1 历史与背景
欧拉-马鲁雅玛法的形成，源于随机微分方程理论与数值计算需求的共同发展。随着随机过程被广泛用于描述含噪系统，人们逐渐需要一种可操作、可实现的离散化方案来近似连续随机演化。该方法后来成为随机数值分析中的基础工具之一，尤其适用于研究带有随机扰动的动力系统。
1.1 随机微分方程的发展
随机微分方程的研究与布朗运动、伊藤积分等理论密切相关。20世纪中期以后，随着随机分析框架逐步成熟，许多实际问题被写成“漂移项加噪声项”的形式，从而使随机微分方程成为描述不确定性系统的重要模型。数值求解的需求也随之增长，推动了离散算法的发展。
1.2 欧拉法的确定性来源
在确定性常微分方程中，欧拉法通过用当前点的导数近似短时间内的变化率，构造出最基本的逐步迭代格式。欧拉-马鲁雅玛法可以看作这一思想的直接延伸：将时间连续演化拆分为离散步，在每一步中同时处理确定性趋势与随机扰动。其核心思想保持了欧拉法“局部线性近似”的简洁特征。
1.3 马鲁雅玛的贡献与命名由来
马鲁雅玛对随机微分方程数值方法的早期研究具有重要影响，尤其在随机差分格式的理论化方面作出了贡献。欧拉-马鲁雅玛法的名称由此得来，用以强调它既继承了欧拉法的框架，也与随机分析中的相关研究脉络相联系。该命名逐渐成为学界通用称呼。
2 基本原理
欧拉-马鲁雅玛法的基本思想，是把随机微分方程的连续时间轨道分解为许多小区间，并在每个小区间内用增量形式近似系统变化。与确定性方法相比，它不仅要近似平滑演化，还要处理随机项带来的波动，因此需要引入随机增量的统计性质。
2.1 随机微分方程的标准形式
典型的一维随机微分方程可写为 \[ dX_t = a(X_t,t)\,dt + b(X_t,t)\,dW_t, \] 其中 \(a\) 表示漂移项，\(b\) 表示扩散项，\(W_t\) 是布朗运动。漂移项描述系统的平均演化趋势，扩散项则反映随机扰动强度。欧拉-马鲁雅玛法正是围绕这类标准形式建立的。
2.2 时间离散化思想
方法首先将时间区间划分为若干小步长 \(h\)，记 \(t_n = t_0 + nh\)。在每个离散时刻，只根据当前状态更新到下一时刻，而不追踪区间内部的连续细节。这样做的优点是计算简单，且便于在计算机上逐步模拟随机轨道。
2.3 增量近似与随机扰动处理
在一个小时间步内，确定性部分的变化可近似为漂移项乘以步长，而随机部分则通过布朗运动增量来表达。由于布朗运动增量在短时间内具有均值为零、方差与步长成正比的性质，因此其离散化方式与普通导数近似存在明显差异。
2.3.1 布朗运动增量的作用
布朗运动在第 \(n\) 步的增量通常记作 \(\Delta W_n = W_{t_{n+1}} - W_{t_n}\)。该增量服从均值为零、方差为 \(h\) 的正态分布，是算法中随机性的主要来源。每一步更新时，系统都要加入一个按这一分布抽取的随机扰动，从而模拟真实噪声的累积效应。
2.3.2 漂移项与扩散项的离散化
在离散格式中，漂移项通常用当前状态下的函数值乘以步长表示，而扩散项则乘以布朗运动增量。前者对应“平均推进”，后者对应“随机摆动”。两者结合后，便得到一条兼顾趋势与噪声的数值轨道。
3 算法表达
欧拉-马鲁雅玛法的表达形式非常简洁，便于实现。它的迭代结构决定了该方法在实验计算和理论分析中的广泛使用，也使其成为讲解随机数值方法时最常见的入门算法之一。
3.1 离散迭代公式
