w wyl123ly 的博客
MD

10-6-微分方程的应用与数值解法

122 KB 2026.10.17 原文件

---

title: 10-6-微分方程的应用与数值解法

aliases:

  • 微分方程应用
  • 数值解法
  • 欧拉法
  • 龙格库塔
  • 人口模型
  • 振动

tags:

  • 类型/教程
  • 微积分/微分方程

created: 2026-10-12

updated: 2026-10-12

level: 高级

chapter: "10.6"

prerequisites:

  • "10-5-二阶常系数线性微分方程"

sources:

  • https://www.wiley.com/en-us/The+Calculus+Lifesaver%3A+The+Complete+Guide+to+Calculus+and+Its+Applications-p-9780470181222
  • https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.solve_ivp.html
  • https://www.wiley.com/en-us/Elementary+Differential+Equations+and+Boundary+Value+Problems%2C+11th+Edition-p-9781119381649

10-6-微分方程的应用与数值解法

一句话概括

前面五篇都在教「怎么求出公式解」,但现实中的微分方程绝大多数解不出公式:

三体问题、Navier–Stokes 方程、带时变系数的电路方程……

这一篇回答两个问题:① 面对实际问题,怎么建模成微分方程(人口、冷却、混合、电路、振动);

② 解不出公式时,怎么算数值解(欧拉法、改进欧拉法、龙格-库塔法),

以及这些方法的误差、收敛阶与稳定性到底意味着什么。

本篇覆盖:建模四步法、一阶方程数值解法全家族、高阶方程化方程组、

局部/全局截断误差与收敛阶、刚性方程与稳定性、以及 numpy / scipy 实战代码。

一、定义

1.1 从「变化率」到方程:建模的翻译词典

微分方程应用的第一步永远是把一句自然语言翻译成数学等式。

翻译的核心是「变化率」三个字——只要题目里出现「速率」「速度」「增长率」「衰减」,

几乎都对应一个导数。下面这张词典请务必记熟:

自然语言 | 数学表达 | 常见符号约定

---|---|---

「某量的变化率与自身成正比」 | | 指数增长 / 衰减

「增长率受资源上限限制」 | | 逻辑斯蒂方程

「冷却速率与温差成正比」 | | 牛顿冷却定律

「流入速率减流出速率」 | | 混合问题

「加速度由合力决定」 | | 牛顿第二定律

「电流的变化率由电压决定」 | | RL 电路

「两种群相互制约」 | 两个耦合的一阶方程 | Lotka–Volterra 模型

1.2 初值问题与解的存在唯一性

定义 10.6.1(一阶初值问题)

其中 是已知函数。称为一阶常微分方程初值问题(initial value problem, IVP)。

定义 10.6.2(Lipschitz 条件) 若存在常数 ,使得对区域 内任意两点

与 都有

则称 在 上关于 满足 Lipschitz 条件(Lipschitz condition), 称为 Lipschitz 常数。

为什么需要 Lipschitz 条件

只要求 连续,只能保证解存在(Peano 定理),不能保证唯一。

加上 Lipschitz 条件才能保证唯一。直观地说:Lipschitz 条件限制了两条相邻积分曲线的

「分离速度」,因此初始状态相同就不可能分岔。

实用判据:若 在区域上连续且有界,则 自动满足 Lipschitz 条件

(取 ,由中值定理)。这就是实际做题时最常用的验证方式。

1.3 数值解、网格与步长

定义 10.6.3(数值解与网格)

取定步长(step size) ,令 (),

称 为网格(mesh / grid)。若能算出一列数

使得 ,则称 为该初值问题的数值解(numerical solution)。

定义 10.6.4(局部截断误差,local truncation error, LTE)

设 是精确解。若某单步方法满足

则称 为该方法在 处的局部截断误差。

若 ,则称该方法是 阶(order )的。

局部误差的阶与全局误差的阶差一阶

「方法的阶数 」说的是局部截断误差为 ,而全局误差

只有 。

差这一阶的原因是:全局误差是 步局部误差的积累,

每步 ,乘上步数 ,得到 。

这是数值分析里最容易被记混的一对概念(见例题 1、例题 6)。

1.4 三类基本数值方法

定义 10.6.5(显式欧拉法,explicit Euler method)

这是一阶方法,也称向前欧拉法。

定义 10.6.6(改进欧拉法 / 梯形法,improved Euler method)

先用欧拉法「预测」一个值,再用梯形平均「校正」:

这是二阶方法,也是最简单的预测–校正法(predictor–corrector method)。

它也被称为 Heun 方法。

定义 10.6.7(经典四阶龙格-库塔法,classical RK4)

这是四阶方法,是工程上最常用的通用求解器。

四个 分别是什么

- :区间起点处的斜率;

- :用 预测到中点,再取中点处的斜率;

- :用 预测到中点(修正版),再取中点处的斜率;

- :用 预测到终点,取终点处的斜率。

最后按 加权平均——

这正是辛普森公式(Simpson's rule)的权重!

回忆 6-3-定积分的性质与计算:。

RK4 就是「把 写成积分方程 ,

再用辛普森公式近似积分」的产物。这个联系是理解 RK4 的最好入口。

1.5 高阶方程与方程组

定义 10.6.8(化一阶方程组) 对 阶方程

引入新变量 ,,,,则得到一阶方程组

写成向量形式:

关键意义:所有数值方法都是为一阶方程组设计的。

只要把高阶方程化成一阶方程组,欧拉法与 RK4 的公式不需要任何修改

(只需把标量 换成向量 )。

例 二阶振动方程 。令 ,:

即

系数矩阵的特征值是 ,与 10-5-二阶常系数线性微分方程 的

特征根完全一致——矩阵特征值就是微分方程的特征根。

1.6 稳定性与刚性

定义 10.6.9(绝对稳定性) 考虑测试方程

其精确解 ()。

若某数值方法对该方程产生的数值解也满足 (对任意初值),

则称该方法对 是绝对稳定的(absolutely stable);

所有使方法稳定的 的集合称为绝对稳定域(region of absolute stability)。

定义 10.6.10(刚性方程,stiff equation)

若一个微分方程(组)的精确解中同时含有变化极快和变化极慢的分量

(数学上:Jacobian 矩阵的特征值实部全为负,但它们的绝对值相差极大),

则称该方程是刚性的。定量的度量是刚性比(stiffness ratio)

即认为刚性。

刚性方程是显式方法的噩梦

对刚性方程使用显式欧拉法,稳定性(而不是精度)会强迫步长 极小。

例如 :快速分量 在 之后

已经完全消失,但它仍然限制 。

于是为了算到 ,需要至少 步,而这些步几乎全部浪费在追踪一个已经死掉的分量上。

解决办法:使用隐式方法(如隐式欧拉、梯形法、BDF),它们的稳定域大得多,

代价是每一步需要解一个方程(对非线性问题要用牛顿迭代)。

二、几何直观

2.1 方向场:微分方程是一张「风向图」

对 ,在 平面上每一点画一个斜率为 的短线段,

整张平面就变成了一片「草叶图」——这就是方向场(direction field)。

读图方法:找一条曲线,使得它在每一点都顺着当地草叶的方向——那就是积分曲线。

初值条件 相当于「从哪个点出发」,

而唯一性定理保证:不同的积分曲线永不相交(否则交点处方向场给出两个不同斜率,矛盾)。

典型方向场的图像特征:

方程 | 方向场特征 | 积分曲线形态

---|---|---

| 斜率随 线性增大,水平线以上朝上、以下朝下 | 指数增长 / 衰减族

| 越往上斜率越负 | 全部向下滑向

| 斜率只与 有关,同一条竖线上斜率相同 | 抛物线族

| 与 处斜率为零(水平草叶) | S 形曲线,被 夹住

| 斜率与 反号 | 圆族(隐式解 )

数值方法的几何意义就在这张图里:

  • 欧拉法:站在当前点,沿当地草叶方向直走 的「横向距离」,落到新点。

显然,草叶方向在半路上会变,所以每步都有偏差——这就是截断误差的几何来源。

  • 改进欧拉法:先按起点斜率走到预测点,看看终点的草叶是什么方向,

再取两个方向的平均重新走一次。相当于用「起点斜率 + 终点斜率」的平均值代替真实曲线。

  • RK4:在区间内取四个点采四个斜率(起点、中点两次、终点),

按辛普森权重加权。采样点越多、权重越聪明,走出来的折线就越贴合真实曲线。

2.2 误差的两种面貌:局部弯曲 vs 全局漂移

把真实解 与数值解 画在同一张图上,你会看到两种不同的偏差:

第一种(局部):真实曲线是弯的,欧拉法走的是直线。

由 Taylor 公式 ,

欧拉法漏掉了 这一项。

所以曲线越弯( 越大),单步误差越大。 这就是 局部误差的几何含义。

第二种(全局):每一步的小偏差会累积。

更麻烦的是,误差本身也会被「放大」或「衰减」:

若 (解在发散),误差会被放大;

若 (解在收敛),误差会被压制。

这解释了为什么同样的步长,在某些方程上表现很好、在另一些上直接爆炸。

一张图像总结:

现象 | 图像表现 | 数学原因 | 解决手段

---|---|---|---

截断误差 | 折线与曲线之间的「弓形空隙」 | Taylor 展开截断 | 减小

误差累积 | 折线逐渐偏离曲线,越走越远 | 每步误差叠加 | 用高阶方法

数值不稳定 | 折线剧烈振荡、指数发散 | 落在稳定域外 | 减小 或改隐式方法

舍入误差 | 步长极小时反而变差 | 浮点精度限制 | 不要盲目减小

2.3 稳定域:复平面上的一块区域

对测试方程 ,显式欧拉法给出

要 ,必须 。

令 ,则显式欧拉法的绝对稳定域是

这是复平面上以 为圆心、半径为 的开圆盘。

特别地,当 是负实数时,条件是 ,

即 ,也就是

这就是「步长上限」的来源。若方程里有快速衰减分量( 很大),

步长就被迫很小——即使那个分量对结果早已没有影响。

RK4 的绝对稳定域更大更复杂:在负实轴上的稳定区间约为

比欧拉法的 宽了约 ,但仍然是有界的——

所以 RK4 仍然是显式方法,也仍然怕刚性方程。

2.4 误差—步长的对数图像:怎么读出「阶数」

这是数值方法里最实用的一张图。把横轴取 、纵轴取 ,

则一个 阶方法的图像是一条斜率为 的直线。

  • 欧拉法的误差线斜率约为 (步长减半,误差减半);
  • 改进欧拉法的斜率约为 (步长减半,误差减到 );
  • RK4 的斜率约为 (步长减半,误差减到 )。

验算方法:取 与 各算一遍,误差分别为 ,则

这就是实测收敛阶(observed order of convergence)。

它是验证一个数值程序是否写对的最硬标准——如果实测阶数远低于理论阶数,

说明程序里有 bug,或者步长还没进入渐近区。

一个很好用的对照

若 RK4 的误差约 ,那么把步长减半后误差约 (降 倍)。

若实测只降了 倍,那你的 RK4 实际上退化成了二阶——多半是

或者权重 写错了。

2.5 相平面:把二阶方程画成一张图

对二阶自治方程 ,引入 ,得到方程组

在 平面(相平面,phase plane)上,每点有个方向,积分曲线就是轨线(trajectory)。

对线性系统 ,轨线形状完全由 的特征值决定:

