常微分方程 笔记

常微分方程 笔记

概述

定义

• 自变量唯一的微分方程

阶

• 定义：微分方程未知函数的最高阶导数或微分的阶数
• 一般形式：$F(x,y,\frac{dy}{dx},\dots ,\frac{d^{n}y}{d{x}^n})=0$

线性与非线性

• 定义：若方程 $F(x,y,\frac{dy}{dx},\dots ,\frac{d^{n}y}{d{x}^n})=0$ 为 $y,\frac{dy}{dx},\dots ,\frac{d^{n}y}{d{x}^n}$ 的一次有理式，则其为n阶线性方程
• 一般形式：$\frac{d^{n}y}{d{x}^n}+a_1(x)\frac{d^{n-1}y}{d{x}^{n-1}}+\cdots +a_n(x)y=f(x)$

解

• 定义：
  • $y=\phi (x)$在$I$上有直到$n$阶的连续导数
  • $y=\phi (x)$ 为方程 $F(x,y,\frac{dy}{dx},\dots ,\frac{d^{n}y}{d{x}^n})=0$ 在$I$上的一个解
• 显式/隐式解：
  • 隐式：最终解的形式为隐函数
  • 显式：如解的定义中所描述的形式
• 通/特解：
  • 通解：解中含有相互独立的任意常数，且其常数个数与微分方程的阶数相同。形如$y=\phi (x,c_1,\dots ,c_n)$
    • 独立常数：
    • $\frac{\partial (\phi ,{\phi }^{\prime },\dots ,{\phi }^{(n-1)}}{\partial (c_1,c_2,\dots ,c_n)}=$
    • $$\left|\begin{array}{ccc}\frac{\partial \phi }{\partial c_1}& \cdots & \frac{\partial \phi }{\partial c_n}\\ ⋮& \ddots & ⋮\\ \frac{\partial {\phi }^{(n-1)}}{\partial c_1}& \cdots & \frac{\partial {\phi }^{(n-1)}}{\partial c_n}\end{array}\right|\ne 0$$
    • （雅可比行列式）
  • 特解：给定常数确定值得到的解
• 定解条件：实际问题附加给微分方程的条件，求解该类问题为定解问题
  • 初始条件（初值问题）：$x=x_0$时$y=y_0,\frac{dy}{dx}=y_0^{(1)},\dots ,\frac{d^{(n-1)}y}{d{x}^{(n-1)}}=y_0^{(n-1)}$
• 驻定方程：$\frac{dy}{dt}=f(y),y\in D\subseteq R^n$，即右侧不含自变量$t$，则方程驻定/自治。
• 相空间：不含自变量，仅含有未知函数组成的空间，积分曲线在相空间的投影为轨线
• $f(y)=0的解y=y^{\ast }$对应常数解$y(t)\equiv y^{\ast }$ 该解也称为平衡解、驻定解或奇点、平衡点。

一阶微分方程 初等解法

变量分离方程

• $$\begin{gathered} \Rightarrow \frac{dy}{dx}=f(x)\phi (y) \\ \Rightarrow \frac{dy}{\phi (y)}=f(x)dx \\ \Rightarrow \int \frac{dy}{\phi (y)}=\int f(x)dx \end{gathered}$$
• 其中$f(x)、\phi (y)$分别关于$x$、$y$连续

可化为变量分离

• 齐次方程：
  • $$\begin{gathered} \frac{dy}{dx}=g(\frac{y}{x}) \\ \frac{dy}{dx}=g(\frac{y}{x})\stackrel{u=\frac{y}{x}}{\Rightarrow }x\frac{du}{dx}+u=g(u) \end{gathered}$$（变量分离方程）
  • $\frac{dy}{dx}=\frac{a_{1}x+b_{1}y+c_1}{a_{2}x+b_{x}y+c_2}$
    • 当$c_1=c_2=0$，$\frac{dy}{dx}=\frac{a_{1}x+b_{1}y+c_1}{a_{2}x+b_{x}y+c_2}=\frac{a_1+b_1\frac{y}{x}}{a_2+b_2\frac{y}{x}}=g(\frac{y}{x})$（类似第一种形式的齐次方程）
    • 当$\left|\begin{array}{cc}{a}_1& a_2\\ b_1& b_2\end{array}\right|=0$
      
      $$\begin{gathered} \Rightarrow \frac{a_1}{a_2}=\frac{b_1}{b_2}=k \\ \Rightarrow \frac{dy}{dx}=\frac{k(a_{2}x+b_{2}y)+c_1}{a_{2}x+b_{x}y+c_2}=f(a_{2}x+b_{2}y)=f(u) \\ \Rightarrow \frac{du}{dx}=a_2+b_2\frac{dy}{dx}=a_2+b_{2}f(u) \end{gathered}$$（变量分离方程）
    • 当$\left|\begin{array}{cc}{a}_1& a_2\\ b_1& b_2\end{array}\right|\ne 0$ 且 $c_1\ne c_2$ 时
      
      $$\begin{gathered} \Rightarrow \{\begin{array}{l}{a}_{1}x+b_{1}y+c_1=0\\ a_{2}x+b_{2}y+c_2=0\end{array}\Rightarrow \{\begin{array}{l}x=\alpha \\ y=\beta \end{array} \\ 原\stackrel{X=x-\alpha ,Y=y-\beta }{\Rightarrow }\frac{dY}{dX}=\frac{a_{1}X+b_{1}Y}{a_{2}X+b_{2}Y}=g(\frac{Y}{X}) \\ \stackrel{u=\frac{Y}{X}}{\Rightarrow }(变量分离方程) \end{gathered}$$

