ある場合にはの形の次元積分は 通常1は、ドメイン全体にわたって多次元統合ライブラリを使用してこれを評価するであろう [ 0 、1 ] のn + 1。
しかし、1次元の求積法を使用して積分を個別に実行し、多次元積分ライブラリを使用して他のn座標で被積分関数を評価することが理にかなっている条件はありますか? ∫ [ 0 、1 ] nは G (X )
これは、たとえば、がyの関数として特に滑らかであるがxの関数としては滑らかでない場合に意味があります。しかし、この場合、正確にどれほどスムーズでなければならないのでしょうか。1-d求積法の評価点が多すぎると「無駄」になるため、ほとんど意味がないと思いますが、これが常に当てはまるとは思いません。これは、高次元の統合方法の設計によって保証されますか?
自分の場合、ブラックボックスであるが、に区分平滑Y、およびキンクの未知量を有しにジャンプX未知の位置で、かつnは極めて高い(N ≥ 4)の積分にxが有しています特に多くの次元のために何かを行うために。yの積分は、のような通常の方法で実行できます。この例では、関数はyで十分滑らかであり、ほとんど機能しているように見えますが、繰り返しの積分は最終的に30倍遅くなるため、アプローチが誤っているのではないかと思います。quadgk
これが文献のどこですでに議論されているかを知っているなら、それも役に立ちます。
例。 (これが簡単ではない理由です)私が本当に興味を持っているものとは異なり、非常に滑らかな「簡単な」積分を考えてみましょう: 被積分関数で ナイーブ n次元モンテカルロを実行するか、または積分された被積分関数でナイーブ(n − 1 )次元モンテカルロを x 1について一度積分すると、 g (x 2 :n)= − (e − a − 1 )/ a(ここで a = x 2 ⋯ x n)。
いくつかの代数で、Iは、の分散と計算次元Nが MC推定値である-POINT 0.00244 N - 1、及びそれが0.00167 N - 1のための4の次元積分G Aによって分散低減のため、1.5の係数。
これは、わずかな分散の減少です。これは、倍のサンプルポイントを使用することで打ち消され、内部被積分関数の評価が1.5倍以上遅くなる可能性があるという事実によって相殺されます。上記の関数g = (1 − e − a)/ aが1.5倍以上遅い場合、これは計算時間を固定したまま、正味の精度の損失を表します。
介して積分するための決定論的ルールを検討する場合、おそらく同じ種類のトレードオフが適用されます。モンテカルロ法を使用すると、この分析を一般的な場合よりもはるかに簡単に行うことができます。これは、yを介して積分すると、非常に単純な分散低減手法のように機能するためです。しかし、私は決定論的手法に非常に興味を持っています。これは、簡単に分析することができなかった方法です。