特征值 | 平衡点类型 | 轨线形态

---|---|---

两负实根 | 稳定结点 | 所有轨线汇入原点,不绕圈

两正实根 | 不稳定结点 | 所有轨线离开原点

一正一负 | 鞍点 | 四支进出,两支趋近、两支远离

复根(实部 ) | 稳定焦点 | 螺旋卷进原点

复根(实部 ) | 不稳定焦点 | 螺旋甩出

纯虚根 | 中心 | 闭合曲线(椭圆族)

这张表就是把 10-5-二阶常系数线性微分方程 的特征根分类「画出来」的结果。

数值方法的用途之一是:当 非线性(例如单摆 )时,

解析求不出轨线方程,但用 RK4 可以逐点算出轨线,从而看清相图。

一个典型例子:单摆。小球从 释放,轨线是相平面上的闭合曲线(周期运动),

闭曲线的形状随 增大而偏离椭圆。当 接近 (几乎倒立)时,

轨线趋近一条分界线(separatrix),区分「来回摆动」与「一直转圈」两种运动。

这个分界线无法用初等函数表示——它只能靠数值方法画出来。

三、性质与定理

定理 10.6.1(存在唯一性定理,Picard–Lindelöf)

完整表述 设 在矩形区域

上连续,且关于 满足 Lipschitz 条件(Lipschitz 常数 )。

则初值问题 , 在区间

上存在唯一解。

证明思路(Picard 迭代)

第 1 步:把微分方程变成积分方程。 对 两边从 到 积分:

(这一步是等价的:求导即得原方程,代入 得初值条件。)

第 2 步:构造迭代序列。 定义

第 3 步:证明序列收敛。 用归纳法估计

右端的级数收敛(它是 的展开),故 一致收敛到一个连续函数 。

第 4 步:取极限。 在积分方程两边令 ,

由 的连续性与一致收敛性可交换极限与积分,得

,故 是解。

第 5 步:唯一性。 设 都是解,则

由 Gronwall 不等式得 。

适用条件

  1. 在 上连续;
  2. 关于 满足 Lipschitz 条件(不能省,见例题 3、例题 4);
  3. 结论只在局部成立(区间长度由 限制),要延拓到更大区间需额外的有界性条件。

这条定理为什么是数值方法的「地基」

如果解不存在,数值方法算出来的是什么?如果解不唯一,数值方法算的是哪一个?

所以先有存在唯一性,才谈得上数值逼近。

更进一步:定理证明中的「解 = 积分方程的不动点」这一观点,

直接给出了数值方法的构造思路——用数值积分近似那个积分,

就得到各种单步法(欧拉法用左端点矩形,改进欧拉法用梯形,RK4 用辛普森)。

定理 10.6.2(显式欧拉法的收敛性)

完整表述 设 连续且关于 满足 Lipschitz 条件,Lipschitz 常数为 ;

精确解 在 上二阶连续可导,且 。

则显式欧拉法的全局误差满足

即全局一阶收敛。

证明

第 1 步:写出局部误差。 由 Taylor 公式,

故局部截断误差为 ,。

第 2 步:建立误差递推。 记 。

取绝对值,用 Lipschitz 条件:

第 3 步:迭代展开。 由 ,归纳可得

第 4 步:用 放缩。

右端含因子 ,故 。

适用条件

  1. 满足 Lipschitz 条件(保证误差不被无限放大);
  2. (保证 Taylor 展开成立);
  3. 结论中的常数 可能极大——

这就是「理论上收敛」与「实际能算」之间的差距(刚性方程就是极端例子)。

定理 10.6.3(一致性 + 稳定性推出收敛性)

完整表述 对单步法 ,若

  1. 一致性(consistency):;
  2. 稳定性(stability): 关于 满足 Lipschitz 条件(常数 ),

则该方法收敛,且全局误差 ( 为方法的阶)。

证明思路 与定理 10.6.2 的证明完全平行,只是把 换成

一般的局部误差界 ,递推式变成

迭代后仍用 ,得到

适用条件 这是 Lax 等价定理(Lax equivalence theorem)在常微分方程中的版本。

它把「收敛性」这个难以直接验证的性质,拆成两个容易验证的性质:

一致性(把 代进去看是否退化为原方程)与稳定性(Lipschitz 条件)。

这是一个极为重要的方法论:以后遇到任何数值格式,先查这两条。

定理 10.6.4(Runge–Kutta 方法的阶条件)

完整表述 一般的显式 级 Runge–Kutta 方法形如

系数 满足一组代数方程(Butcher 条件)时,

方法的阶数才达到相应值。常用的结果:

级数 | 可达到的最高阶 | 说明

---|---|---

| | 显式欧拉法

| | 改进欧拉法、中点法

| | 三阶 RK

| | 经典 RK4

| | 五级也只能到四阶

| | 需要 6 级

| | —

| | —

| | —

| | —

关键事实: 时 ,即「增加级数」不再线性地提高阶数。

这就是为什么 RK4 是最流行的:它在「每步计算量」与「精度」之间取了最优点。

再往上(如 8 级方法)每步要算 8 次 ,但阶数只有 6,性价比急剧下降。

证明思路 把 逐层用 Taylor 展开,

再与精确解的 Taylor 展开比较同次幂系数。

的一次幂给出 ;二次幂给出 ;

三次、四次幂给出的条件数量迅速增长(四次幂有 个条件),

而可调参数只有 量级,于是出现了「级数够但条件凑不齐」的现象。

验证 RK4 的前两个条件(可以自己算):

(其中 ,,。)

适用条件 只对显式方法且 足够光滑时成立。若 不光滑(例如含绝对值),

高阶方法的实际阶数会退化。

定理 10.6.5(隐式欧拉法的无条件稳定性)

完整表述 隐式欧拉法(向后欧拉法)

对测试方程 ()给出

其绝对稳定域为 ,

即复平面上以 为圆心、半径为 的圆盘之外的整个区域。

特别地,整个左半平面都包含在稳定域内,故隐式欧拉法是 A-稳定(A-stable)的,

步长不受稳定性限制。

证明

第 1 步:代入测试方程。 ,故

第 2 步:稳定性条件。 要 (对任意 ),需

第 3 步:验证左半平面。 设 (),。则

因为 ,故 。于是无条件稳定。

适用条件与代价

  1. 隐式法每一步都需要解方程(非线性时用牛顿迭代),计算量比显式法大;
  2. 隐式法的精度阶不一定更高(隐式欧拉法仍是一阶),它换来的是稳定性;
  3. A-稳定不等于「精度好」——大步长下隐式欧拉法虽然不发散,

但可能严重失真(把振荡解算成单调衰减)。对高精度需求,

要用梯形法(二阶 A-稳定)或 BDF 方法。

一句话总结显式与隐式的取舍

显式法:每步便宜,但步长受稳定性限制;隐式法:每步昂贵,但步长自由。

非刚性问题用显式(RK4),刚性问题用隐式(BDF / Radau),这是工程上的标准选择。

scipy.integrate.solve_ivp 里的 'RK45' 是显式,'BDF' 与 'Radau' 是隐式,

正是为这两类问题准备的。

定理 10.6.6(改进欧拉法是二阶方法)

完整表述 改进欧拉法(预测–校正梯形法)的局部截断误差为 ,

故它是二阶方法,全局误差 。

证明思路

第 1 步:写出格式。

(简记 。)

第 2 步:把 展开。 先在 处作二元 Taylor 展开:

其中 在 处取值。由 ,

注意 ,

即全导数(沿解曲线求导)。

第 3 步:代回格式。

第 4 步:与精确解比较。 由 Taylor 公式,

与上式到 项完全一致,故局部截断误差为 ,方法为二阶。

适用条件 。若 有间断或不可微,阶数会退化。

四、计算方法与步骤

4.1 建模四步法

第 1 步:确定变量与单位。 明确「谁是自变量(通常是时间 )」「谁是未知函数」,

并统一单位。这一步最容易被跳过,也最容易出错(厘米与米混用是经典事故)。

第 2 步:写「变化率 = 输入 − 输出」。 这是几乎所有应用题的通用模板:

  • 人口:;
  • 混合:;
  • 热量:;
  • 电路:。

第 3 步:把每一项写成未知函数的表达式。 关键是用「浓度 = 盐量 / 体积」这类关系

把流出项写成状态的函数(这一步常常产生非线性的 结构)。

第 4 步:补上初值条件并检查量纲。 量纲检验是免费的排错工具:

等式两边的量纲必须一致。

4.2 显式欧拉法的执行步骤

算法:给定 ,,,,:

  1. 令 ,,;
  2. 输出 ;
  3. 计算 ;
  4. 更新 ,;
  5. ;若 转第 2 步,否则结束。

注意顺序:必须先算 (用旧的 )再更新 。

若写成「先更新 再算 」,就变成了另一种格式(通常是错的)。

4.3 RK4 的执行步骤

  1. 算 ;
  2. 算 ;
  3. 算 ;
  4. 算 ;
  5. 更新 ,。

四个 必须用同一时刻的 计算(即 用 与 , 用 与 ……

而 本身在算完四个 之前不能更新)。这是最常见的编程错误。

4.4 高阶方程:先化方程组再套用

把 化为

然后逐字套用标量版的欧拉法或 RK4(把乘法换成逐分量运算即可):

**这就是为什么所有通用 ODE 求解器(包括 scipy.integrate.solve_ivp)

都只接受「一阶方程组」的形式。**

4.5 用 numpy 手写三种方法(推荐先自己写一遍)

本示例只需 numpy。

import numpy as np


def euler(f, t0, y0, h, N):
    """显式欧拉法。f(t, y) 返回标量或数组。"""
    t = np.empty(N + 1)
    y = np.empty((N + 1,) + np.shape(y0), dtype=float)
    t[0], y[0] = t0, np.asarray(y0, dtype=float)
    for n in range(N):
        y[n + 1] = y[n] + h * f(t[n], y[n])
        t[n + 1] = t[n] + h
    return t, y


def improved_euler(f, t0, y0, h, N):
    """改进欧拉法(预测-校正,二阶)。"""
    t = np.empty(N + 1)
    y = np.empty((N + 1,) + np.shape(y0), dtype=float)
    t[0], y[0] = t0, np.asarray(y0, dtype=float)
    for n in range(N):
        k1 = f(t[n], y[n])
        ypred = y[n] + h * k1
        k2 = f(t[n] + h, ypred)
        y[n + 1] = y[n] + h * (k1 + k2) / 2.0
        t[n + 1] = t[n] + h
    return t, y


def rk4(f, t0, y0, h, N):
    """经典四阶龙格-库塔法。"""
    t = np.empty(N + 1)
    y = np.empty((N + 1,) + np.shape(y0), dtype=float)
    t[0], y[0] = t0, np.asarray(y0, dtype=float)
    for n in range(N):
        k1 = f(t[n], y[n])
        k2 = f(t[n] + h / 2, y[n] + h / 2 * k1)
        k3 = f(t[n] + h / 2, y[n] + h / 2 * k2)
        k4 = f(t[n] + h, y[n] + h * k3)
        y[n + 1] = y[n] + h / 6 * (k1 + 2 * k2 + 2 * k3 + k4)
        t[n + 1] = t[n] + h
    return t, y