线性微分方程

• 一阶齐次：     $\frac{dy}{dx}=P(x)y\Rightarrow y=c{e}^{\int P(x)dx}$
• 一阶非齐次： $\frac{dy}{dx}=P(x)y+Q(x)$
  • 常数变易法：对应齐次方程解 $y=c{e}^{\int P(x)dx}\Rightarrow y=c(x)e^{\int P(x)dx}$，使之为原方程的解
    $$\begin{gathered} c(x)=\int Q(x)e^{-\int P(x)dx}dx+\tilde{c} \\ y=e^{\int P(x)dx}(\int Q(x)e^{-\int P(x)dx}dx+\tilde{c}) \end{gathered}$$
• Bernoulli方程：$\frac{dy}{dx}=p(x)y+Q(x)y^n\stackrel{z=y^{1-n}}{\Rightarrow }\frac{dz}{dx}=(1-n)p(x)z+(1-n)Q(x)$

恰当方程与积分因子

• $M(x,y)dx+N(x,y)dy=0$ 其中 $du(x,y)=M(x,y)dx+N(x,y)dy$
  （即某个函数的全微分形式）
• 恰当的充要条件：$\frac{\partial M(x,y)}{\partial y}=\frac{\partial N(x,y)}{\partial x}$
• 求解：
  
  • 直接积分：$$\begin{gathered} u(x,y)=\int M(x,y)dx+\phi (y) \\ \frac{\partial u}{\partial y}=N(x,y)\Rightarrow \phi (y) \end{gathered}$$
  • 分组凑微分：对部分项进行重组成新的全微分。
    • 常用全微分：
  • 线积分：${\int }_{x_0}^{x}M(x,y_0)dx+{\int }_{y_0}^{y}N(x_0,y)=c$
• 积分因子：存在 $\mu (x,y)\ne 0$，使得 $\mu (x,y)M(x,y)dx+\mu (x,y)N(x,y)dy=0$ 为恰当方程，即对非恰当方程乘以一个积分因子$\mu (x,y)$使之成为恰当方程。
  • 积分因子充要条件及其求得：
  • $$\begin{gathered} \frac{\partial \mu (x,y)M(x,y)}{\partial y}=\frac{\partial \mu (x,y)N(x,y)}{\partial x} \\ \Rightarrow N\frac{\partial \mu }{\partial x}-M\frac{\partial \mu }{\partial y}=(\frac{\partial M}{\partial y}-\frac{\partial N}{\partial x})\mu \\ 当因子仅与x有关时 \\ \Rightarrow \frac{d\mu }{\mu }=\frac{\frac{\partial M}{\partial y}-\frac{\partial N}{\partial x}}{N}dx \\ \Rightarrow \mu (x)=e^{\int \frac{\frac{\partial M}{\partial y}-\frac{\partial N}{\partial x}}{N}dx} \\ 同理，当因子仅与y有关时 \\ \Rightarrow \mu (y)=e^{\int \frac{\frac{\partial M}{\partial y}-\frac{\partial N}{\partial x}}{-M}dy} \end{gathered}$$
  • 两个积分因子都可以通过定义来计算，但这样比较繁琐。
    • 尝试计算$\psi$及$\phi$，看看是否真的与x，y无关，并求解。
    • 若能猜测积分因子的基本形式，可进行假设，然后根据恰当方程的定义求解。
    • 试图直接找出原本微分方程的全微分形式，并加以求解。

一阶隐式方程及参数表示

• 一般形式：$F(x,y,y^{\prime })=0$，引入参数，转化为可解类型
• $y=f(x,y^{\prime })$
  • $$\begin{gathered} \stackrel{\frac{dy}{dx}=p}{\Rightarrow }y=f(x,p) \\ \Rightarrow p=\frac{\partial f}{\partial x}+\frac{\partial f}{\partial p}\frac{\partial p}{\partial x} \end{gathered}$$ （可由前面的方法求解）
  • $\{\begin{array}{l}p=\phi (x,c)\to y=f(x,\phi (x,c))\\ x=\psi (p,c)\to \{\begin{array}{l}x=\psi (p,c)\\ y=f(x,p)\end{array}（参数形式通解）\\ \Phi (x,p,c)=0\to \{\begin{array}{l}\Phi (x,p,c)=0\\ y=f(x,p)\end{array}\end{array}$
• $x=f(y,y^{\prime })$
  • $$\begin{gathered} \stackrel{\frac{dy}{dx}=p}{\Rightarrow }y=f(y,p) \\ \Rightarrow \frac{1}{p}=\frac{\partial f}{\partial y}+\frac{\partial f}{\partial p}\frac{\partial p}{\partial y} \end{gathered}$$ （可由前面的方法求解）
• $F(x,y^{\prime })=0$
  • 将$f$表示为参数曲线$$\begin{gathered} \{\begin{array}{l}x=\phi (t)\\ p=y^{\prime }=\psi (t)\end{array} \\ \Rightarrow \{\begin{array}{l}x=\phi (t)\\ y=\int \psi (t){\phi }^{\prime }(t)dt+c\end{array} \end{gathered}$$
• $F(y,y^{\prime })=0$
  • 将$f$表示为参数曲线$$\begin{gathered} \{\begin{array}{l}y=\phi (t)\\ p=y^{\prime }=\psi (t)\end{array} \\ \Rightarrow \{\begin{array}{l}x=\int \frac{{\phi }^{\prime }(t)}{\psi (t)}dt+c\\ y=\phi (t)\end{array} \\ \Rightarrow \{\begin{array}{l}x=f(y,p)\\ \Phi (y,p,c)=0\end{array} \end{gathered}$$

