Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Künstliche Intelligenz Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Zukunftswerkstatt Sales Excellence 2025 | 08. Mai 2025

KI als Booster im Vertrieb

Lernen Sie von Digital-Experten, wie der gezielte Einsatz von KI-Unterstützung Ihrem Unternehmen in vielen Bereichen hilft, im Vertrieb einen Schritt voraus zu sein. Jetzt wieder live vor Ort teilnehmen in Frankfurt am Main!
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

A Randomised Lattice Rule Algorithm with Pre-determined Generating Vector and Random Number of Points for Korobov Spaces with \(0 < \alpha \le 1/2\)

verfasst von : Dirk Nuyens, Laurence Wilkes

Erschienen in: Monte Carlo and Quasi-Monte Carlo Methods

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In previous work [12], we showed that a lattice rule with a pre-determined generating vector but random number of points can achieve the near optimal convergence of \(O(n^{-\alpha -1/2+\epsilon })\), \(\epsilon > 0\), for the worst case expected error, commonly referred to as the randomised error, for numerical integration of high-dimensional functions in the Korobov space with smoothness \(\alpha > 1/2\). Compared to the optimal deterministic rate of \(O(n^{-\alpha +\epsilon })\), \(\epsilon > 0\), such a randomised algorithm is capable of an extra half in the rate of convergence. In this paper, we show that a pre-determined generating vector also exists in the case of \(0 < \alpha \le 1/2\). Also here we obtain the near optimal convergence of \(O(n^{-\alpha -1/2+\epsilon })\), \(\epsilon > 0\); or in more detail, we obtain \(O(\sqrt{r} \, n^{-\alpha -1/2+1/(2r)+\epsilon '})\) which holds for any choices of \(\epsilon ' > 0\) and \(r \in {\mathbb {N}}\) with \(r > 1/(2\alpha )\).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel The Order Barrier for the -approximation of the Log-Heston SDE at a Single Point
Nächstes Kapitel Generator Matrices by Solving Integer Linear Programs
Literatur
1.
Bakhvalov, N.S.: An estimate of the mean remainder term in quadrature formulae. Zhurnal Vychislitel’noi Matematiki i Matematicheskoi Fiziki 1, 64–77 (1961)
2.
Berend, D., Tassa, T.: Improved bounds on Bell numbers and on moments of sums of random variables. Probab. Math. Stat. 30(2), 185–205 (2010)MathSciNet
3.
de La Vallée Poussin, C.J.: Recherches analytiques sur la théorie des nombres premiers. Première partie. La fonction \(\zeta (s)\) de Riemann et les nombres premiers en général, suivi d’un appendice sur des réflexions applicables à une formule donnée par Riemann. Ann. Soc. Scient. Bruxelles, deuxième partie 20, 183–256 (1896)
4.
de La Vallée Poussin, C.J.: Sur la fonction \(\zeta (s)\) de Riemann et le nombre des nombres premiers inférieurs à une limite donnée. Mémoires couronnés et autres Mémoires in-8 publiés par l’Académie royale de Belgique 49, 74 (1899)
5.
Dick, J.: Higher order scrambled digital nets achieve the optimal rate of the root mean square error for smooth integrands. Ann. Stat. 39(3), 1372–1398 (2011)MathSciNetCrossRef
6.
Dick, J., Goda, T., Suzuki, K.: Component-by-component construction of randomized rank-1 lattice rules achieving almost the optimal randomized error rate. Math. Comp. 91, 2771–2801 (2022)
7.
Dick, J., Kritzer, P., Pillichshammer, F.: Lattice Rules: Numerical Integration, Approximation, and Discrepancy. Springer International Publishing (2022)
8.
Frolov, K.K.: Upper error bounds for quadrature formulas on function classes. Dokl. Akad. Nauk SSSR 231(4), 818–821 (1976)MathSciNet
9.
Goda, T., L’Ecuyer, P.: Construction-free median quasi-Monte Carlo rules for function spaces with unspecified smoothness and general weights. SIAM J. Sci. Comput. 44(4), A2765–A2788 (2022)MathSciNetCrossRef
10.
Krieg, D., Novak, E.: A universal algorithm for multivariate integration. Found. Comput. Math. 17, 895–916 (2017)MathSciNetCrossRef
11.
Kritzer, P., Kuo, F.Y., Nuyens, D., Ullrich, M.: Lattice rules with random \(n\) achieve nearly the optimal \({\cal{O}}(n^{-\alpha -1/2})\) error independently of the dimension. J. Approx. Theory 240, 96–113 (2019)
12.
13.
Mariconda, C., Tonolo, A.: Discrete Calculus: Methods for Counting. Springer International Publishing (2016)
14.
Niederreiter, H.: Random Number Generation and Quasi-Monte Carlo Methods. Society for Industrial and Applied Mathematics (1992)
15.
Novak, E., Woźniakowski, H.: Tractability of Multivariate Problems: Volume I: Linear information. EMS Tracts in Mathematics. European Mathematical Society (2008)
16.
Novak, E., Woźniakowski, H.: Tractability of Multivariate Problems: Volume II: Standard Information for Functionals. EMS Tracts in Mathematics. European Mathematical Society (2010)
17.
Nuyens, D.: The Construction of Good Lattice Rules and Polynomial Lattice Rules, pp. 223–256. De Gruyter, Berlin, Boston (2014)
18.
Nuyens, D., Suzuki, Y.: Scaled lattice rules for integration on \(\mathbb{R} ^d\) achieving higher-order convergence with error analysis in terms of orthogonal projections onto periodic spaces. Math. Comp. 92, 307–347 (2023)
19.
Owen, A.B.: Randomly permuted \((t,m,s)\)-nets and \((t, s)\)-sequences. In: Niederreiter, H., Shiue, P.J.S.: (eds.) Monte Carlo and Quasi-Monte Carlo Methods in Scientific Computing, pp. 299–317. Springer, New York, NY (1995)
20.
21.
Sloan, I.H., Joe, S.: Lattice Methods for Multiple Integration. Oxford University Press (1994)
22.
Sloan, I.H., Kuo, F.Y., Joe, S.: On the step-by-step construction of quasi-Monte Carlo integration rules that achieve strong tractability error bounds in weighted Sobolev spaces. Math. Comp. 71, 1609–1640 (2002)
23.
Sloan, I.H., Woźniakowski, H.: When are quasi-Monte Carlo algorithms efficient for high dimensional integrals? J. Complexity 14(1), 1–33 (1998)
24.
Sloan, I.H., Woźniakowski, H.: Tractability of multivariate integration for weighted Korobov classes. J. Complexity 17(4), 697–721 (2001)
25.
Ullrich, M.: A Monte Carlo method for integration of multivariate smooth functions. SIAM J. Numer. Anal. 55, 1188–1200 (2017)MathSciNetCrossRef
Metadaten
Titel
A Randomised Lattice Rule Algorithm with Pre-determined Generating Vector and Random Number of Points for Korobov Spaces with 
verfasst von
Dirk Nuyens
Laurence Wilkes
Copyright-Jahr
2024
Buch
Monte Carlo and Quasi-Monte Carlo Methods

Print ISBN: 978-3-031-59761-9

Electronic ISBN: 978-3-031-59762-6

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-59762-6_25

Premium Partner

    Bildnachweise