用法示例:解 ,(精确解 ),比较三种方法。

f = lambda t, y: -y
t0, y0, T = 0.0, 1.0, 1.0
h = 0.1
N = int(round((T - t0) / h))
exact = np.exp(-T)

for name, method in [("euler", euler), ("improved", improved_euler), ("rk4", rk4)]:
    _, y = method(f, t0, y0, h, N)
    print(f"{name:>9}: y(1) = {y[-1]:.10f}   |error| = {abs(y[-1] - exact):.3e}")

输出形如(数量级参考,不承诺具体末位数字):

    euler: y(1) = 0.3486784401   |error| = 1.9e-02
 improved: y(1) = 0.3678795...   |error| = 1.5e-06
      rk4: y(1) = 0.3678794412... |error| = 2.7e-11

观察到的规律:步长 时,

欧拉法误差约 量级,改进欧拉法约 量级,RK4 约 量级。

这就是「阶数」在数值上的直观体现。

注意:具体数值随问题与步长变化,不要记具体数字,要记误差随 的下降速度。

4.6 用 scipy 求解(工程实践)

本示例需要 scipy:pip install scipy。

import numpy as np
from scipy.integrate import solve_ivp

# 逻辑斯蒂方程 y' = r y (1 - y/K)
r, K = 1.0, 10.0
f = lambda t, y: r * y * (1 - y / K)

sol = solve_ivp(
    f, [0.0, 20.0], [0.5],
    method="RK45",        # 显式四/五阶自适应
    rtol=1e-8, atol=1e-10,
    dense_output=True,    # 允许在任意点求值
)

print(sol.message)            # 求解器返回的状态说明
print("steps =", sol.t.size)  # 实际接受的步数(自适应步长,不代表等距网格)
print("y(20) =", sol.y[0, -1])
# 精确解:y(t) = K / (1 + (K/y0 - 1) e^{-r t})
exact = K / (1 + (K / 0.5 - 1) * np.exp(-r * 20))
print("exact =", exact)

输出形如:

The solver successfully reached the end of the integration interval.
steps = 40
y(20) = 9.99999...
exact = 9.99999...

关键点:solve_ivp 使用自适应步长,sol.t 是求解器实际接受的时刻,

不一定是等距的。想要等距输出,用 sol.sol(t_eval)(需要 dense_output=True)

或先算 t_eval = np.linspace(...) 并传给 solve_ivp。

方法选择速查:

方法 | 类型 | 阶数 | 适用场合

---|---|---|---

RK45 | 显式 | 5(4) | 默认,非刚性问题的首选

RK23 | 显式 | 3(2) | 低精度、允许大误差

DOP853 | 显式 | 8(7) | 高精度需求

BDF | 隐式 | 可变阶 | 刚性问题

Radau | 隐式 | 5 | 刚性 + 高精度

LSODA | 自动切换 | 可变 | 不确定是否刚性时

4.7 二阶方程:化为方程组后求解

本示例需要 scipy:pip install scipy。

import numpy as np
from scipy.integrate import solve_ivp

# 受迫阻尼振动:y'' + 2 c y' + w0^2 y = F cos(w t)
c, w0, F, w = 0.15, 2.0, 1.0, 1.6

def rhs(t, u):
    y, v = u
    return [v, F * np.cos(w * t) - 2 * c * v - w0 ** 2 * y]

u0 = [1.0, 0.0]                     # y(0)=1, y'(0)=0
t_eval = np.linspace(0.0, 30.0, 1201)

sol = solve_ivp(rhs, [0.0, 30.0], u0, method="RK45",
                rtol=1e-9, atol=1e-12, t_eval=t_eval)

print("shape:", sol.y.shape)        # (2, 1201):第 0 行是 y,第 1 行是 y'
print("y(30) =", sol.y[0, -1])
print("max|y| =", np.abs(sol.y[0]).max())

输出形如:

shape: (2, 1201)
y(30) = <某个具体数值,取决于参数>
max|y| = <略大于稳态振幅的数值>

验证解析结果的思路:

由 10-5-二阶常系数线性微分方程,本方程的稳态振幅为

代入 ,,,:

,,

于是 很大时应有 。

这就是数值解与解析解的交叉验证——数值方法的最好用法不是「代替理论」,

而是「验证理论」并处理理论无法覆盖的情形。

4.8 自适应步长与误差控制(原理简介)

固定步长方法的致命弱点是:在解平缓的区间浪费步数,在解剧烈变化的区间精度不足。

自适应方法的核心思想:

第 1 步:同时用两个不同阶的方法算一步(例如 4 阶与 5 阶),得到 与 。

第 2 步:用两者之差估计误差:

第 3 步:与容忍度比较,决定步长。若 ,接受这一步并尝试放大 ;

否则拒绝这一步并缩小 重算。经验公式形如

并乘一个安全因子(如 )防止震荡。

为什么叫 RK45:它用 5 阶公式给出「更准的解」,用 4 阶公式估计误差,

所以记作 。此类方法族称为 Runge–Kutta–Fehlberg 方法。

五、例题

例题 1(概念辨析:局部误差与全局误差的阶)

某教科书写道:「四阶龙格-库塔法的局部截断误差为 ,所以全局误差也是 。」

(a) 这句话对不对?若不对,错在哪?

(b) 若把步长从 减半为 ,RK4 的全局误差大约变成原来的几分之几?

欧拉法呢?

思路 关键是分清「单步误差」与「累积误差」。

局部误差是每一步引入的新误差,全局误差是所有步误差的累积。

解 (a) 这句话不对。它把两个概念混淆了:

  • RK4 的局部截断误差(单步误差)是 ;
  • RK4 的全局误差是 。

按本篇 1.3 节的定义:局部截断误差 对应方法的阶 。

RK4 是 阶方法,所以局部误差 、全局误差 。

教科书说的「局部截断误差为 」其实是把「阶数 」误写成了「局部误差 」。

为什么差一阶?全局误差是 步的累积。

假设每步引入的误差不被放大(最理想的模型),则

步数随 减小而增多,恰好「吃掉」一阶。这个机制对所有单步法都成立。

解 (b) 全局误差 ,步长减半则误差变为 。

对显式欧拉法:全局误差 ,步长减半则误差变为 。

也就是说,**要让欧拉法精度提高 倍,需要把步长缩小 倍(步数增 倍);

而 RK4 只需缩小 倍**。这就是高阶方法的威力。

结论 (a) 说法错误:RK4 局部误差 、全局误差 ;

(b) RK4 误差降到 ,欧拉法降到 。

通用规律: 阶方法,步长减半,全局误差降为 。

例题 2(计算:手算欧拉法前三步)

用显式欧拉法解 ,,取 ,

求 的近似值。(已知精确解在 处约为 。)

思路 严格按 逐步算,不跳步。

解 这里 ,,,。

第 1 步:算 ()。

第 2 步:算 ()。

第 3 步:算 ()。

第 4 步:与精确解比较。

结论 ,,。

误差约 ,偏大——这是欧拉法一阶精度的典型表现(误差约 量级)。

若把 减半到 ,误差约减半;

改用 RK4 则误差会掉到 量级。

两个自查点:① 每一步都要用旧的 算 ;

② 的更新是精确的(,不累积误差)。

例题 3(概念辨析:数值方法能否「制造」不存在的解)

考虑 (即 ),。

(a) 验证 是解,且 也是解。

(b) 该初值问题的解唯一吗?这与定理 10.6.1 矛盾吗?

(c) 用显式欧拉法求解()会得到什么?这说明数值方法有什么特点?

思路 (a) 直接验证。(b) 检查 Lipschitz 条件。(c) 代入欧拉法的递推式。

解 (a) :,,等式成立 ,且 。

: 。

两者相等,故 是解。

(b) 解不唯一。 更一般地,对任意 ,

都是解(两段在 处光滑衔接,因为两段的导数都趋于 )。

所以有无穷多个解。

与定理 10.6.1 矛盾吗?不矛盾——定理的前提是「 关于 满足 Lipschitz 条件」,

而这里 在 附近不满足 Lipschitz 条件。验证:

比值无界,故不存在有限的 Lipschitz 常数。定理的前提被破坏,结论自然不适用。

(c) 显式欧拉法:,故

同理 ,依此类推 。

数值方法只给出其中一个解(零解),它不会自动发现其他解。

这说明:

  1. 数值方法给出的是「一个」近似解,不是全部解;
  2. 当解不唯一时,数值结果依赖于格式(若改用隐式欧拉法,

解 会得到 ,给出另一个解);

  1. 存在唯一性定理不是「理论洁癖」,而是数值结果可信的前提。

结论 (a) 都是解;(b) 解不唯一,因为 在 处不满足 Lipschitz 条件,

所以不违反定理;(c) 欧拉法给出零解,且发现不了其他解。

例题 4(条件判断:Lipschitz 条件怎么验)

判断下列 在指定区域上是否关于 满足 Lipschitz 条件:

(a) 在 , 上;

(b) 在 上;

(c) 在包含 的区域上;

(d) 在 上。

思路 最快的方法:算 ,看它在该区域上是否有界。

有界即满足 Lipschitz 条件;无界则需单独检查(可能仍满足,但需另证)。

解 (a) 。在 上 ,有界。

满足,Lipschitz 常数可取 。

(b) 在 处不存在,但直接验证:

(三角不等式的变形)。满足,。这个例子说明「 不存在」

并不意味着 Lipschitz 条件不成立——偏导有界只是充分条件,不是必要条件。

(c) 在 附近:

比值无界。不满足(与例题 3 的 同理)。

(d) 。

(用了 ,即 。)

满足,。

结论 (a)(b)(d) 满足,(c) 不满足。

实用判据汇总:

  1. 若 在区域上连续且有界,则满足(最常用);
  2. 若 无界或不存在,回到定义验证(如 (b));
  3. 出现 ()或 这类在 处「陡」的函数,通常不满足。

例题 5(反例构造:步长太大导致数值解发散)

考虑 ,(精确解 ,单调衰减到 )。

(a) 取 ,用显式欧拉法算 。

(b) 数值解是否趋于 ?为什么?

(c) 求使显式欧拉法稳定的最大步长。

(d) 改用改进欧拉法, 时稳定吗?稳定上界是多少?

思路 代入 ,。稳定条件是 。

解 (a) 。,。

解 (b) 不趋于 ,反而发散。 通项为

,故 ,且符号交替。

图像描述:真实的解曲线是平滑地衰减到 的指数曲线;

而数值解画出的是剧烈抖动的锯齿,振幅每步翻倍。

这就是数值不稳定(numerical instability)的典型面貌。

为什么会这样:欧拉法把「连续衰减」替换成了「每步乘以 」。

当 大到使 时,每步的系数绝对值超过 ,

几何上就是「跨过平衡点太远,冲到了对称的更远处」——越冲越远。

解 (c) 稳定条件

即 。右端:(自动满足)。

左端:。

最大步长约 。

解 (d) 改进欧拉法对测试方程给出

记 :。

,故 时改进欧拉法仍然不稳定

(且发散更快:)。

求改进欧拉法的稳定上界:需要 ( 为负实数)。

设 ():需 。

上界:。

下界:,

其判别式 ,故恒成立。

因此 ,即 ,。

有意思的结论:对负实 ,改进欧拉法与显式欧拉法的稳定上界相同(都是 )!