一阶微分方程 解的存在唯一性定理

• 初值问题的解是否存在？若存在，是否唯一？

解的存在唯一性定理与逐步逼近法

• 讨论初值问题：$\{\begin{array}{l}\frac{dy}{dx}=f(x,y)\\ y(x_0)=y_0\end{array}$
• Lipschitz条件：$f(x,y)为处于矩形域R:|x-x_0|\le a,|y-y_0|\le b上的连续函数，|f(x,y_1)-f(x,y_2)|\le L|y_1-y_2|（L为Lipschitz常数）$
• 定理：$f(x,y)$满足Lipschitz条件，则初值问题在$|x-x_0|\le h$上的解存在且唯一，这里$h=\min (a,\frac{b}{M}),M=\underset{(x,y)\in R}{\max }|f(x,y)|$
  • 判定：$f_y$存在且有界 或 $f_y$连续
• 证明思路：
  1. 初值问题的解等价于微分方程 $y=y_0+{\int }_{x_0}^{x}f(t,y)dt$ 的连续解
  2. 构造近似解函数列 { φ n ( x ) } \{\varphi_n(x)\} {φn​(x)}
  3. 函数列 { φ n ( x ) } \{\varphi_n(x)\} {φn​(x)}在$[x_0-h,h_0+h]$上一致收敛于$\phi (x)$
  4. $\phi (x)$是积分方程定义于$[x_0-h,h_0+h]$上的连续解且唯一
• 命题1：$y=\phi (x)$为原初值问题的解$\iff$$y=\phi (x)$为方程 $y=y_0+{\int }_{x_0}^{x}f(t,y)dt$ 的连续解
  • $$\begin{gathered} \Rightarrow ：\frac{d\phi (x)}{dx}=f(x,\phi (x)) \\ \stackrel{定积分}{\Rightarrow }\phi (x)-\phi (x_0)={\int }_{x_0}^{x}f(x,\phi (x))dx \\ \Rightarrow \phi (x)=y_0+{\int }_{x_0}^{x}f(x,\phi (x))dx \end{gathered}$$
  • $\Leftarrow ：对上述步骤反向微分即可$
• 构造$Picard$逐步逼近序列：$\{\begin{array}{l}{\phi }_0(x)=y_0\\ {\phi }_n(x)=y_0+{\int }_{x_0}^{x}f(\xi ,{\phi }_{n-1}(\xi ))d\xi \end{array}$
• 命题2：$对于一切n和x\in [x_0,x_0+h]，{\phi }_n(x)连续且有|{\phi }_n(x)-y_0|\le b$（归纳法）
  • 令$h=\min (a,\frac{b}{M}),M=\underset{(x,y)\in R}{\max }|f(x,y)|$
  • $$\begin{gathered} 当n=1时，{\phi }_1(x)=y_0+{\int }_{x_0}^{x}f(\xi ,y_0)d\xi 显然在[x_0,x_0+h]上连续 \\ |{\phi }_1(x)-y_0|=|{\int }_{x_0}^{x}f(\xi ,y_0)d\xi |\le {\int }_{x_0}^x|f(\xi ,y_0)|d\xi \le M|x-x_0|\le Mh\le b \end{gathered}$$
  • $设当n=k时成立，{\phi }_k(x)连续且|{\phi }_k(x)-y_0|\le b$
  • $$\begin{gathered} 当n=k+1时，{\phi }_{k+1}(x)=y_0+{\int }_{x_0}^{x}f(\xi ,{\phi }_k(\xi ))d\xi 显然在R上也连续 \\ |{\phi }_k(x)-y_0|=|{\int }_{x_0}^{x}f(\xi ,{\phi }_k(\xi ))d\xi |\le {\int }_{x_0}^x|f(\xi ,{\phi }_k(\xi ))|d\xi \le M|x-x_0|\le Mh\le b \end{gathered}$$
  • 得证
• 命题3： 函 数 序 列 { φ n ( x ) } 在 [ x 0 , x 0 + h ] 上 一 致 收 敛 于 φ ( x ) 函数序列\{\varphi_n(x)\}在[x_0,x_0+h]上一致收敛于\varphi{(x)} 函数序列{φn​(x)}在[x0​,x0​+h]上一致收敛于φ(x)
  • 构造函数项级数：${\phi }_0(x)+{\sum }_{n=1}^{\infty }({\phi }_n(x)-{\phi }_{n-1}(x))，其前n项部分和即为\phi (n)，故该函数项级数收敛\iff 原函数列收敛$
  • \TODO
• 命题4：$\phi (x)是积分方程定义于x_0\le x\le x_0+h上的连续解$
• 命题5：$在[x_0,x_0+h]上积分方程的解\phi (x)是惟一的，即若有另一连续解\psi (x)则\psi (x)=\phi (x)$
• 近似计算与误差估计：
  • 求近似解：$Picard$逐步逼近法$\{\begin{array}{l}{\phi }_0(x)=y_0\\ {\phi }_n(x)=y_0+{\int }_{x_0}^{x}f(\xi ,{\phi }_{n-1}(\xi ))d\xi \end{array}$
  • $对方程第n次近似解在[x_0-h,x_0+h]内的误差估计为|{\phi }_n(x)-\phi (x)|\le \frac{M{L}^n}{(n+1)!}{h}^{n+1}$

