. | volume = 470 | issue = 5–6 | pages = 151–238|arxiv=0810.5488 |bibcode=2009PhR...470..151B| s2cid = 115177329}}
* {{cite journal | title = On the Stochastic Magnus Expansion and Its Application to SPDEs| year = 2021 |first1=K. |last1=Kamm |first2=S. |last2=Pagliarani |first3=A. |last3=Pascucci | journal = Journal of Scientific Computing | volume = 89 | issue = 3 | page = 56 | doi = 10.1007/s10915-021-01633-6 |arxiv=2001.01098 | s2cid = 211259118 }}
{{refend}}
[[Category:常微分方程]]
[[Category:随机微分方程]]
[[Category:李代数]]
[[Category:数学物理]]