[19] 在[21]中,派生词以略微修改的形式出现;在这里包含它是为了使这篇论文更加完整。我们需要找到最低的ofE[, {ut}]=(1- α) T型 +TXt=1在约束下t≥ 0,ut+ +NXi=1xi,twi≥ 0tandNXi=1wi=N。计算过程如下:根据统计物理的一般策略,我们通过引入反温度γ的效应,将上述“尖锐”优化替换为“软”优化,并定义正则配分函数(或生成函数)为Zγ[{xi,t}]=Z∞TYi=1度∞-∞d θut+ +NXi=1xi,twi!e-γE[,{ut}],(A.1),其中θ(x)=1,如果x>0,否则为零。因此,配分函数是与问题约束相容的所有可能变量配置的积分,其中每个配置, {ut}由玻耳兹曼重量e加权-γE[,{ut}]。原始优化问题可在极限γ内恢复→ ∞ 其中只有E的最小值[, {ut}]贡献。根据配分函数,可以在大N aslimN的限制下计算最小成本(每项资产)→∞limγ→∞-log Zγ[{xi,t}]γN.(A.2)为了导出系综的典型性质,我们必须对所有可能的返回实现进行平均,并计算log Zγ[{xi,t}]i=Z∞-∞NYi=1TYt=1dxi,tP[{xi,t}]log Zγ[{xi,t}],(A.3),其中P[{xi,t}]是收益的概率密度函数。求对数平均值很困难。复制技巧就是为了避免这种困难而设计的。它基于标识LOG Zi=limn的使用→0hZni公司n、 (A.4)对于整数n,我们可以计算Znas,它是由原始系统的n个独立副本组成的系统的配分函数。然后,对实际值n的分析延拓将允许我们执行极限n→ 0并获得所寻求的数量hlog Zγ[{xi,t}]i。
|