解的延拓

• 根据解的存在唯一性定理，其解的存在唯一区间为$|x-x_0|\le h$而$h$可能随$\underset{(x,y)\in R}{\max }|f(x,y)|$增大而减小，即定义域的扩展可能会导致解的存在唯一空间减小。
• 饱和解与饱和解区间
  • $定义在G上的微分方程\frac{dy}{dx}=f(x,y)，y=\phi (x)是方程定义在({\alpha }_1,{\beta }_1)上的连续解$
  • $若存在另一解y=\psi (x)，x\in ({\alpha }_2,{\beta }_2)并满足({\alpha }_2,{\beta }_2)\supset ({\alpha }_1,{\beta }_1)且当x\in ({\alpha }_1,{\beta }_1)时\psi (x)=\phi (x)，则称y=\phi (x)，x\in ({\alpha }_1,{\beta }_1)可延拓，y=\psi (x)是方程在({\alpha }_2,{\beta }_2)的一个延拓$
  • $若不存在满足上述条件的\psi (x)，则称y=\phi (x)，x\in ({\alpha }_1,{\beta }_1)是原方程的饱和解（不可延拓解）$
  • 局 部 L i p s c h i t z 条 件 ： 定 义 于 平 面 区 域 G 上 的 f ( x , y ) ， 若 对 ∀ ( x 1 , x 2 ) ∈ G ， ∃ 矩 形 R : { ( x , y ) ∣ ∣ x − x 0 ∣ ≤ a 1 , ∣ y − y 0 ∣ ≤ b 1 } ⊂ G 及 常 数 L 1 ， 对 ∀ ( x , y ′ ) , ( x , y ′ ′ ) ∈ R 有 ∣ f ( x , y ′ ) − f ( x , y ′ ′ ) ∣ ≤ L 1 ∣ y ′ − y ′ ′ ∣ 局部Lipschitz条件：定义于平面区域G上的f(x,y)，若对\forall(x_1,x_2)\in G，\exist矩形R:\{(x,y)\mid|x-x_0|\le a_1,|y-y_0|\le b_1\}\subset G及常数L_1，对\forall(x,y'),(x,y'')\in R 有\\|f(x,y')-f(x,y'')|\le L_1|y'-y''| 局部Lipschitz条件：定义于平面区域G上的f(x,y)，若对∀(x1​,x2​)∈G，∃矩形R:{(x,y)∣∣x−x0​∣≤a1​,∣y−y0​∣≤b1​}⊂G及常数L1​，对∀(x,y′),(x,y′′)∈R有∣f(x,y′)−f(x,y′′)∣≤L1​∣y′−y′′∣
    • $f,f_y在G内连续，则满足局部Lipschitz条件$
  • 解的延拓定理：$f(x,y)在有界区域G上连续，且满足局部Lipschitz条件，则方程过\forall (x_0,y_0)\in G的解y=\phi (x)可延拓，直至(x,\phi (x))无限接近G边界$

解对初值的性质

• 考虑初值时，可将解看作$y=\phi (x,x_0,y_0)$
• 解关于初值的对称性：$y=\phi (x,x_0,y_0)\stackrel{解存在唯一}{\iff }{y}_0=\phi (x_0,x,y)$
• 解对初值的连续性：
  • 引理：$f(x,y)对y满足Lipschitz条件，对其任意两解\phi (x),\psi (x)在公共区间上，有|\phi (x)-\psi (x)|\le |\phi (x_0)-\psi (x_0)|e^{L|x-x_0|}$
  • 解对初值的连续依赖：$初值问题在[a,b]有解y=\phi (x,x_0,y_0)，则对\forall \epsilon >0，\exists \delta =\delta (\epsilon ,a,b)>0，使得满足(\overline{x_0}-x_0{)}^2+(\overline{y_0}-y_0{)}^2<{\delta }^2的一切(\overline{x_0},\overline{y_0})有解\phi (x,\overline{x_0},\overline{y_0})满足初值y=\phi (x,\overline{x_0},\overline{y_0})，且有不等式|\phi (x,\overline{x_0},\overline{y_0})-\phi (x,x_0,y_0)|<\epsilon$
  • 解对初值的连续性定理：$f(x,y)在区域内连续则其解函数y=\phi (x,x_0,y_0)在它的存在范围内连续$
  • 解对初值和参数的连续依赖：\TODO
  • 解对初值和参数的连续性定理：$f(x,y,\lambda )在区域内连续则其解函数y=\phi (x,x_0,y_0,\lambda )在它的存在范围内连续$
• 解对初值的可微性定理：
  • 解对初值可微：$f(x,y)及\frac{\partial f}{\partial y}都在区域G内连续，则解y=\phi (x,x_0,y_0)连续可微$