(改进欧拉法的稳定域在负实轴上的截距也是 。)

所以「提高阶数」并不意味着「稳定域变大」——这是两个独立的性质。

结论 (a) ,,;(b) 发散,;

(c) ;(d) 时仍不稳定(放大因子 ),稳定上界同为 。

一条重要提醒:稳定性和精度是两件事。 太大时先崩溃的是稳定性,不是精度。

例题 6(定理理解:为什么全局误差比局部误差低一阶)

用 阶单步法解 在 上的初值问题。

(a) 若每步的局部截断误差为 ,且误差不被放大,估计全局误差。

(b) 由此说明为什么「提高方法的阶数」比「减小步长」更高效。

(c) 若 ,RK4 用 时全局误差约 ,

问用欧拉法要达到同样精度需要多大步长?步数是多少?

思路 (a) 累积求和。(b) 比较 与 对误差的影响。(c) 用 的关系估算。

解 (a) 步数 。设每步引入的误差为 ,且不被放大,

则全局误差约为

即全局误差 。(严格证明见定理 10.6.2 与 10.6.3,

需用 Gronwall 不等式处理误差放大的情形。)

(b) 假设需要用 和阶数 达到精度 :

提高阶数的效果是「指数级」的: 从 提到 ,所需步长从

变成 。

若 ,则:

  • 欧拉法():,需要约 步;
  • RK4():,只需要约 步。

步数相差 倍——这就是高阶方法的价值。

减小步长的效果是线性的( 减半,误差减半),要提高 倍精度就要 倍步数,

往往超出计算能力。所以工程上一律优先用高阶方法(RK45、DOP853)。

(c) 设 RK4:,,。

由 定出常数:

要求欧拉法达到 :,故

步数 步。

结论 (a) 全局误差约 ;

(b) 阶数提高使所需步长按 变化,效率远高于线性地减小步长;

(c) 欧拉法需 ,约 步——而 RK4 只需 下的 步。

注意:这个估算假设常数 相同,实际中不同方法的 不同,

所以数量级估算仅供参考,但结论(高阶方法远更高效)是可靠的。

例题 7(计算:改进欧拉法一步)

用改进欧拉法解 ,,取 ,求 。

并与显式欧拉法的结果比较。(精确解 ,。)

思路 先预测,再校正。

第 1 步:预测。 。

第 2 步:算预测点处的斜率。 ,

第 3 步:校正。

第 4 步:与显式欧拉法比较。 显式欧拉法给出

第 5 步:误差对比。 精确值 。

改进欧拉法的误差约为欧拉法的 。

结论 (改进欧拉),(显式欧拉)。

改进欧拉法的误差小约一个半数量级。

观察:改进欧拉法的校正值 落在精确值 附近,

而预测值 明显偏低——预测–校正的机制确实起了作用。

例题 8(定理理解:显式法与隐式法处理刚性方程)

考虑刚性方程 ,它含有一个快速衰减分量

(齐次解含 )与一个 时间尺度的慢变驱动力。

(a) 该系统是刚性的吗?

(b) 显式欧拉法稳定的步长上界是多少?

(c) 隐式欧拉法在 下稳定吗?

(d) 若只关心 之后的解,显式法的限制是否「浪费」?

思路 (a) 看特征值的时间尺度。(b)(c) 用稳定域判据。(d) 从工程意义回答。

解 (a) 把方程写成 的形式,,

其中 是时间尺度为 的慢变项。

齐次部分的解是 ,时间尺度 。

严格说,单个标量方程没有「刚性比」(刚性是方程组的概念,

指不同分量时间尺度差异大)。但可以把它理解为一个「极端情形」:

快速分量(尺度 )与慢速分量(尺度 )相差 倍。

这正是刚性概念的标量版本,若把它与一个慢方程(如 )耦合,

刚性比就是 。

(b) 显式欧拉法稳定条件:,,

步长上界 。

(c) 隐式欧拉法放大因子 。

时:,其绝对值远小于 ,故稳定。

(一般地,对 与任意 ,

,故无条件稳定。)

(d) 是的,显式法的限制是「浪费」的。

快速分量 在 时就已经衰减到 ,

在 时已经是 ——完全消失。

若只关心 以后的行为,我们希望用 甚至 这样的大步长。

但显式欧拉法的稳定性(不是精度!)强迫 。

为了算到 ,显式欧拉法需要 步,其中前 步「有意义」,

后 步全部是在追踪一个已经死掉的分量。

隐式欧拉法用 只需 步,计算量小得多。

代价是每步要解一次方程(线性问题直接除,非线性问题要迭代)。

结论 (a) 快速分量尺度 、慢速 ,相差千倍,属刚性;

(b) 显式欧拉 ;(c) 隐式欧拉 稳定(无条件稳定);

(d) 显式法的步长限制完全被「已经消失的瞬态」绑架,是典型的浪费。

实践结论:遇到刚性问题,用 solve_ivp 的 method='BDF' 或 'Radau',

不要用默认的 'RK45'——否则会以极小的步长爬行,甚至直接失败。

例题 9(概念辨析:自适应步长与固定步长)

某同学用固定步长 RK4()解 在 上,

发现解的绝大部分区间「看起来很平」,只有 附近变化剧烈。

(a) 固定步长法在这段区间内的表现可能有什么问题?

(b) 自适应步长法会怎么处理?

(c) 自适应法「减小步长」的判据是什么?为什么不能只看一步的误差估计?

思路 从「均匀分配计算资源」与「按需分配」的区别入手。

解 (a) 固定步长 意味着在 上一共 步,

步长处处相同。问题有两个:

  1. 在剧烈变化区精度不足: 内解的曲率很大,

RK4 的局部误差 ,这里 很大,

局部误差可能比平缓区大几个数量级,总误差由最坏的区间主导。

  1. 在平缓区浪费: 与 上解的曲率很小,

用 算出 级的误差,远远超过需要——

如果目标精度是 ,这里的步长可以放大到 甚至更大。

代价: 步中可能有 是浪费的。

(b) 自适应法(如 RK45)的典型行为:

  • 在 :误差估计很小,步长自动放大(可能到 甚至更大),只走几十步;
  • 接近 :误差估计变大,步长自动缩小(可能到 ),精细地穿过剧烈变化区;
  • 过了 :步长重新放大。

净效果:总步数可能从 降到几百步,而最大误差反而更小

(因为误差被均匀控制在每个区间,而不是「平缓区过剩、剧烈区不足」)。

(c) 判据:比较误差估计 与容忍度 (由 rtol、atol 组合给出):

  • :接受该步,并尝试放大步长;
  • :拒绝该步,缩小步长重算。

步长更新公式形如

其中 是方法的阶,safety 通常取 ,

限制单次变化幅度(如 与 )。

为什么不能只看一步的误差估计,三个理由:

  1. 误差估计本身是近似的: 只是真实误差的估计,

在非线性强的问题上可能低估。所以要乘安全因子并限制放大倍率。

  1. 误差会被放大:当前步的误差会在后续步被 放大

(见定理 10.6.2),所以局部控制不等于全局达标。

  1. 防止震荡:若一步接受就疯狂放大、下一步又被拒绝,

步长会来回振荡,总步数反而增加。限制

就是为了避免这种「步长抽搐」。

结论 (a) 剧烈区精度不足、平缓区浪费,而总误差由最坏区间决定;

(b) 自适应法自动「按需分配步长」,总步数大幅减少且误差更均匀;

(c) 判据是「误差估计 vs 容忍度」,且必须加安全因子和变化率限制,

因为误差估计不准、误差会被放大、且要防止步长震荡。

例题 10(应用:牛顿冷却定律)

一杯 °C 的咖啡放在 °C 的房间里。 分钟后温度降到 °C。

(a) 建立微分方程模型。

(b) 求温度随时间变化的函数。

(c) 什么时候咖啡降到 °C?

(d) 若把咖啡倒进保温杯(散热系数变为原来的 ),降到 °C 需要多久?

思路 牛顿冷却定律:冷却速率与温差成正比,即 ,

为环境温度。这是一个一阶线性方程(可分离变量)。

解 (a) 设 为 时刻的温度(单位:°C, 单位:分钟),

其中 是待定的散热系数。物理意义的检验:

时 (降温), 时升温,

符合「趋向环境温度」的直觉。

(b) 第 1 步:解方程。 令 ,则 ,故

第 2 步:用条件定 。 :

第 3 步:写出解。 由 得 ,故

解 (c) 令 :

取对数:

计算:;

。

解 (d) 新的散热系数 ,。同样令 :

结论 (a) ,;

(b) ;

(c) 约 分钟降到 °C;

(d) 散热系数变为 后,需要约 分钟(约为原来的 倍)。

一个漂亮的普遍规律:散热系数变为 ,则达到同一温度所需时间变为 倍。

这是因为时间只通过乘积 进入公式,所以 。

注意:,咖啡永远不会「降到」 以下——

这与「平衡点」的概念一致( 是方程的稳定平衡解)。

例题 11(应用:逻辑斯蒂人口模型与数值解的比较)

某岛屿可承载的鹿群上限为 头。初始有 头,内禀增长率 (每年)。

(a) 建立逻辑斯蒂模型并求精确解。

(b) 用显式欧拉法( 年)算前 年的数量。

(c) 与精确解比较,说明欧拉法在大步长下有什么系统偏差。

(d) 为什么逻辑斯蒂模型比「指数增长」更现实?

思路 逻辑斯蒂方程 ,

是可分离变量的一阶方程(见 10-2-一阶微分方程)。

解 (a) 模型:

分离变量求解:

左边用部分分式(见 5-4-有理函数积分与部分分式):

积分得

即 ,故

由 :。

解出 :

(用了 ;检验 。)

解 (b) 显式欧拉法,,。

第 1 步():

第 2 步():

第 3 步():

第 4 步():

解 (c) 与精确解比较(精确公式 ):

(年) | 精确解 | 显式欧拉() | 误差

---|---|---|---

1 | 154.83 | 145.00 |

2 | 231.97 | 206.99 |

3 | 332.43 | 289.06 |

4 | 450.85 | 391.82 |

(精确解由 算出,例如

。)

系统偏差:欧拉法一致地低估种群数量(误差全为负),且偏差随 增大。

原因是逻辑斯蒂解曲线 在这一段是凹(向上凸)的:

切线斜率随 递减,所以起点处的切线(欧拉法走的直线)

高于曲线在区间上的平均走势,

即 ,于是每一步都走不足。

用本篇 2.2 节的几何语言说:凹曲线上用切线代替曲线必然落在曲线下方(低估);

若换成向下凸的解曲线,结论就会反过来变成高估。

所以「高估还是低估」取决于解曲线的凹凸性,不是一个可以死记的结论。

(对照 例题 10 的冷却问题:那里解的形态不同,欧拉法的偏差方向也不同。)

解 (d) 指数增长模型 的含义是「资源无限」,

解为 , 年时 头——远超岛屿承载力,不现实。

逻辑斯蒂模型引入了环境容纳量 (有限资源),增长率随 接近 而降低:

  • 时,,近似指数增长;
  • 时,增长率趋于 ,种群趋于稳定;
  • 解曲线是 S 形(logistic curve):先加速增长,在 处增长最快,

然后减速,渐近于 。

是拐点:对 求二阶导可得

故 时二阶导数为零(见 4-5-凹凸性与拐点)。

现实中这对应「种群增长最快」的时刻。

结论 (a) ;

(b) ,,,;

(c) 欧拉法系统性低估,且 太大导致偏差迅速累积

(第 4 年精确值约 、数值解约 ,偏差约 );

(d) 逻辑斯蒂模型引入环境容纳量,给出更现实的 S 形增长, 为增长最快的拐点。

例题 12(反例构造:数值解与定理的「矛盾」)

考虑 ,。

(a) 求精确解,并说明它在什么区间上存在。

(b) 若用显式欧拉法()算到 ,会得到什么?合理吗?