对于一维随机微分方程，欧拉-马鲁雅玛法通常写为 \[ X_{n+1}=X_n+a(X_n,t_n)h+b(X_n,t_n)\Delta W_n. \] 其中 \(X_n\) 是数值解在时刻 \(t_n\) 的近似值。该公式直接把上一步状态推进到下一步，是整套方法最核心的计算规则。
3.2 初值设定
算法从给定初值 \(X_0\) 出发，初值通常对应随机系统在起始时刻的已知状态。若初值本身带有随机性，也可以在模拟时将其作为随机变量输入。无论何种情形，初值都决定了数值轨道的起点。
3.3 时间步长选择
步长 \(h\) 的大小直接影响计算效果。较小步长通常能提供更细致的轨道近似，但计算量更大；较大步长则会降低精度，甚至引起不稳定。实际应用中，步长往往需要在精度、稳定性和效率之间折中选择。
3.4 多维随机系统的推广
对于多维随机微分方程，状态变量可组成向量，布朗运动也可扩展为多维随机过程。此时迭代公式按分量或矩阵形式写出，扩散项可能涉及多个噪声源。与一维情形相比，多维推广在符号上更复杂，但思想并无根本变化。
4 理论性质
欧拉-马鲁雅玛法不仅具有计算上的便利，还具有较完整的理论分析框架。研究者通常会考察其强收敛、弱收敛和稳定性，以判断该方法在不同任务中的适用程度。
4.1 强收敛性
强收敛主要关心数值轨道与真实随机轨道在样本路径层面的接近程度。它强调“同一条随机样本”下的误差大小，因此与路径模拟密切相关。
4.1.1 强误差的定义
强误差通常指数值解与真解之间的均方意义或 \(L^p\) 意义下的差异。例如，可考察 \[
| E\bigl[ | X_T - X_N | ^2\bigr] |
|---|
\] 之类的量，其中 \(X_T\) 为真实解，\(X_N\) 为数值解。该指标反映了单条轨道模拟的准确程度。
4.1.2 收敛阶分析
在适当条件下，欧拉-马鲁雅玛法通常具有有限的强收敛阶。对于标准随机微分方程，它的强收敛阶一般低于确定性欧拉法在常微分方程中的表现，这与随机项的粗糙性有关。收敛阶的结论为步长选取提供了理论依据。
4.2 弱收敛性
弱收敛关注的是数值解在统计量层面上是否接近真实解，而不是逐路径比较。若主要目标是估计期望、分布函数或其他平均量，这一性质尤其重要。
4.2.1 弱误差的定义
弱误差通常通过测试函数 \(\varphi\) 的期望差来描述，例如比较 \[ E[\varphi(X_T)] - E[\varphi(X_N)]. \] 这里的关注点是某个函数值的统计平均，而不是单条随机轨道的偏差。
4.2.2 期望量近似
在金融定价、随机控制等场景中，人们更常关心期望收益、平均状态或概率指标。欧拉-马鲁雅玛法虽然路径精度有限，但在弱意义下往往足以提供可用的统计近似，因此具有较高的实际价值。
4.3 稳定性
稳定性描述算法在长期迭代下是否保持可控行为。对于随机系统而言，稳定性不仅涉及数值解是否发散，还涉及其统计波动是否被合理限制。
4.3.1 均方稳定性
均方稳定性通常检查数值解的二阶矩是否衰减或保持有界。若原系统具有稳定性，合理的离散格式应尽量保留这一特征。步长过大时，即便连续系统稳定，离散方案也可能出现额外振荡。
4.3.2 数值稳定域
数值稳定域用于刻画在何种参数和步长范围内，迭代过程能够维持良好表现。对于不同形式的随机项，稳定域会发生变化。该概念在分析线性测试方程时尤其常见。
5 误差与精度