高阶微分方程

线性微分方程一般理论

• 一般形式（要求各阶导数的次数为1）：
  • 齐次：$\frac{d^{n}x}{d{t}^n}+a_1(t)\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_n(t)x=0$
  • 非齐次：$\frac{d^{n}x}{d{t}^n}+a_1(t)\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_n(t)x=f(t)$
• 解的存在唯一性定理（对于一组微分初值）
• 齐次线性微分方程解的性质与结构
  • 叠加原理：$若x_1(t),x_2(t),\dots ,x_k(t)是原线性微分方程的解，则他们的线性组合c_1{x}_1(t)+c_2{x}_2(t)+\cdots +c_k{x}_k(t)也是原线性微分方程的解$
  • 线性相关：$\exists c_1,c_2,\dots ,c_n不全为0，s.t.c_1{x}_1(t)+c_2{x}_2(t)+\cdots +c_n{x}_n(t)\equiv 0$
  • $Wronsky$行列式：$$\begin{gathered} W[x_1(t),\dots ,x_k(t)]=\left|\begin{array}{ccc}{x}_1(t)& \cdots & x_k(t)\\ ⋮& \ddots & ⋮\\ x_1^{(k-1)}(t)& \cdots & x_k^{(k-1)}(t)\end{array}\right| \\ [a,b]上线性相关\iff [a,b]上W(t)\equiv 0 \\ [a,b]上线性无关\iff [a,b]上W(t)\ne 0 \end{gathered}$$
  • n阶齐次线性方程一定存在n个线性无关的解
  • 通解基本结构：$x=c_1{x}_1(t)+c_2{x}_2(t)+\cdots +c_n{x}_n(t)$，$x_1(t),x_2(t),\dots ,x_n(t)$为一组线性无关的解（基本解组）
  • $W(t)=W(t_0)e^{-{\int }_{t_0}^t{a}_1(s)ds}$
• 非齐次线性微分方程解与常数变易法
  • 解的和、差亦为原方程解
  • 通解基本结构：$x=c_1{x}_1(t)+c_2{x}_2(t)+\cdots +c_n{x}_n(t)+\tilde{x}(t)，x_1(t),x_2(t),\dots ,x_n(t)为一组线性无关的解（左侧齐次部分），\tilde{x}(t)为该非齐次线性微分方程的一个解$
  • 常数变易法：
    • $c_i\Rightarrow c_i(t)$
    • 对原微分方程求n-1阶导数，并代入原方程，得到线性方程组：$\{\begin{array}{l}{c}_1^{\prime }(t)x_1(t)+\cdots +c_n^{\prime }(t)x_n(t)=0\\ c_1^{\prime }(t)x_1^{\prime }(t)+\cdots +c_n^{\prime }(t)x_n^{\prime }(t)=0\\ \dots \\ c_1^{\prime }(t)x_1^{(n-1)}(t)+\cdots +c_n^{\prime }(t)x_n^{(n-1)}(t)=0\end{array}$
    • 解线性方程组，得到$c_i^{\prime }(t)={\phi }_i(t)\stackrel{积分}{\Rightarrow }{c}_i(t)=\int {\phi }_i(t)dt+{\gamma }_i$
    • ${\phi }_i(t)=\frac{f(t){\psi }_i(t)}{W(t)},{\psi }_i(t)为W(t)中x_i^{(n-1)}$的代数余子式，可据此快速求得（如果矩阵小的话）
    • 得到通解：$x(t)={\sum }_{i=1}^n{x}_i(t){\gamma }_i(t)+{\sum }_{i=1}^n{x}_i(t)\int {\phi }_i(t)dt$
    • 若要得到特解，即给出${\gamma }_i$的值

