求解一阶线性常系数微分方程组
关键字有这么多:
- 一阶
- 线性
- 常系数
- 微分方程
- 组
直接给例子吧:
d
x
1
d
t
=
x
2
d
x
2
d
t
=
x
3
d
x
3
d
t
=
−
6
x
1
−
11
x
2
−
6
x
3
\begin{aligned} \frac{dx_1}{dt} &= x_2 \\ \frac{dx_2}{dt} &= x_3 \\ \frac{dx_3}{dt} &= -6x_1 - 11x_2 - 6x_3 \end{aligned}
dtdx1dtdx2dtdx3=x2=x3=−6x1−11x2−6x3
则可以有:
x
˙
=
A
x
\dot{x} = A x
x˙=Ax
A = [ 0 1 0 0 0 1 − 6 − 11 − 6 ] A=\begin{bmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ -6 & -11 & -6 \end{bmatrix} A=⎣⎡00−610−1101−6⎦⎤
求 A A A特征值,并将其对角化,有:
Λ = [ − 1 − 2 − 3 ] \Lambda = \begin{bmatrix} -1 & & \\ & -2 & \\ & & -3 \end{bmatrix} Λ=⎣⎡−1−2−3⎦⎤
取
A
A
A的一组特征向量:
ξ
1
=
[
1
−
1
1
]
,
ξ
2
=
[
1
−
2
4
]
,
ξ
2
=
[
1
−
3
9
]
\xi_1= \begin{bmatrix} 1\\ -1\\ 1 \end{bmatrix}, \xi_2= \begin{bmatrix} 1\\ -2\\ 4 \end{bmatrix}, \xi_2= \begin{bmatrix} 1\\ -3\\ 9 \end{bmatrix}
ξ1=⎣⎡1−11⎦⎤,ξ2=⎣⎡1−24⎦⎤,ξ2=⎣⎡1−39⎦⎤
由于 A A A与 Λ \Lambda Λ相似,有:
Λ = P − 1 A P \Lambda = P^{-1} A P Λ=P−1AP
其中,
P
=
[
ξ
1
,
ξ
2
,
ξ
3
]
=
[
1
1
1
−
1
−
2
−
3
1
4
9
]
P = [\xi_1, \xi_2, \xi_3] = \begin{bmatrix} 1 & 1 & 1 \\ -1 & -2 & -3 \\ 1 & 4 & 9 \end{bmatrix}
P=[ξ1,ξ2,ξ3]=⎣⎡1−111−241−39⎦⎤
到这里咱的准备工作就结束了,接下来就是把准备好的东西用进来
x
˙
=
A
x
\dot{x} = A x
x˙=Ax
看上边那个式子,我要把对角阵
Λ
\Lambda
Λ 用进来,建议直接带入
A
=
P
Λ
P
−
1
A=P\Lambda P^{-1}
A=PΛP−1:
x ˙ = P Λ P − 1 x P − 1 x ˙ = Λ P − 1 x \begin{aligned} \dot{x} &= P\Lambda P^{-1} x\\ P^{-1}\dot{x} &= \Lambda P^{-1} x \end{aligned} x˙P−1x˙=PΛP−1x=ΛP−1x
因为这个问题他是线性的,所以令:
y
=
P
−
1
x
\begin{aligned} y &= P^{-1} x \\ \end{aligned}
y=P−1x
显然有:
y
˙
=
P
−
1
x
˙
\begin{aligned} \dot{y} &= P^{-1} \dot{x} \\ \end{aligned}
y˙=P−1x˙
将
y
y
y和
y
˙
\dot{y}
y˙带入:
P
−
1
x
˙
=
Λ
P
−
1
x
P^{-1}\dot{x} = \Lambda P^{-1} x
P−1x˙=ΛP−1x
则有:
y
˙
=
Λ
y
\dot{y} = \Lambda y
y˙=Λy
又:
y
=
[
y
1
y
2
y
3
]
y = \begin{bmatrix} y_1\\ y_2\\ y_3 \end{bmatrix}
y=⎣⎡y1y2y3⎦⎤
有:
y
˙
=
[
y
1
˙
y
2
˙
y
3
˙
]
=
[
−
y
1
−
2
y
2
−
3
y
3
]
\dot{y} = \begin{bmatrix} \dot{y_1}\\ \dot{y_2}\\ \dot{y_3} \end{bmatrix}= \begin{bmatrix} -y_1\\ -2y_2\\ -3y_3 \end{bmatrix}
y˙=⎣⎡y1˙y2˙y3˙⎦⎤=⎣⎡−y1−2y2−3y3⎦⎤
这就变成了普通的独立的三个线性常系数微分方程
y 1 ′ ( t ) = − y 1 y 2 ′ ( t ) = − 2 y 2 y 3 ′ ( t ) = − 3 y 3 \begin{aligned} y_1'(t) &= -y_1 \\ y_2'(t) &= -2y_2 \\ y_3'(t) &= -3y_3 \\ \end{aligned} y1′(t)y2′(t)y3′(t)=−y1=−2y2=−3y3
解得:
y
1
(
t
)
=
c
1
e
−
t
y
2
(
t
)
=
c
2
e
−
2
t
y
3
(
t
)
=
c
3
e
−
3
t
\begin{aligned} y_1(t) &= c_1 e^{-t} \\ y_2(t) &= c_2 e^{-2t} \\ y_3(t) &= c_3 e^{-3t} \\ \end{aligned}
y1(t)y2(t)y3(t)=c1e−t=c2e−2t=c3e−3t
y
1
y_1
y1 就是
y
1
(
t
)
y_1(t)
y1(t),
y
2
y_2
y2 就是
y
2
(
t
)
y_2(t)
y2(t),
y
3
y_3
y3 就是
y
3
(
t
)
y_3(t)
y3(t)
即:
y
=
[
c
1
e
−
t
c
2
e
−
2
t
c
3
e
−
3
t
]
y = \begin{bmatrix} c_1 e^{-t} \\ c_2 e^{-2t} \\ c_3 e^{-3t} \end{bmatrix}
y=⎣⎡c1e−tc2e−2tc3e−3t⎦⎤
有了
y
y
y, 根据
x
=
P
y
x=Py
x=Py
x
=
P
y
=
[
1
1
1
−
1
−
2
−
3
1
4
9
]
[
c
1
e
−
t
c
2
e
−
2
t
c
3
e
−
3
t
]
x = Py = \begin{bmatrix} 1 & 1 & 1 \\ -1 & -2 & -3 \\ 1 & 4 & 9 \end{bmatrix} \begin{bmatrix} c_1 e^{-t} \\ c_2 e^{-2t} \\ c_3 e^{-3t} \end{bmatrix}
x=Py=⎣⎡1−111−241−39⎦⎤⎣⎡c1e−tc2e−2tc3e−3t⎦⎤
最后那一梭子自己推导一下吧
原出处:
https://www.bilibili.com/video/BV16E411D7R8?p=2&share_source=copy_pc