(c) 这与定理 10.6.1(存在唯一性)矛盾吗?

(d) 这个例子对数值计算有什么实践启示?

思路 (a) 分离变量。(b) 观察数值解与精确解的偏离。

(c) 检查定理的前提(局部性)。(d) 讨论「步长跨越奇点」的风险。

解 (a) 分离变量:,积分得 ,

由 :,故

存在区间:。当 时 ——

这就是有限时间爆破(blow-up in finite time)。

注意 关于 是多项式,处处满足局部 Lipschitz 条件,

但不满足全局 Lipschitz 条件( 在 上无界)。

(b) 欧拉法 ,,:

| | (欧拉) | 精确解

---|---|---|---

0 | 0.0 | 1.0000 | 1.0000

1 | 0.1 | 1.1000 | 1.1111

2 | 0.2 | 1.2210 | 1.2500

3 | 0.3 | 1.3701 | 1.4286

4 | 0.4 | 1.5578 | 1.6667

5 | 0.5 | 1.8005 | 2.0000

计算细节:;

;

;

;

。

数值解会继续算下去(递推式永远不会除以零),

但真实解在 处已经爆破。所以在 接近 时,

数值解与真解毫无关系——它给出一个「虚假的有限值」。

(c) 不矛盾。 定理 10.6.1 的结论是局部的:只保证在

上存在唯一解。取 ,在矩形 上

(因为 ),故

定理只保证解在 上存在,而在 处爆破完全可以与之相容。

「解在有限时间爆破」与「局部存在唯一性」并不冲突。

(d) 实践启示(三条):

  1. 数值解在奇点附近不可信:即便程序「没报错」, 接近 之后的结果毫无意义。

检验方法:把步长减半再算一遍,若结果显著变化,说明还没进入收敛区。

  1. 自适应求解器会「撞墙」:solve_ivp 在接近 时会不断缩小步长,

最终报告步长过小失败(status = -1)。这时应检查是否真的存在爆破。

  1. 不要迷信「程序跑通了」:数值方法只是递推公式,

它无法知道精确解已经不存在了。数学分析(找爆破时间)是不可替代的。

结论 (a) ,在 上存在, 时爆破;

(b) 欧拉法继续给出有限值,但与真解在 接近 时完全脱节;

(c) 不矛盾——定理只保证局部存在,此处 ;

(d) 数值解在奇点附近不可信,需用「步长减半检验」等方法验证,且必须配合数学分析。

例题 13(计算/编程:RK4 与解析解对比)

对 ,,取 用 RK4 计算到 ,

并与精确解比较。已知精确解为 。

思路 先求精确解验证公式,再手算 RK4 的第一步(展示四个 的计算),

最后给出代码与「步长减半」的收敛阶验证。

第 1 步:验证精确解。 , ,

。

第 2 步:手算 RK4 第一步(,,)。

。

,故 。

,故 。

括号内:。

第 3 步:与精确解比较。 。

第 4 步:用代码算完全程并检验收敛阶。

本示例只需 numpy。

import numpy as np

def rk4(f, t0, y0, h, N):
    t = np.empty(N + 1); y = np.empty(N + 1)
    t[0], y[0] = t0, y0
    for n in range(N):
        k1 = f(t[n], y[n])
        k2 = f(t[n] + h/2, y[n] + h/2*k1)
        k3 = f(t[n] + h/2, y[n] + h/2*k2)
        k4 = f(t[n] + h,   y[n] + h*k3)
        y[n+1] = y[n] + h/6*(k1 + 2*k2 + 2*k3 + k4)
        t[n+1] = t[n] + h
    return t, y

f = lambda t, y: y * np.cos(t)
exact = lambda t: np.exp(np.sin(t))

print(f"{'h':>8} {'err':>14} {'ratio':>8} {'order':>8}")
prev = None
for h in [0.2, 0.1, 0.05, 0.025]:
    N = int(round(1.0 / h))
    t, y = rk4(f, 0.0, 1.0, h, N)
    err = abs(y[-1] - exact(1.0))
    ratio = (prev / err) if prev else float('nan')
    order = np.log2(ratio) if prev else float('nan')
    print(f"{h:8.4f} {err:14.3e} {ratio:8.2f} {order:8.2f}")
    prev = err

输出形如:

       h            err    ratio    order
  0.2000     2.34e-05      nan      nan
  0.1000     1.47e-06     15.9     3.99
  0.0500     9.22e-08     15.9     4.00
  0.0250     5.77e-09     16.0     4.00

关键观察:误差比(ratio)稳定在 附近,实测阶数(order)稳定在 。

这证实了 RK4 确实是四阶方法(步长减半,误差降 倍)。

结论 (手算 RK4 一步),误差约 ;

完整的收敛阶实验给出实测阶数 。

这是验证数值程序正确性的标准做法:不要只看一个数字,

要看误差随步长的下降速率是否符合理论阶数。

例题 14(应用:混合问题与数值解法)

一个水箱初始装有 L 清水。从 开始,

以 L/min 的速率注入含盐 kg/L 的盐水,

同时以 L/min 的速率排出混合均匀的溶液。

(a) 建立盐量的微分方程并求精确解。

(b) 用欧拉法( min)估算 min 时的盐量,与精确解比较。

(c) 若排液速率改为 L/min(注入仍为 L/min),方程怎么变?还能解析求解吗?

思路 (a) 「盐量变化率 = 流入速率 − 流出速率」。

注意体积不变时流出浓度就是 。

解 (a) 第 1 步:设变量。 为水箱中的盐量(kg), 的单位是分钟。

体积 L 保持不变(注入速率等于排出速率)。

第 2 步:写平衡式。

  • 流入: kg/min;
  • 流出: kg/min。

第 3 步:求解。 这是一阶线性方程(也可分离变量)。

平衡解 满足 。令 :

第 4 步:物理检验。 ; kg,

对应浓度 kg/L,与注入浓度一致——合理(最终完全被替换)。

解 (b) 欧拉法,,,:

用递推关系 ,

这是一阶线性递推。令 ,则

(结构与精确解 完全一致,只需把 换成 !)

,故

精确值: kg。

一个漂亮的结构性观察:欧拉法把 替换成了 ,

即把 用其一阶 Taylor 近似代替。

这个「替换」正是欧拉法误差的来源:**一步的衰减因子从 变成 ,

每步略微低估衰减(即略微高估盐量)**, 步后累积出约 的误差。

解 (c) 现在净流入 L/min,体积随时间变化:

流出速率 。方程变为

即

这是变系数的一阶线性方程,可以用积分因子法求解(见 10-2-一阶微分方程):

(,故绝对值可以去掉。)

积分:

(因为 。)

故

由 :。

所以 (c) 的方程仍然可以解析求解(积分因子法总是适用于一阶线性方程)。

但如果是更复杂的情形(例如排出速率依赖于 ,或体积变化导致流动不规则),

就无法解析求解,必须用数值方法——这正是本篇数值方法的存在理由。

结论 (a) ,;

(b) 欧拉法 kg,精确值 kg,相对误差约 ;

(c) 体积变化时方程变为 ,

仍可用积分因子法解析求解();

但更复杂的情形必须依靠数值方法。

例题 15(定理理解:为什么所有求解器都只接受一阶方程组)

(a) 说明为什么「把 阶方程化为一阶方程组」不会损失信息。

(b) 化 为一阶方程组。

(c) 解释 scipy.integrate.solve_ivp 要求 fun(t, y) 返回数组这一设计的意义。

思路 核心是「引入新变量」这个动作是可逆的。

解 (a) 设 阶方程 。

引入 ,得到方程组

不丢失信息,因为:

  1. 从 阶方程到方程组:若 满足原方程,

则 显然满足方程组

(前 个分量按定义成立,最后一个分量就是原方程)。

  1. 从方程组到 阶方程:若 满足方程组,则第 个分量 满足

、、、,

即 满足原 阶方程。

  1. 初值条件一一对应:

恰好对应 的 个分量。

所以两个问题是完全等价的,只是写法不同。

(b) 令

原方程解出最高阶导数:

故方程组为

写成矩阵形式(含非齐次项):

验证:

,即 。

(c) 这个设计有三重意义:

  1. 统一性:任意阶的方程、任意维数的方程组,都被归约为同一种形式

。

于是只需要实现一套数值方法,就能处理所有问题。

求解器内部的 RK4 或 BDF 代码完全不关心 是标量还是向量。

  1. 可扩展性:真实问题常涉及多个耦合的量(捕食者–被捕食者、

多自由度振动、化学反应网络),它们天然就是一阶方程组。

要求「化成一阶方程组」不会带来任何额外负担。

  1. 与线性代数打通:线性方程组 的解

可以用矩阵指数写成

,

而 的性质由 的特征值决定——

这就把 10-5-二阶常系数线性微分方程 的特征根理论

推广成了矩阵特征值理论(见 2.5 节的相平面表)。

结论 (a) 化方程组与 阶方程完全等价(可逆),且初值条件一一对应;

(b) 方程组如上(三个一阶方程);

(c) 统一形式使数值方法只写一次就能通用,

同时天然支持多变量问题,并与线性代数(矩阵特征值)打通。

例题 16(概念辨析:数值方法的三个「不」)

判断下列说法是否正确,并说明理由:

(a) 「既然 RK4 是四阶方法,那么步长取得足够小,误差一定可以任意小。」

(b) 「数值解在 处满足微分方程,所以它在每个网格点都是『对的』。」

(c) 「隐式方法比显式方法精度高,所以应该总是用隐式方法。」

思路 三条都是似是而非的说法。逐一找反例或指出遗漏的条件。

解 (a) 不完全正确。 两点修正:

  1. 舍入误差的下限:当 小到一定程度,截断误差 已经小于浮点舍入误差

(双精度约 ,而每步的舍入误差会被 步累积)。

继续减小 会让总误差反而增大。

存在一个最优步长 使总误差最小

( 为机器精度, 为方法阶数)。

  1. 渐近性的前提: 是渐近结论,要求 足够小使得

Taylor 展开的高阶项可忽略,且要求 足够光滑。

若 有间断或解有奇性(如例题 12 的爆破),阶数结论失效,

再小的 也无济于事。

(b) 错误。 数值解不满足微分方程。以欧拉法为例,

它满足的是差分方程(递推关系),不是微分方程。

只有当 时,差分方程才「趋于」微分方程(这就是一致性,定理 10.6.3)。

在有限步长下,数值解与真解的偏差(截断误差)必然存在,而且会逐步累积。

「格式看起来对」和「数值结果对」是两件事。

(c) 错误。 隐式方法的优势是稳定性(更大的绝对稳定域),不是精度。反例:

  • 隐式欧拉法()是一阶方法,

精度与显式欧拉法同阶;

  • 显式 RK4 是四阶方法,精度远高于隐式欧拉法。

正确的选择准则:

问题类型 | 推荐方法 | 理由

---|---|---

非刚性、需要高精度 | 显式高阶(RK45、DOP853) | 每步便宜,阶数高

刚性 | 隐式(BDF、Radau) | 稳定性不受步长限制

只需要低精度、快速估计 | 显式欧拉 / RK23 | 简单、每步极便宜

长期积分(守恒系统) | 辛方法(symplectic) | 保持能量(本库不展开)

隐式方法还有额外代价:每步需要解方程(非线性时用牛顿迭代),

实现复杂、单步开销大。**所以「总是用隐式」是错的,

正确说法是「刚性问题必须用隐式」。**

结论 (a) 不完全对——舍入误差设下误差下限,且渐近阶要求光滑性与足够小的 ;

(b) 错——数值解满足差分方程而非微分方程,偏差是必然的;

(c) 错——隐式换的是稳定性不是精度,应按「是否刚性」选择方法。

例题 17(应用:单摆的线性化与数值解)

单摆方程(长度 ,重力加速度 )为

(a) 说明这不是线性方程,因此不能用 10-5-二阶常系数线性微分方程 的方法求解。

(b) 当摆角很小时,用 线性化,求通解并给出周期。

(c) 化为方程组,写出用 RK4 求解所需的 。

(d) 为什么大摆角时实际周期大于小角度公式给出的周期?