欧拉-马鲁雅玛法的误差分析是理解其适用范围的核心内容。局部误差、全局误差以及步长影响共同决定了它在具体任务中的最终精度。
5.1 局部截断误差
局部截断误差指单一步更新时，由于使用近似公式而产生的误差。它反映了在假设前一步完全正确的条件下，本步近似所带来的偏差。局部误差通常是分析全局误差的基础。
5.2 全局误差
全局误差是多步累计后数值解与真实解之间的差别。即使每一步误差较小，经过长时间积分后也可能显著积累。因此，评估算法时不能只看局部精度，还要考察长期演化下的整体偏离。
5.3 步长对精度的影响
步长越小，离散轨道越接近连续过程，但随机模拟所需样本和运算次数也会增加。步长过大则可能放大误差，甚至掩盖原系统的真实统计特征。因此，精度控制本质上是对计算成本与误差水平的权衡。
5.4 高阶方法对比
与一些高阶随机数值方法相比，欧拉-马鲁雅玛法的精度并不突出，但胜在结构简单、实现方便。若问题对精度要求较高，往往会考虑更复杂的方法；若强调快速原型模拟或基础分析，欧拉-马鲁雅玛法仍然十分实用。
6 适用范围与局限性
该方法适用于相当广泛的随机模型，但并非对所有系统都足够有效。了解其优势与限制，有助于合理选择数值方案。
6.1 适合求解的方程类型
欧拉-马鲁雅玛法适合系数较平滑、噪声结构相对标准的随机微分方程，尤其是那些满足一定 Lipschitz 条件或增长条件的模型。对于常见的线性或弱非线性系统，它通常能给出稳定且可解释的近似结果。
6.2 非线性系统中的表现
在强非线性系统中，漂移或扩散项可能迅速放大误差，使得简单离散格式难以保持准确性。此时，欧拉-马鲁雅玛法虽可作为初步方法，但往往需要配合更细步长、截断策略或改进算法使用。
6.3 步长过大时的问题
当步长过大时，离散轨道可能偏离真实过程，出现数值振荡、偏置增大或稳定性变差等现象。尤其在噪声较强的模型中，过大的时间步可能使随机波动被错误放大，从而影响统计结论。
6.4 刚性随机系统的局限
对于刚性随机系统，系统内部常存在时间尺度差异较大的现象。显式欧拉-马鲁雅玛法在这类问题上容易受限于极小步长要求，计算效率因此下降。若需处理刚性情形，往往要考虑隐式或半隐式方法。
7 变体与改进方法
为克服基本格式的局限，研究者提出了多种变体。这些方法通常在稳定性、精度或鲁棒性方面进行了增强，但实现复杂度也相应提高。
7.1 隐式欧拉-马鲁雅玛法
隐式格式在更新下一步状态时，会将未知量置于方程右端或以隐式方式求解。它通常具有更好的稳定性，适合处理某些刚性系统。不过，隐式求解往往需要迭代计算，成本高于显式方法。
7.2 修正欧拉-马鲁雅玛法
修正方法会在原始格式基础上引入额外校正项，以改善精度或减小偏差。此类方法通常兼顾简单性与改进效果，适用于希望在不显著增加实现难度的前提下提升性能的场景。
7.3 截断欧拉-马鲁雅玛法
截断策略通过限制系数增长或对非线性项进行裁剪，缓解大步长和强非线性导致的数值发散问题。此类方法在某些无界系数模型中尤其有用，可提升算法的鲁棒性。
7.4 自适应步长策略
自适应步长根据局部误差估计或系统状态变化动态调整时间步。它可以在复杂区段采用更细步长，在平稳区段适当放大步长，从而兼顾精度与效率。不过，这也会使随机模拟和误差分析更为复杂。
8 应用领域
由于实现简洁、适用面广，欧拉-马鲁雅玛法被广泛用于多种学科的随机建模任务。它尤其适合需要大量重复模拟、并对单次计算成本较敏感的场景。
