本文转自：https://spaces.ac.cn/archives/4598
翻阅一篇博士论文中，从未学习到的点，故本篇转载作为学习理解马尔科夫过程、主方程相关内容
先百度百科简要了解：
搜索主方程只有一份PDF（第二章 主方程(Master equation) (ustc.edu.cn)）、知乎和本篇内容，本篇在SEO中最前，其余可见：如何理解马尔科夫过程的主方程的推导过程？ - 知乎 (zhihu.com)
主方程（master equation）是对随机过程进行建模的重要方法，它代表着马尔科夫过程的微分形式，我们的专业主要工具之一就是主方程，说宏大一点，量子力学和统计力学等也不外乎是主方程的一个特例。
然而，笔者阅读了几个著作，比如《统计物理现代教程》，还有我导师的《生物系统的随机动力学》，我发现这些著作对于主方程的推导都很模糊，他们在着力解释结果的意义，但并不说明结果的思想来源，因此其过程难以让人信服。而知乎上有人提问《如何理解马尔科夫过程的主方程的推导过程？》但没有得到很好的答案，也表明了这个事实。
1、马尔科夫过程
主方程是用来描述马尔科夫过程的，而马尔科夫过程可以理解为运动的无记忆性，说通俗点，就是下一刻的概率分布，只跟当前时刻有关，跟历史状态无关。用概率公式写出来就是（这里只考虑连续型概率，因此这里的p是概率密度）:
这里的积分区域是全空间。这里的p(x,τ|y,t)称为跃迁概率，即已经确定了t时刻来到了y位置后、在τ时刻达到x的概率密度，这个式子的物理意义是很明显的，就不多做解释了。
尽管(1)式很直观，但用它来建模实际上存在两个比较困难的问题:
1、为了建模就得写出
p(x,τ|y,t)，而事实上我们很难直接写出一个合理的跃迁概率出来；2、即使写出来
p(x,τ|y,t)，方程是一个积分方程，而我们对积分方程的研究远不如微分方程。
因此，有必要写出它的微分方程形式。
2、主方程
我们设τ=t+ϵ
并且考虑ϵ→0的极限，保留到ϵ的一阶项，我们有
其中用到了p(x,t|y,t)=δ(x−y)这个事实，而
我们对(2)式两边都展开ϵ到一阶项，得到
故
3、更便于建模
读者可以发现，(6)式并非我们常见的主方程的形式，这是因为它不方便建模。我们再来看(3)式，注意我们有
因此结合(3)式，则必须要求
科研中的建模过程是反过来的：需要先写出主方程的形式，然后去求解主方程。也就是说，为了用(6)式建模，则需要写出W~(x,y,t)，而W~(x,y,t))要满足(8)式的约束条件，但我们很难凭空写出一个W~(x,y,t)同时又满足这个约束。
幸运的是，我们可以用一个技巧来去掉这个约束。首先我们写出一个任意的函数W~(x,y,t)，然后考虑
从而我们可以让
那么它自动地满足(8)式，最终主方程的形式变为
这就是我们在教科书上能看到的主方程的形式，这时候对W~(x,y,t)则没有特别的约束了，因此可以方便地用它来建模。至于对W~(y,x,t)的物理意义的诠释，则是后话了。类似的推导过程可以平移到离散型的主方程，也不再赘述。
4、一点评价
从上面的过程可以看到，主方程之所以是我们经常看到的形式，是因为那种形式更方便我们进行建模，至于对结果的诠释，本质上来说都是强加的，不能算作推导过程。而多数著作对主方程的推导，侧重于对结果的物理诠释，对方程的形式的来源不加详述，是引起我们理解上的困难的重要原因之一，希望这里的文字可以对此做些补充。
标签：方程,推导,马尔科夫,建模,过程,我们 来源： https://www.cnblogs.com/wangzheming35/p/15465832.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。