思路 (a) 检查线性性。(b) 用 Taylor 一阶近似(见 4-3-泰勒公式与麦克劳林展开)。

(c) 标准操作。(d) 从「恢复力」的角度比较。

解 (a) 方程中 套在 里面,是非线性方程。

按 10-4-高阶线性微分方程 的判据,「 及其导数套在非线性函数里」即非线性。

线性理论(叠加原理、特征方程、待定系数法)全部失效:

  • 没有「特征方程」;
  • 两个解相加不再是解();
  • 周期依赖于振幅(非线性振子的标志性特征)。

(b) 当 (弧度)时,

Taylor 展开 ,取一阶项得

这是标准的简谐振动方程,特征根 ,通解

周期:

(注意:与振幅无关——这是线性化带来的「等时性」,伽利略发现的单摆等时性。)

(c) 令 ,:

RK4 的每一步就是把这个 代入四个 的计算。

注意: 不显含 (自治系统),但数值方法对此不敏感——

公式照用,只是 参数在 里用不到而已。

(d) 关键在于恢复力的比较。真实恢复力矩是 ,

线性化用的是 。

因为 (对 ),所以:

  • 真实恢复力比线性化的小(在同样角度下);
  • 恢复力小意味着加速度小,摆回来得慢,因此周期更长。

定量地说,大摆角的周期可以展开为

其中 是振幅(弧度)。当 ( 度)时,

修正因子约 ,即周期比小角度公式长约 。

数值验证思路:用 RK4 数值求解,测量相邻两次过零点的间隔,

与 比较。对 rad,数值周期与 的差异小于 ;

对 ,差异约 。**这就是数值方法的典型用法:

处理解析方法无法覆盖的情形。**

结论 (a) 非线性( 中含未知函数),线性理论不适用;

(b) 线性化后 ,通解为标准简谐振动,周期 与振幅无关;

(c) ;

(d) 因为 ,真实恢复力偏小,摆动更慢,故实际周期更长,

大角度时修正因子约为 。

例题 18(定理理解:步长与「假收敛」)

某同学解 ,,。

他用显式欧拉法取 得到 ,取 得到 ,

于是得出结论「欧拉法不收敛,步长没影响」。

(a) 指出他的错误。

(b) 计算两种步长下的数值解,验证稳定性的影响。

(c) 求使欧拉法稳定的最大步长,并说明在稳定范围内如何验证一阶收敛。

思路  与 都超出了稳定上界 ,

所以两次都在不稳定区,结论自然混乱。

解 (a) 他的错误是:在稳定域之外比较结果。

有 ,显式欧拉法的稳定条件是

他取的 与 都远超 ,两次都是不稳定的计算,

放大因子 都大于 。

在不稳定区讨论「收敛性」没有意义——此时误差由稳定性主导,掩盖了截断误差。

(b) 放大因子 。

:。 步,

:。 步,

两个结果都是巨大的正数(且都远离真解 ),

这清楚地表明计算发散了。

(c) 稳定上界 。取 ( 步),放大因子 ,

此时 ,而真解约 ,误差极小。

取 (),放大因子 ,

与真解 相比,两者的绝对差仍然极小。

如何验证一阶收敛:应该选择一个误差不会被真值「淹没」的问题。

例如把区间缩短到 (此时 ,误差可见),

并用 等远小于 的步长,

观察误差是否按 减半。若是,则实测阶数约为 。

结论 (a) 错误在于步长 与 都远超稳定上界 ,比较的是发散的结果;

(b) 实际数值解为 与 (都发散);

(c) 稳定上界 ,在此范围内(且误差可见)才能验证一阶收敛。

一条重要的实践教训:检验收敛阶之前,必须先确认步长在稳定域内,

否则得到的是「不稳定的假象」而不是「不收敛」。

六、应用

6.1 建模范式:五个经典模型

模型 | 方程 | 关键结构 | 长期行为

---|---|---|---

指数增长 / 衰减 | | 无上限 | 发散, 趋

逻辑斯蒂增长 | | 环境容纳量 | 趋于 (S 形)

牛顿冷却 | | 趋向环境温度 | 趋于

混合问题 | | 体积可能变化 | 趋于稳态浓度

人口两物种 | Lotka–Volterra 方程组 | 捕食–被捕食耦合 | 周期轨道

Lotka–Volterra 模型(值得单独一提,因为它是非线性方程组的经典):

其中 是猎物、 是捕食者。它无法用初等函数解析求解,

但可以证明轨线是围绕平衡点 的闭曲线(周期解)。

研究这类模型只能靠数值方法或定性分析——这正是数值方法的用武之地。

6.2 电路瞬态分析

RL 电路断开电源后的电流衰减:,

时间常数 。

RLC 电路的欠阻尼响应(见 10-5-二阶常系数线性微分方程):

电流会振荡衰减,衰减时间常数 ,

振荡角频率 。

为什么工程上要用数值方法:如果电源是方波、脉冲或任意波形,

右端 没有初等表达式,就必须数值求解。

这也是 SPICE 类电路仿真软件的核心算法。

6.3 数值求解器的工程实践准则

准则 1:先判断刚性。 若系统中同时存在极快和极慢的过程

(化学反应速率常数相差 倍、电路中时间常数相差悬殊),

就用 BDF 或 Radau。

准则 2:设置合理的容忍度。 rtol=1e-3(粗略)、1e-6(一般)、1e-9(高精度)。

容差过严会导致步长过小、计算时间爆炸。

准则 3:验证收敛性。 至少用两个不同的 rtol(或两种步长)算一遍,

观察结果是否稳定。若差异很大,说明结果不可信。

准则 4:警惕守恒量的漂移。 对能量守恒系统(无阻尼振动、行星运动),

普通 RK4 在长时间积分后会缓慢损失能量。

必要时改用辛方法(如 Störmer–Verlet、leapfrog)。

准则 5:注意解的定义域。 若解在某处爆破(如 ),

求解器会不断缩小步长直至失败——这时应该回过头做数学分析,

而不是一味放宽容忍度。

6.4 与后续学习方向的接口

方向 | 核心内容 | 与本篇的关系

---|---|---

数值分析 | 误差分析、稳定性理论、收敛阶 | 本篇只给结论,那里给完整理论

偏微分方程数值解 | 有限差分、有限元 | 把「步长 」推广到空间网格

动力系统 | 分岔、混沌、Lyapunov 指数 | 长期数值积分的产物

科学计算 | 并行 ODE 求解、GPU 加速 | 大规模型的工程实现

机器学习 | 神经 ODE、可微分数值积分 | 把 ODE 求解器嵌入神经网络

一个有意思的观察:梯度下降法

在形式上是梯度流 的显式欧拉法,

其中学习率 就是步长 。

于是数值稳定性的理论直接适用: 太大会振荡发散,

太小则收敛缓慢——这正对应本篇 2.3 节的稳定性分析。

(这个类比可以帮助理解为什么深度学习里的学习率需要仔细调节。)

七、易错点

易错点 1:把「局部截断误差的阶」当成「方法的阶」

错在哪:说「RK4 的局部截断误差是 」。

正确是什么: 阶方法的局部截断误差是 ,全局误差是 。

所以 RK4 局部误差 、全局误差 。

为什么:全局误差是 步局部误差的累积,

每步 乘以步数 得到 。差这一阶是本章最常考的概念。

易错点 2:在不稳定区讨论收敛性

错在哪:用远大于 的步长算 ,

发现结果乱跳,就断言「方法不收敛」。

正确是什么:收敛性( 时误差趋于 )与稳定性(有限 下发不发散)是两个独立性质。

只有在绝对稳定域内(对 ,大致 ),

数值解才反映真实的截断误差。

为什么:稳定域外,放大因子 ,

误差每步被放大。正确顺序是先确认稳定性,再谈收敛性。

易错点 3:RK4 的四个 用了「更新后的 」

错在哪:写成先更新 y、再用新 y 计算 k2 这类混用旧值与新值的代码。

正确是什么:四个 全部用当前步起点的 及其派生量计算,

只在四个 都算完之后才更新一次。

为什么:RK4 是一个单步格式,它的输入只有 。

若中途更新 ,后面的 就用了「未来的信息」,格式变成另一种方法

(通常是错的,阶数大幅退化)。实践检验:写完后检查实测收敛阶是否为 。

易错点 4:把高阶方程化方程组时弄错次序

错在哪:对 写成 ,,

于是方程组变成 、,初值条件对应错位。

正确是什么:按求导阶数递增的顺序排列:,,

,,。

于是 、、、。

为什么:这个顺序让前 个方程是恒等式(无需计算 ),

最后一个方程承载原方程的信息;初值 也按同序填入 。

一旦颠倒次序,初值对应关系就乱了,而且 solve_ivp 返回的分量顺序也会误导你。

易错点 5:认为「减小步长一定能减小误差」

错在哪:把 从 继续减到 ,期望误差继续变小。

正确是什么:总误差 = 截断误差()+ 舍入误差()。

前者随 减小而减小,后者随 减小而增大(步数增多、每步浮点误差累积)。

存在最优步长 ,超过之后误差反而上升。

为什么:双精度浮点的相对误差约 ,

当 很小时 与 的差值可能接近舍入误差的量级,

「相近数相减」导致精度损失。

易错点 6:用显式方法硬扛刚性方程

错在哪:对含 这类快速分量的方程用 RK45,并要求算到 ,

结果程序以极小的步长慢慢爬行,甚至报告失败。

正确是什么:改用 method='BDF' 或 'Radau'(隐式)。

或先做变量替换 / 解析分析,把快分量消去。

为什么:显式方法的稳定域是有界的,刚性方程中最大的

强迫 (RK4 在负实轴上的稳定上界),

而这个分量往往早已衰减到零、对结果毫无贡献——步长被「死掉的分量」绑架了。

易错点 7:忽视解的存在区间(爆破)

