MIT 18.06 linear algebra 第二十三讲笔记

MIT 18.06 linear algebra 第二十三讲笔记

---

第二十三课课程要点：

• Differential Equation $\frac{du}{dt}=AU$
• Exponential $e^{At}$ of a matrix

---

本节跳跃有点大，其实好些我也没懂，先记录下。

常系数线性方程的解是指数形式的

例子：

$\begin{array}{}\begin{cases}\frac{du_1}{dt}=-u_1+2u_2\\\frac{du_2}{dt}=u_1-2u_2\end{cases}\end{array}$, 其中$U(0)=\begin{bmatrix}1\\0\end{bmatrix}$,首先把方程组写成$\frac{du}{dt}=AU$的形式，那么矩阵$A=\begin{bmatrix}-1&2\\1&-2\end{bmatrix}$。首先求解矩阵$A$的特征值与特征向量。可以解出特征值为$\lambda_1=0,\lambda_2=3$,对应的特征向量为$x_1=\begin{bmatrix}2\\1\end{bmatrix},x_2=\begin{bmatrix}-1\\1\end{bmatrix}$。

---

方程的解为$U(t)=C_1e^{\lambda_1t}x_1+C_2e^{\lambda_2t}x_2$,因为上面说$\frac{du}{dt}=AU$,所以如果单单将$e^{\lambda_1t}x_1$对$t$求导的话，结构为$\lambda_1e^{\lambda_1t}x_1=Ae^{\lambda_1t}x_1$

当$t=0$时，$C_1\begin{bmatrix}2\\1\end{bmatrix}+C_2\begin{bmatrix}1\\-1\end{bmatrix}=\begin{bmatrix}1\\0\end{bmatrix}$,可以解出$C_1=C_2=\frac{1}{3}$。进而$U(t)=\frac{1}{3}\begin{bmatrix}2\\1\end{bmatrix}+\frac{1}{3}\begin{bmatrix}1\\-1\end{bmatrix}e^{-3t}$。所以$U(\infty)=\frac{1}{3}\begin{bmatrix}2\\1\end{bmatrix}$。

---

1. Stability
   当$t\to \infty$ 时 $U(t)\to 0$ 需要$e^{\lambda t}\to 0$因此$\lambda <0$。如果我们求解$\lambda$是解出其为复数时，只要复数的实部小于0即可，而不用管虚部如何。在这里实数部分是重要的。
2. Steady State
   $\lambda_1=0$其他的$Re\quad\lambda_i<0$其中$Re$用来表示实数部分。

3. Blow up 如果存在$\ Re\quad \lambda$大于0.

   对于一个$2\times 2$形式的，要达到稳定状态需要$Re \quad \lambda_1<0\quad and \quad Re \quad \lambda_2<0$
   $A=\begin{bmatrix}a&b\\c&d\end{bmatrix}$，矩阵的迹$Trace=a+d=\lambda_1+\lambda_2<0$。$detA=\lambda_1\lambda_2>0$,如果仅保证迹小于零依旧有可能出现Blow up。
   例如矩阵$\begin{bmatrix}-2&0\\0&1\end{bmatrix}$就会出现Blow up

---

$\frac{du}{dt}=AU$,矩阵$A$表明$u_1$与$u_2$耦合。
这里让$U=SV$(以特征向量为基，把$U$表示为$SV$)，$\frac{du}{dt}=S\frac{dV}{dt}=ASV$。$\frac{dV}{dt}=S^{-1}ASV=\Lambda V$。$|\frac{dv_i}{dt}=\lambda_1v_1|$，各个未知数之间没有联系的方程组存在，也就达到了解耦的目的。
$V(t)=e^{\Lambda t}V(0)$,$U(t)=Se^{\Lambda t}S^{-1}U(0)=e^{At}U(0)$

---

Matrix exponential
$e^{At}=I+At+\frac{(At)^2}{2}+\frac{(At)^3}{6}+\cdots+\frac{(At)^n}{n!}$，这个就是传说中的泰勒展开，应用到矩阵上的结果。
泰勒展开$\frac{1}{1-x}=\sum_{0}^{\infty}x^{n}$，应用到矩阵上时可以写为：$(I-At)^{-1}=I+At+(At)^2+\cdots+(At)^n$。

上面的$e^{At}=I+S\Lambda S^{-1}t + \frac{S\Lambda^2 S^{-1}t^2}{2}+\cdots+ \frac{S\Lambda^n S^{-1}t^n}{n!}=S(I+\Lambda t+ \frac{\Lambda^2t^2}{2}+\cdots)=Se^{\Lambda t}S^{-1}$。

$e^{\Lambda t}=\begin{bmatrix}e^{\lambda_1}&0&\cdots&0\\0&e^{\lambda_1}&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&e^{\lambda_n t}\end{bmatrix}$,其中$\Lambda$是由特征值组成的对角阵，且$Re \quad\lambda<0$就能收敛。

---

下面是一个复数平面：

图中的圆形区域是矩阵幂的稳定区域，在该区域内特征值的绝对值小于1。灰色区域矩阵的幂收敛于0。

$y^{''}+by^{'}+ky=0$怎么把这个二阶线性方程化为一阶的呢？可以想想前面一节斐波那契数列的例子。令$U=\begin{bmatrix}y^{'}\\y\end{bmatrix}$,因此$U^{'}=\begin{bmatrix}y^{''}\\y^{'}\end{bmatrix}=\begin{bmatrix}-b&-k\\1&0\end{bmatrix}\begin{bmatrix}y^{'}\\y\end{bmatrix}$

以上内容看上去挺乱的，还需后面再整理。