Probabilistic numerical methods : multi-scale and mean-field problems

Cette thèse traite de la solution numérique de deux types de problèmes stochastiques. Premièrement, nous nous intéressons aux EDS fortement oscillantes, c'est-à-dire, les systèmes composés de variables ergodiques évoluant rapidement par rapport aux autres. Nous proposons un algorithme basé sur des résultats d'homogénéisation. Il est défini par un schéma d'Euler appliqué aux variables lentes couplé avec un estimateur à pas décroissant pour approcher la limite ergodique des variables rapides. Nous prouvons la convergence forte de l'algorithme et montrons que son erreur normalisée satisfait un résultat du type théorème limite centrale généralisé. Nous proposons également une version extrapolée de l'algorithme ayant une meilleure complexité asymptotique en satisfaisant les mêmes propriétés que la version originale. Ensuite, nous étudions la solution des EDS de type McKean-Vlasov (EDSPR-MKV) associées à la solution de certains problèmes de contrôle sous un environnement formé d'un grand nombre de particules ayant des interactions du type champ-moyen. D'abord, nous présentons un nouvel algorithme, basé sur la méthode de cubature sur l'espace de Wiener, pour approcher faiblement la solution d'une EDS du type McKean-Vlasov. Il est déterministe et peut être paramétré pour atteindre tout ordre de convergence souhaité. Puis, en utilisant ce nouvel algorithme, nous construisons deux schémas pour résoudre les EDSPR-MKV découplées et nous montrons que ces schémas ont des convergences d'ordres un et deux. Enfin, nous considérons le problème de réduction de la complexité de la méthode présentée tout en respectant la vitesse de convergence énoncée.This Ph.D. thesis deals with the numerical solution of two types of stochastic problems. First, we investigate the numeric solution to strongly oscillating SDEs, i.e. systems in which some ergodic state variables evolve quickly with respect to the remaining ones. We propose an algorithm that uses homogenization results and consists of an Euler scheme for the slow scale variables coupled with a decreasing step estimator for the ergodic averages of the fast variables. We prove the strong convergence of the algorithm as well as a generalized central limit theorem result for the normalized error distribution. In addition, we propose an extrapolated version applicable under stronger regularity assumptions and which satisfies the same properties of the original algorithm with lower asymptotic complexity. Then, we treat the problem of solving decoupled Forward Backward Stochastic Differential equations of McKean-Vlasov type (MKV-FBSDE) which appear in some stochastic control problems in an environment of a large number of particles with mean field interactions. As a first step, we propose a new algorithm, based on the cubature method on Wiener spaces, to weakly approach the solution of a McKean-Vlasov SDE. It is deterministic and can be parametrized to obtain any given order of convergence. Using this first forward approximation algorithm, we construct two procedures to solve the decoupled MKV-FBSDE and show that they converge with orders one and two under appropriate regularity conditions. Finally, we consider the problem of reducing the complexity of the presented method while preserving the presented convergence rates