错在哪:对 , 用程序算到 并把结果当真。

正确是什么:精确解 在 时爆破,

定义域只有 。数值解在 接近 时毫无意义。

为什么:数值方法只是递推公式,它无法「感知」精确解已经不存在。

实践中的检验手段:① 用两个不同容忍度各算一遍,看结果是否一致;

② 观察求解器是否报告步长过小;③ 做解析分析找爆破时间

(对 ,看 是否收敛)。

易错点 8:把「一致性」当成「收敛性」

错在哪:看到 在 时退化为 ,

就认为「方法一定收敛」。

正确是什么:一致性()只是收敛的必要条件之一,

还需要稳定性( 关于 满足 Lipschitz 条件)。

两者合起来才推出收敛(定理 10.6.3,Lax 等价定理的常微分方程版本)。

为什么:一个一致的格式可能把误差无限放大(例如显式欧拉法在刚性问题上),

此时 再小也不收敛到真解。「格式对」不等于「算得对」。

易错点 9:solve_ivp 的参数顺序与形状搞错

错在哪:把 fun 写成 lambda y, t: ...(参数颠倒),

或把初值写成标量 1.0 而不是 [1.0],或让 fun 返回标量而不是列表。

正确是什么:签名固定为 fun(t, y)( 在前);

初值 y0 必须是数组(一维 list 或 ndarray),

fun 的返回值必须与 y0 同形状。

为什么:solve_ivp 内部按 工作,

需要向量化接口。用标量会报形状错误,参数颠倒会让结果看起来「能跑但不对」

(这类 bug 最危险,因为程序不报错)。建议:算完后与解析解或已知特例对照。

易错点 10:表格里的裸竖线

错在哪:在 Markdown 表格单元格里表示绝对值时直接敲键盘竖线。

正确是什么:绝对值写 形式,范数写 形式。

为什么:表格用竖线分列,单元格内的裸竖线会破坏整行结构。

同理,块级公式的双美元符号必须独占一行且成对出现。

八、练习题

A 组(基础)

练习 1 用显式欧拉法解 ,,取 ,

手算 ,并与精确解 在 处的值比较。

练习 2 用改进欧拉法重做练习 1 的 ,与显式欧拉法的结果对比,

说明哪一个更接近精确值。

练习 3 建立并求解:一个 L 的水箱内有 kg 盐,

以 L/min 注入清水、同时以 L/min 排出。问 分钟后盐量是多少?

(提示:。)

B 组(提高)

练习 4 把 ,, 化为一阶方程组,

写出 solve_ivp 所需的 fun 函数(Python 代码),并说明 y0 应该是什么。

练习 5 对 ,:

(a) 求显式欧拉法的稳定步长上界;

(b) 取 与 各算到 ,比较数值结果并解释差异。

练习 6 (概念题)为什么 RK4 在负实轴上的稳定上界(约 )

比显式欧拉法()宽,但这并不意味着 RK4 能处理刚性方程?请说明理由。

练习 7 某模型满足 ,。

(a) 求精确解;(b) 用 的显式欧拉法算三步;

(c) 说明欧拉法会高估还是低估,为什么。

C 组(综合)

练习 8 用 numpy 实现 RK4 解 ,,。

分别取 ,计算终点误差并估算实测收敛阶

(可用解析解 作为参照)。

答案在哪

本篇练习的详细解答(出处 / 考点 / 思路 / 分步解 / 答案 / 易错点)见 10-微积分-10-微分方程;分章导航见 00-总索引。

九、常见问题 FAQ

Q1:既然有了 RK4,为什么还要学欧拉法?它精度那么差。

三个理由:

  1. 它是所有方法的原型。RK4 的四个 可以看作「四次欧拉预测」,

理解了欧拉法就理解了所有单步法。而且欧拉法的误差分析(定理 10.6.2)

是所有收敛性证明的模板。

  1. 它有独立的实用价值。在只需要粗略趋势、或每步 的计算极其昂贵

(例如 里包含一次大规模数值模拟)时,欧拉法的「每步只算一次 」反而是优点。

  1. 稳定性分析以它为标准。绝对稳定域、刚性、A-稳定的概念都是从欧拉法引入的,

讨论隐式方法时也要拿它作对照。

一句话:欧拉法是「理论上的基本粒子」,不是「过时的工具」。

Q2:solve_ivp 返回的 sol.t 为什么不是等距的?

因为 solve_ivp 默认使用自适应步长:它在解平缓处放大步长、在剧烈变化处缩小步长,

sol.t 记录的是求解器实际接受的时刻,因此是不等距的。

如果你需要等距输出,有两种办法:

  • 传入 t_eval=np.linspace(t0, T, n)(求解器仍用自适应步长内部计算,

只是在这些指定点输出);

  • 设 dense_output=True,然后用 sol.sol(t) 在任意点求值(内部用插值)。

注意:t_eval 只影响输出,不影响求解器内部的步长选择。

所以不要以为「设置了 t_eval 就等于固定步长」——它是一个「采样点列表」。

Q3:为什么刚性问题不能用显式方法?「减小步长」不是能解决一切吗?

刚性问题的困境是:步长被一个对结果毫无贡献的分量绑架了。

以 ( 为 的慢变项)为例,

快速分量 在 后已经完全消失()。

但显式欧拉法的稳定性要求 ——无论快速分量是否还有影响。

减小步长确实能让计算不发散,但代价是:

① 步数暴增(算到 需要 步);

② 每一步都在算一个「已经不存在的分量」,纯属浪费;

③ 在长时间积分中,舍入误差会随步数累积,精度反而可能变差。

隐式方法(BDF、Radau)的稳定域覆盖整个左半平面,

所以步长可以按精度需求(而不是稳定性需求)选择,

在刚性问题上前者可能只需要后者的千分之一甚至万分之一的步数。

Q4:数值解和解析解哪个「更真」?

这是一个好问题,答案是:两者是互补的,不是竞争的。

  • 解析解给出的是函数关系:它对所有参数值成立,

能揭示解的结构(周期、衰减率、平衡点、爆破时间)。

例如「周期 与振幅无关」这个结论,

数值方法永远给不出来(它只能对每个具体振幅算一个数)。

  • 数值解给出的是具体数值:它能处理解析方法完全无能为力的方程

(非线性、变系数、复杂右端),代价是只对一个具体初值、一个具体参数成立,

而且带有无法完全消除的误差。

最佳实践是两者结合:用解析方法理解结构、缩小参数范围、验证数值程序;

用数值方法处理解析方法覆盖不到的情形,并用解析解验证数值程序的正确性

(如例题 13 的收敛阶检验)。

Q5:为什么数值方法的误差会「累积」?不是每一步误差都很小吗?

是的,每一步的误差(局部截断误差)确实很小,例如 RK4 是 ,

时约 。但问题是步数很多:

、 时步数是 ,

每步 的误差累积起来就是 量级。

更麻烦的是,误差还会被放大:若 (解在指数增长),

早期的误差会随时间指数放大,最终可能完全掩盖真解。

这就是为什么定理 10.6.2 的误差界里出现了 这个因子——

它可能极大,是「理论收敛」与「实际能算」之间的鸿沟。

Q6:怎么知道我的数值结果是对的?

四个层次的检验,从便宜到昂贵:

  1. 与解析解对比:先用一个有解析解的特例(如取 为线性)验证程序。

这是必须的第一步。

  1. 收敛阶检验:用两个步长算,估算实测阶数(见例题 13)。

若实测阶数与理论阶数吻合,说明程序大概率正确。

  1. 不变量检验:若问题有守恒量(能量、总质量、总概率),

检查它是否近似守恒。守恒量的大幅漂移说明有问题。

  1. 交叉验证:用不同的方法(RK45 与 BDF)、不同的容忍度各算一遍,

比较结果。一致则可信度高。

一句话:永远不要因为「程序跑通了、没报错」就相信结果。

数值计算的第一原则是怀疑自己的代码。

十、国内教材对照(浙大《微积分》/ 考研大纲)

10.1 术语对照

本篇术语 | 国内常见说法 | 英文

---|---|---

初值问题 | 初值问题 / 柯西问题 | initial value problem / Cauchy problem

方向场 | 方向场 / 斜率场 | direction field / slope field

欧拉法 | 欧拉法 / 欧拉折线法 | Euler's method

改进欧拉法 | 改进欧拉法 / 梯形法 / 预估-校正法 | improved Euler / Heun's method

龙格-库塔法 | 龙格-库塔法 / 龙格-库塔公式 | Runge–Kutta method

步长 | 步长 | step size

局部截断误差 | 局部截断误差 | local truncation error

整体截断误差 | 整体截断误差 / 全局误差 | global error

收敛阶 | 阶 / 精度阶 | order of convergence

刚性方程 | 刚性方程 / 病态方程 | stiff equation

绝对稳定性 | 绝对稳定性 | absolute stability

隐式方法 | 隐式方法 / 隐式格式 | implicit method

自适应步长 | 自适应步长 / 变步长 | adaptive step size

相平面 | 相平面 / 相图 | phase plane / phase portrait

10.2 国内教材的处理特点

国内《微积分》/《高等数学》教材与国外教材在本篇内容上的差异是全书最大的一处。 具体表现在:

  1. 国内微积分教材基本不讲数值解法。浙大《微积分》(苏德矿、金蒙伟等编)与同济版《高等数学》

的微分方程章节通常不包含欧拉法、龙格-库塔法、截断误差分析、稳定性理论。

这些内容分散在:

  • 《数值分析》/《计算方法》课程(讲欧拉法、RK4、误差估计、稳定性);
  • 《常微分方程》课程(讲存在唯一性定理、解对初值的连续依赖);
  • 《微分方程数值解》专门课程(讲刚性、BDF、辛方法)。

所以在国内教材体系里,本篇的内容是「跨课程」的。

本库把它集中在一篇,是为了给自学者一个完整的应用视角。

  1. 国外教材的处理(对照):
  • Boyce & DiPrima《Elementary Differential Equations and Boundary Value Problems》

第 8 章「Numerical Methods」系统讲解欧拉法、改进欧拉法、Runge–Kutta 方法、

误差分析、刚性方程与隐式方法。这是本篇最贴近的参考。

  • MIT 18.03(Differential Equations)有专门的数值方法单元,

包含 Euler、RK2、RK4 的推导与稳定性分析,并配有数值实验。

  • Banner《普林斯顿微积分读本》对数值解法基本不涉及——

它的范围到一阶方程的解析解法与建模为止。

所以本篇在国外「微积分读本」类教材中找不到对应内容,

这是国内外教材定位差异的典型例子:国外「读本」重直觉与解析技巧,

数值方法留给专门的微分方程 / 数值分析教材。

  1. 国内更强调的内容:
  • 存在唯一性定理的完整证明(Picard 迭代):国内《常微分方程》课程

把 Picard 迭代作为核心内容反复训练;国外教材(如 Boyce & DiPrima)