8.1 金融工程
金融模型常包含随机波动因素，因此随机微分方程成为资产定价和风险分析中的常用工具。欧拉-马鲁雅玛法是金融数值模拟中的基础方法之一。
8.1.1 资产价格模型
在资产价格建模中，价格或对数价格常被设为随机过程。欧拉-马鲁雅玛法可用于近似这类过程的路径演化，进而生成大量模拟轨道，为后续分析提供样本。
8.1.2 期权定价近似
在期权定价中，常需估计与标的资产路径相关的期望收益。通过将随机过程离散化并结合蒙特卡罗模拟，可以借助该方法近似期权价值。它在教学和原型验证中尤为常见。
8.2 物理与化学
在物理和化学中，许多系统都会受到热噪声、随机碰撞或外部扰动影响。欧拉-马鲁雅玛法可用于模拟粒子扩散、随机动力学和某些反应过程，为实验数据解释与机理分析提供辅助。
8.3 生物数学
在生物统计与生物数学中，种群波动、环境随机性和测量误差常被纳入随机模型。该方法可用于模拟随机增长过程、流行病动力学中的噪声影响，以及带随机扰动的生理过程。
8.4 控制与信号处理
在控制系统和信号处理中，噪声是影响系统性能的重要因素。欧拉-马鲁雅玛法可以用于离散仿真随机控制模型，帮助分析滤波效果、系统响应以及扰动条件下的稳定行为。
9 实现与计算细节
虽然算法形式简单，但实际实现时仍有若干细节需要注意，尤其是随机数生成、样本统计和误差评估等方面。
9.1 随机数生成
布朗运动增量通常通过正态随机数生成。高质量随机数和合适的伪随机算法对模拟结果很重要，因为随机源的质量会直接影响统计特性与重复实验的一致性。
9.2 蒙特卡罗模拟结合
在多数应用中，欧拉-马鲁雅玛法不会只运行一次，而是与蒙特卡罗方法结合，重复生成大量样本轨道，再对感兴趣的量取平均。这样可以估计分布特征、期望值或风险指标。
9.3 误差控制与重复试验
为了提高结果可靠性，通常需要进行多次重复试验，并观察均值、方差以及置信区间等统计量。若结果对步长或样本数非常敏感，则说明需要进一步调整计算参数。
9.4 计算复杂度
该方法单步计算量较小，整体复杂度主要由时间步数和样本数决定。若采用多维系统或加入自适应策略，计算成本会相应上升。尽管如此，它依旧因实现简单而保持较高的实用性。
10 相关方法比较
欧拉-马鲁雅玛法常被视为随机数值方法体系中的起点。与其他方法相比，它在精度、稳定性和计算复杂度之间形成了鲜明的折中。
10.1 与确定性欧拉法的关系
它可看作确定性欧拉法在随机微分方程上的推广。二者都采用一步显式迭代、都依赖当前状态更新未来状态，但欧拉-马鲁雅玛法额外加入了随机增量，因此更适合含噪系统。
10.2 与Milstein方法的比较
Milstein方法在某些条件下具有更高的强收敛阶，通常需要额外处理扩散项的导数信息。相比之下，欧拉-马鲁雅玛法更简单，不必计算高阶修正项，因此在实现上更轻便。
10.3 与高阶随机数值方法的比较
高阶方法通常在精度上优于欧拉-马鲁雅玛法，尤其在要求较高的路径模拟中更有优势。不过，高阶格式往往推导更复杂、实现更耗时。对于大规模粗略模拟，基础方法反而更具性价比。
10.4 与Runge-Kutta类随机方法的比较
随机Runge-Kutta类方法借鉴了经典Runge-Kutta思想，通过多次采样或中间点修正来提升精度。相较而言，欧拉-马鲁雅玛法结构最为朴素，适合作为入门算法和基准方法；而Runge-Kutta类方法则更适合对精度有更高要求的任务。