常系数线性微分方程的解法

• 复值函数：$z(t)=\phi (t)+i\psi (t)\Rightarrow z^{\prime }(t)={\phi }^{\prime }(t)+i{\psi }^{\prime }(t)$
• 复值指数函数：
  • $z(t)=e^{kt}=e^{(a+i\beta )t}=e^{at}(\cos \beta t+i\sin \beta t)$
  • 欧拉公式：$\{\begin{array}{l}\cos \beta t=(e^{i\beta t}+e^{-i\beta t})/2\\ \sin \beta t=(e^{i\beta t}-e^{-i\beta t})/2i\end{array}$
• 复值解：$\frac{d^{n}z(t)}{d{t}^n}+a_1(t)\frac{d^{n-1}z(t)}{d{t}^{n-1}}+\cdots +a_n(t)z(t)=f(t)$，$z(t)$为定义在$[a,b]$上以t为实变量的复值函数
  • 当$f(t)=0$（齐次），$a_i(t)$均为实值函数，则复值函数的实部、虚部、共轭复数也均是原微分方程的解
  • 当$f(t)=u(t)+iv(t)$，$a_i(t)$均为实值函数，则复值函数的
    • 实部$U(t)$为$\frac{d^{n}x}{d{t}^n}+a_1(t)\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_n(t)x=u(t)$
    • 虚部$V(t)$为$\frac{d^{n}x}{d{t}^n}+a_1(t)\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_n(t)x=v(t)$
• 常系数线性方程求解
  • $L[x]=\frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=0$
  • $$\begin{gathered} x=e^{\lambda t}\iff F(\lambda )={\lambda }^n+a_1{\lambda }^{n-1}+\cdots +a_{n-1}\lambda +a_n=0 \\ F(\lambda )为特征方程，\lambda 为特征根 \end{gathered}$$
  • 解出方程的$n$个解（包括重根）${\lambda }_1,{\lambda }_2,\dots ,{\lambda }_k,{\lambda }_{k+1,k+2..k+m_1}(m_1重根)\dots$
  • 基本解组：$e^{{\lambda }_{1}t},e^{{\lambda }_{2}t},\dots ,e^{{\lambda }_{k+1}t},t{e}^{{\lambda }_{k+2}t},\dots ,t^{m_1-1}{e}^{{\lambda }_{k+m_1}t}\dots$
  • 构成通解：$x=c_1{e}^{{\lambda }_{1}t}+c_2{e}^{{\lambda }_{2}t}+\cdots +c_{k+1}{e}^{{\lambda }_{k+1}t}+c_{k+2}t{e}^{{\lambda }_{k+2}t}+\cdots +c_{k+m_1}{t}^{m_1-1}{e}^{{\lambda }_{k+m_1}t}+\dots$
• 欧拉方程求解
  • $x^n\frac{d^{n}y}{d{x}^n}+a_1{x}^{n-1}\frac{d^{n-1}y}{d{x}^{n-1}}+\cdots +a_{n}y=0$
  • $\stackrel{y=x^k}{\Rightarrow }k(k-1)\dots (k-n)+a_{1}k(k-1)\dots (k-n+1)+\cdots +a_{n-1}k+a_n=0$
  • 解出$n$个解（包括重根）$k_1,k_2,\dots ,k_{m+1,m+2,\dots ,m+s_1}(s_1重根),\dots$
  • 基本解组：$x^{k_1},x^{k_2},\dots ,x^{k_{m+1}},x^{k_{m+2}}\ln |x|,\dots ,x^{k_{m+s_1}}{\ln }^{m_1-1}|x|\dots$
  • 构成通解：$y=c_1{x}^{k_1},c_2{x}^{k_2},\dots ,c_{m+1}{x}^{k_{m+1}}+c_{m+2}{x}^{k_{m+2}}\ln |x|+\cdots +c_{m+s_1}{x}^{k_{m+s_1}}{\ln }^{m_1-1}|x|\dots$
• 常系数非齐次线性微分方程求解
  • $L[x]=\frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=f(t)$
  • 比较系数法：
    • $f(t)\equiv (b_0{t}^m+b_1{t}^{m-1}+\cdots +b_m)e^{{\lambda }_{0}t}$
    • 基本解组：$e^{{\lambda }_{1}t},e^{{\lambda }_{2}t},\dots ,e^{{\lambda }_{k+1}t},t{e}^{{\lambda }_{k+2}t},\dots ,t^{m_1-1}{e}^{{\lambda }_{k+m_1}t}\dots$
    • 设方程有形式解：$t^k(B_0{t}^m+B_1{t}^{m-1}+\cdots +B_m)e^{{\lambda }_{0}t}(k是{\lambda }_0作为方程根时的重数，非根即为0)$
    • 代入原方程，比较同次幂系数，解出未知系数$b_i$
    • 构成通解：$x=c_1{e}^{{\lambda }_{1}t}+c_2{e}^{{\lambda }_{2}t}+\cdots +c_{k+1}{e}^{{\lambda }_{k+1}t}+c_{k+2}t{e}^{{\lambda }_{k+2}t}+\cdots +c_{k+m_1}{t}^{m_1-1}{e}^{{\lambda }_{k+m_1}t}+\cdots +\tilde{x}(t)$
  • 欧拉变换：
    • $f(t)\equiv (A(t)cos\beta t+B(t)sin\beta t)e^{\alpha t}$
    • 基本解组：$e^{{\lambda }_{1}t},e^{{\lambda }_{2}t},\dots ,e^{{\lambda }_{k+1}t},t{e}^{{\lambda }_{k+2}t},\dots ,t^{m_1-1}{e}^{{\lambda }_{k+m_1}t}\dots$
    • $\tilde{x}(t)=t^k(P(t)cos\beta t+Q(t)sin\beta t)e^{\alpha t}(k为\alpha +i\beta 作为方程特征根的重数)$
    • 代入原方程，比较等式两侧$\cos t$和$\sin t$的系数解出$P(t)、Q(t)，P(t)、Q(t)次数与A(t)、B(t)次数最大值相同$
    • 构成通解：$x=c_1{e}^{{\lambda }_{1}t}+c_2{e}^{{\lambda }_{2}t}+\cdots +c_{k+1}{e}^{{\lambda }_{k+1}t}+c_{k+2}t{e}^{{\lambda }_{k+2}t}+\cdots +c_{k+m_1}{t}^{m_1-1}{e}^{{\lambda }_{k+m_1}t}+\cdots +\tilde{x}(t)$
    • 当仅含$\sin$或$\cos$项时，将其扩展为$\cos \beta t+i\sin \beta t$的形式，即$f(t)=A(t)e^{\alpha +i\beta t}$之后参照比较系数法求解，然后取实/虚部作为特解。
  • 拉普拉斯变换法：
    • 拉普拉斯变换：$L[f(t)]\equiv F(s)={\int }_0^{\infty }{e}^{-st}f(t)dt$
    • 性质：
      • $L[f^{(n)}(t)]=s^{n}L[f(t)]-s^{n-1}f(0)-s^{n-2}{f}^{\prime }(0)-\cdots -f^{(n-1)}(0)$
      • $\frac{d^{n}F(s)}{d{s}^n}=(-1{)}^{n}L[t^{n}f(t)]$
      • $L[e^{at}f(t)]=F(s-a)$
      • $L[af(t)+bg(t)]=aL[f(t)]+bL[g(t)]$
    • $$\begin{gathered} \frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=f(t) \\ x(0)=x_0,\dots ,x^{(n-1)}(0) \end{gathered}$$