通常只陈述定理,证明放在附录。

  • Lipschitz 条件的验证技巧:国内考试常考「判断 是否满足 Lipschitz 条件」,

并且强调「连续推不出唯一」(反例 是标准考点)。

  • 一阶线性方程组的矩阵解法:国内《常微分方程》课程中,

常系数线性方程组的求解(特征值、Jordan 形、矩阵指数)是重点。

  • 解析解与数值解的对照计算:国内题目常要求「用欧拉法算前几步,

并与精确解比较误差」,这是国外教材较少安排的机械训练。

  1. 国外更强调而国内微积分教材较弱的内容:
  • 自适应步长算法的实现细节(步长控制公式、误差估计、安全因子);
  • 数值实验与编程:国外教材普遍要求用 MATLAB / Python / Julia 做实验,

并把「绘制方向场」「验证收敛阶」作为常规作业;

  • 刚性问题的工程背景(化学反应动力学、电路仿真);
  • 相平面与稳定性分析在微积分层面的引入。
  1. 考研大纲的要求:考研数学一/二大纲不包含数值解法。

大纲只要求「了解微分方程及其阶、解、通解、初始条件和特解等概念」

与各类方程的解析解法。

本篇的数值方法部分不属于考研范围,但对理解「为什么解析解法值得学」

以及「实际工作中怎么解决问题」极为重要。

以授课教材为准:若你的课程不考数值方法,本篇可作为拓宽视野的阅读材料。

10.3 给自学者的建议

如果你是按国内教材自学,可能会遇到「教材里没有数值方法」的情况。

建议的补充路径:

  1. 先掌握解析解法(10-1-微分方程的基本概念 到 10-5-二阶常系数线性微分方程);
  2. 再学数值方法的基本思想(本篇第三、四节);
  3. 动手写代码(本篇 4.5–4.7 节的代码可以直接运行);
  4. 用 scipy.integrate.solve_ivp 解决实际问题(本篇 4.6 节);
  5. 需要理论深度时再读《数值分析》教材的常微分方程数值解一章。

这条路径的好处:先建立「解析解长什么样」的直觉,

再用数值方法处理解析方法覆盖不到的情形,两者互相验证。

本篇小结

一句话概括

微分方程的价值在于建模(把自然语言翻译成变化率等式),

而绝大多数真实方程没有公式解,必须用数值方法逼近。

数值方法的基本操作极其简单——「沿方向场走一步」——

但背后的精度(阶数与误差累积)、稳定性(绝对稳定域与刚性)

与可靠性(收敛性的两个前提)决定了它能不能用。

欧拉法是一阶原型,改进欧拉法是二阶,RK4 是四阶的主力;

显式方法怕刚性,隐式方法(BDF / Radau)解决刚性问题。

必须记住的结论清单

1. 建模模板:变化率 = 输入 − 输出;经典模型有指数、逻辑斯蒂、牛顿冷却、混合、振动。

2. 存在唯一性(Picard–Lindelöf): 连续且关于 满足 Lipschitz 条件,则局部有唯一解。

Lipschitz 条件不能减弱为连续( 有无穷多解)。

3. 显式欧拉法:,局部误差 ,全局误差 。

4. 改进欧拉法(预测–校正):二阶,全局误差 。

5. RK4:,全局误差 ;

权重就是辛普森公式的权重。

6. 阶数与误差: 阶方法,步长减半则全局误差降为 ;

实测阶数用 检验。

7. 收敛性 = 一致性 + 稳定性(Lax 等价定理的常微分方程版本)。

8. 绝对稳定性:对 ,显式欧拉法的稳定域是 ;

当 为实数时要求 。

9. RK4 在负实轴上的稳定上界约 ;

阶数与稳定域是两件独立的事。

10. 隐式欧拉法:放大因子 ,A-稳定(左半平面全部稳定),

但只有一阶精度——隐式换的是稳定性,不是精度。

11. 刚性:不同分量的时间尺度相差悬殊,显式方法的步长被最快分量绑架,

必须用隐式方法(BDF、Radau)。

12. 高阶方程化一阶方程组:按 ,, 的顺序;

所有通用求解器都只接受这种形式。

13. 误差有下限:截断误差 与舍入误差 的平衡给出最优步长。

14. 数值解只在解存在的区间内可信;爆破点附近的结果毫无意义( 在 爆破)。

最容易混淆的几组概念

概念 A | 概念 B | 关键区别

---|---|---

局部截断误差 | 全局误差 | 前者是单步误差,后者是 步累积的结果,差一阶

收敛性 | 稳定性 | 收敛是 的极限性质;稳定是有限 下发不发散。先稳定才能谈收敛

方法的阶数 | 稳定域大小 | 提高阶数不改变负实轴稳定上界(欧拉约 ,RK4 约 ),两件事独立

显式方法 | 隐式方法 | 显式每步便宜但步长受限;隐式每步要解方程但 A-稳定,适合刚性问题

刚性 | 病态 | 刚性指时间尺度差异大(方程本身的性质);病态常指求解线性方程组的敏感性

Lipschitz 条件 | 连续性 | Lipschitz 强于连续;只有连续不能保证解唯一( 反例)

固定步长 | 自适应步长 | 前者步长处处相同(浪费且误差不均);后者按误差估计自动调整

截断误差 | 舍入误差 | 前者来自格式的数学近似(随 减小而减小);后者来自浮点表示(随 减小而增大)

指数增长模型 | 逻辑斯蒂模型 | 前者资源无限(解无界);后者有环境容纳量 (解趋于 ,S 形曲线)

小角度单摆(线性) | 大角度单摆(非线性) | 前者周期与振幅无关;后者周期随振幅增大(因为 )

相平面 | 方向场 | 前者用于自治系统看轨线形状;后者用于非自治系统看积分曲线

通往后面章节的接口

本篇概念 | 在哪里被升级 | 升级成什么

---|---|---

存在唯一性与 Picard 迭代 | 常微分方程专业课 | 解对初值与参数的连续可微依赖性

欧拉法与 Runge–Kutta 方法 | 数值分析 / 计算方法 | 多步法(Adams)、BDF、外推法

绝对稳定性与刚性 | 刚性方程数值解 | A-稳定、L-稳定、BDF 的阶与稳定域

一阶方程组 | 线性代数 / 常微分方程组 | 矩阵指数 、Jordan 标准形、稳定性判据

相平面与轨线(2.5 节) | 动力系统 / 定性理论 | 分岔、极限环、混沌、Lyapunov 指数

方向场(2.1 节) | 10-1-微分方程的基本概念 | 积分曲线与解的存在唯一性的几何解释

二阶振动方程数值解 | 10-5-二阶常系数线性微分方程 | 解析解与数值解的互相验证(稳态振幅、共振)

单摆的线性化(例题 17) | 4-3-泰勒公式与麦克劳林展开 | 用 Taylor 一阶项把非线性问题局部线性化

逻辑斯蒂模型的 S 形曲线 | 4-5-凹凸性与拐点 | 用二阶导数判断增长最快的拐点

分离变量求解逻辑斯蒂 | 10-2-一阶微分方程 | 可分离变量方程与部分分式积分

数值积分(辛普森公式) | 6-3-定积分的性质与计算 | RK4 的权重就是辛普森权重

相关笔记

  • 10-5-二阶常系数线性微分方程 — 本篇的直接前置:那里给出振动方程的解析解(稳态振幅、共振频率),本篇则用数值方法求解解析方法覆盖不到的情形,并用它验证解析结果(4.7 节的受迫振动正是两篇的接口)。
  • 10-2-一阶微分方程 — 本篇所有应用模型的解析解法(逻辑斯蒂、牛顿冷却、混合问题)都依赖那里学的可分离变量法与一阶线性方程解法。
  • 10-1-微分方程的基本概念 — 阶、通解、特解、初值条件、方向场的定义在这一篇;本篇的数值解法全部建立在「初值问题」这个框架上。
  • 10-4-高阶线性微分方程 — 存在唯一性定理(那里讲线性方程版本,本篇讲一般的 Picard–Lindelöf 定理)与相平面的稳定性分类都来自这一篇的结构理论。
  • 10-3-可降阶的高阶微分方程 — 高阶方程化为低阶问题的技巧在那里训练;本篇「高阶方程化一阶方程组」是同一思想的系统化版本。
  • 6-3-定积分的性质与计算 — RK4 的权重 就是辛普森公式的权重,理解这个联系是理解 RK4 的最好入口。
  • 6-6-反常积分 — 判断解是否有限时间爆破,本质是判断形如 的反常积分是否收敛。
  • 4-3-泰勒公式与麦克劳林展开 — 局部截断误差的分析(欧拉法漏掉 、改进欧拉法补上这一项)完全依赖泰勒公式;单摆线性化也用到它。
  • 5-4-有理函数积分与部分分式 — 求解逻辑斯蒂方程时的分离变量积分需要部分分式分解,接口在这里。
  • 4-5-凹凸性与拐点 — 逻辑斯蒂曲线的拐点 (增长最快的时刻)由二阶导数判定。

参考来源

  • Boyce & DiPrima, Elementary Differential Equations and Boundary Value Problems, 11th Edition

(frontmatter 中的 Wiley 链接)。本篇最贴合的章节:第 2 章

§2.1–2.4(一阶方程建模:线性方程、可分离变量、建模例题)、

§2.5(自治方程与种群动力学)、§2.6(精确方程与积分因子);

第 8 章「Numerical Methods」§8.1(欧拉法 / 方向场)、§8.2(改进欧拉法)、

§8.3(Runge–Kutta 方法)、§8.4(误差分析与步长选择)、§8.5(刚性问题与隐式方法)。

URL:https://www.wiley.com/en-us/Elementary+Differential+Equations+and+Boundary+Value+Problems%2C+11th+Edition-p-9781119381649

  • SciPy 官方文档,scipy.integrate.solve_ivp

(本库 4.6、4.7 节代码的 API 依据:参数 fun(t, y) 的签名、

method 取值 'RK45'/'RK23'/'DOP853'/'BDF'/'Radau'/'LSODA'、

rtol/atol/t_eval/dense_output 的含义、返回对象 OdeResult 的字段)。

URL:https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.solve_ivp.html

  • Banner, The Calculus Lifesaver: The Complete Guide to Calculus and Its Applications(《普林斯顿微积分读本》)

相关部分为微分方程与建模章节(第 15 章前后)。

该书不涉及数值解法,此处列出是因为它是 frontmatter 的 sources 之一,

也是本库「几何直观优先、先讲为什么」这一风格的来源。

URL:https://www.wiley.com/en-us/The+Calculus+Lifesaver%3A+The+Complete+Guide+to+Calculus+and+Its+Applications-p-9780470181222

  • Wolfram MathWorld, "Ordinary Differential Equation" 词条

(含 Euler's method、Runge–Kutta method、stiff equation 的交叉引用与定义)。

URL:https://mathworld.wolfram.com/OrdinaryDifferentialEquation.html

  • MIT OpenCourseWare 18.03 Differential Equations,数值方法单元

(Euler 方法、Runge–Kutta 方法的推导与稳定性讨论)。教材本身,无 URL。

  • 同济大学数学系编《高等数学》第七版下册,第十二章「微分方程」

(含建模例题:人口模型、冷却问题、混合问题)。

该教材不含数值解法,数值方法请参考《数值分析》教材。教材本身,无 URL。

  • 浙江大学苏德矿、金蒙伟等编《微积分》下册,微分方程一章

(含一阶方程的应用建模与二阶常系数方程的应用)。教材本身,无 URL。

  • 考研数学(一)考试大纲,常微分方程部分(不含数值解法)。

教材本身,无 URL。