降阶与幂级数解法

• 可降阶类型
  • 不显含$x$及直到$k-1$阶导数：
    • $F(t,x^{(k)},\dots ,x^{(n)})=0\stackrel{y=x^{(k)}}{\Rightarrow }F(t,y,y^{\prime },\dots ,y^{(n-k)})=0$
    • 求通解$y=\phi (t,c_1,c_2,\dots ,c_{n-k})$
    • 对$y=\phi (t,c_1,c_2,\dots ,c_{n-k})$积分n次，得到$x=\psi (t,c_1,c_2,\dots ,c_n)$
  • 不显含$t$
    • $F(x,x^{\prime },\dots ,x^{(n)})=0\stackrel{y=x^{\prime }}{\Rightarrow }G(x,y,\dots ,y^{(n-1)})$
    • 求通解$\phi (t,c_1,c_2,\dots ,c_{n-1})$
    • 解方程$\frac{dx}{xt}=\phi (t,c_1,c_2,\dots ,c_{n-1})$
  • 已知非零特解
    • $\frac{d^{2}x}{d{t}^2}+p(t)\frac{dx}{dt}+q(t)=0$
    • $\stackrel{x=x_{1}y,z=y^{\prime }}{\Rightarrow }x=x_1(c_1+c_2\int \frac{1}{x_1^2}{e}^{-\int p(t)dt}dt)$
• 幂级数解法
  • $\frac{d^{2}y}{d{x}^2}+p(x)\frac{dy}{dx}+q(x)=0$
  • $p(x),q(x)$可以展成$x$的幂级数，以$|x|<R$为收敛区间
    • 则原微分方程有形若$y={\sum }_{n=0}^{\infty }{a}_n{x}^n$的解
    • 求级数形式解的各阶导数，代入原方程
    • 依据初始条件、各项系数为0，得到通解（若为已知函数的级数则可合并）
  • $xp(x),x^{2}q(x)$可以展成$x$的幂级数，且以$|x|<R$为收敛区间
    • 则原微分方程有形若$y=x^{\alpha }{\sum }_{n=0}^{\infty }{a}_n{x}^n$的解

线性微分方程组

线性微分方程组

• 一阶线性微分方程组$\{\begin{array}{l}{x}_1^{\prime }=a_{11}(t)x_1+a_{12}(t)x_2+\cdots +a_{1n}{x}_n+f_1(t)\\ x_2^{\prime }=a_{21}(t)x_1+a_{22}(t)x_2+\cdots +a_{2n}{x}_n+f_2(t)\\ \dots \\ x_n^{\prime }=a_{n1}(t)x_1+a_{n2}(t)x_2+\cdots +a_{nn}{x}_n+f_n(t)\end{array}$
  • 解：函数组$x_1(t),x_2(t),\dots ,x_n(t)$
  • 通解：函数组$x_i(t)={\phi }_i(t,c_1,c_2,\dots ,c_n)，i=1,2,\dots ,n$
  • 向量矩阵表示：
    • $\stackrel{\rightharpoonup }{x}(t)=\left(\begin{array}{c}{x}_1(t)\\ x_2(t)\\ ⋮\\ x_n(t)\end{array}\right)A(t)=\left(\begin{array}{ccc}{a}_{11}(t)& \cdots & a_{1n}(t)\\ ⋮& \ddots & ⋮\\ a_{n1}(t)& \cdots & a_{nn}(t)\end{array}\right)$
    • 微分/积分：对每一个元素进行微分/积分
    • $\frac{dx}{dt}=A(t)\stackrel{\rightharpoonup }{x}+f(t)$
    • $\stackrel{\rightharpoonup }{u}(t)为解向量，{\stackrel{\rightharpoonup }{u}}^{\prime }(t)=A(t)\stackrel{\rightharpoonup }{u}(t)+f(t)$
    • $\stackrel{\rightharpoonup }{x}(t_0)=\stackrel{\rightharpoonup }{\eta }为初值，\stackrel{\rightharpoonup }{u}(t_0)=\stackrel{\rightharpoonup }{\eta }$
  • n阶线性微分方程初值问题$\Rightarrow$一阶线性微分方程组初值问题（反之不一定能化）
    • $\{\begin{array}{l}\frac{d^{n}x}{d{t}^n}+a_1(t)\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_n(t)x=f(t)\\ x(t_0)={\eta }_1,x^{\prime }(t_0)={\eta }_2,\dots ,x^{(n)}(t_0)={\eta }_n\end{array}$
    • $$\begin{gathered} \stackrel{\rightharpoonup }{x}(t)=\left(\begin{array}{c}x(t)\\ x^{\prime }(t)\\ ⋮\\ x^{(n-1)}(t)\end{array}\right) \\ \{\begin{array}{l}{\stackrel{\rightharpoonup }{x}}^{\prime }(t)=\left(\begin{array}{ccccc}0& 1& 0& \cdots & 0\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 0& 0& 0& \cdots & 1\\ -a_n(t)& -a_{n-1}(t)& -a_{n-2}(t)& \cdots & -a_1(t)\end{array}\right)\stackrel{\rightharpoonup }{x}(t)+\left(\begin{array}{c}0\\ ⋮\\ 0\\ f(t)\end{array}\right)\\ \stackrel{\rightharpoonup }{x}(t_0)=\stackrel{\rightharpoonup }{\eta }=\left(\begin{array}{c}{\eta }_1\\ {\eta }_2\\ ⋮\\ {\eta }_n\end{array}\right)\end{array} \end{gathered}$$
• 存在唯一定理
  • $A_{n\times n}(t),\stackrel{\rightharpoonup }{f}(t),\stackrel{\rightharpoonup }{\eta },\forall t_0\in [a,b]$ 初值问题$\{\begin{array}{l}{\stackrel{\rightharpoonup }{x}}^{\prime }=A(t)\stackrel{\rightharpoonup }{x}+\stackrel{\rightharpoonup }{f}(t)\\ \stackrel{\rightharpoonup }{x}(t_0)=\stackrel{\rightharpoonup }{\eta }\end{array}在[a,b]上有唯一解\stackrel{\rightharpoonup }{x}=\stackrel{\rightharpoonup }{\phi }(t)$
  • 矩阵向量范数：$||\stackrel{\rightharpoonup }{x}||={\sum }_{i=1}^n|x_i|||A_{n\times n}||={\sum }_{i,j=1}^n|a_{ij}|$
  • 敛散性：
    • 向量序列 { x k ( t ) } \{x_k(t)\} {xk​(t)}收敛$\iff$每一个$x_k(t)$收敛
    • 向量函数序列级数${\sum }_{k=1}^{\infty }{x}_k(t)$一致收敛$$\begin{gathered} \iff ||x_k(t)||\le M_k,{\sum }_{k=1}^{\infty }{M}_k在[a,b]一致收敛 \\ \Rightarrow \underset{k\to \infty }{\lim }{\int }_a^b{x}_k(t)dt={\int }_a^b\underset{k\to \infty }{\lim }{x}_k(t)dt \end{gathered}$$
    • 矩阵序列级数${\sum }_{k=1}^{\infty }{A}_k$收敛$\iff {\sum }_{k=1}^{\infty }{a}_{ij}^{(k)}$收敛
  • 存在唯一定理
    • 若$a_i(t)(i=1,2,\dots ,n)与f(t)$均为区间$[a,b]$上的连续函数，则对任意$t_0\in [a,b]$及任意${\eta }_1,{\eta }_2,\dots ,{\eta }_n$方程$x^{(n)}+a_1(t)x^{(n-1)}+\cdots +a_n(t)x=f(t)$在区间$[a,b]$上存在唯一解$x=\omega (t)$且满足初值条件$\omega (t_0)={\eta }_1,{\omega }^{\prime }(t_0)={\eta }_2,\dots ,{\omega }^{(n-1)}(t_0)={\eta }_n$
    • $\{\begin{array}{l}{\stackrel{\rightharpoonup }{x}}^{\prime }=A(t)\stackrel{\rightharpoonup }{x}+\stackrel{\rightharpoonup }{f}(t)\\ \stackrel{\rightharpoonup }{x}(t_0)=\stackrel{\rightharpoonup }{\eta }\end{array}$
    • 第一步：命题1：原方程组在$[a,b]$上的解$\stackrel{\rightharpoonup }{\phi }(t)$等价于$\stackrel{\rightharpoonup }{x}(t)=\stackrel{\rightharpoonup }{\eta }+{\int }_{t_0}^t(A(s)\stackrel{\rightharpoonup }{x}(s)+\stackrel{\rightharpoonup }{f})在[a,b]上的连续解$
    • 第二步：命题2：构造$Picard$逐步逼近向量函数序列 { φ k ( t ) } { φ 0 ⇀ ( t ) = η ⇀ φ k ⇀ ( t ) = η ⇀ + ∫ t 0 t ( A ( s ) φ k − 1 ⇀ ( s ) + f ⇀ ( s ) ) d s \{\varphi_k(t)\}\\\begin{cases}\overrightharpoon{\varphi_0}(t)=\overrightharpoon{\eta}\\\overrightharpoon{\varphi_k}(t)=\overrightharpoon{\eta}+\int^t_{t_0}(A(s)\overrightharpoon{\varphi_{k-1}}(s)+\overrightharpoon{f}(s))ds\end{cases} {φk​(t)}{φ0​ ​(t)=η ​φk​ ​(t)=η ​+∫t0​t​(A(s)φk−1​ ​(s)+f ​(s))ds​
    • 第三步：命题3：向量函数序列 { φ k ( t ) } \{\varphi_k(t)\} {φk​(t)}在区间$[a,b]$上一致收敛收敛
    • 第四步：命题4：$\underset{k\to \infty }{\lim }\stackrel{\rightharpoonup }{{\phi }_k}(t)=\stackrel{\rightharpoonup }{\phi }(t)$是原积分方程定义在区间$[a,b]$上的连续解
    • 第五步：命题5：设$\stackrel{\rightharpoonup }{\psi }(t)$是积分方程定义在区间$[a,b]$上的另一个连续解，则有$\stackrel{\rightharpoonup }{\phi }(t)\equiv \stackrel{\rightharpoonup }{\psi }(t)$

线性微分方程组一般理论

• 一阶齐次
  • ${\stackrel{\rightharpoonup }{x}}^{\prime }=A(t)\stackrel{\rightharpoonup }{x}$
  • 叠加原理：${\stackrel{\rightharpoonup }{x}}_1(t),{\stackrel{\rightharpoonup }{x}}_2(t),\dots ,{\stackrel{\rightharpoonup }{x}}_m(t)$为原微分方程的$m$个解，则他们的线性组合$c_1{\stackrel{\rightharpoonup }{x}}_1(t)+c_2{\stackrel{\rightharpoonup }{x}}_2(t)+\cdots +c_m{\stackrel{\rightharpoonup }{x}}_m(t)$也是原方程的解
  • 线性相关：存在一组不全为零的$c_i$使得$c_1{\stackrel{\rightharpoonup }{x}}_1(t)+c_2{\stackrel{\rightharpoonup }{x}}_2(t)+\cdots +c_m{\stackrel{\rightharpoonup }{x}}_m(t)\equiv 0$对任意$t\in [a,b]$成立，则${\stackrel{\rightharpoonup }{x}}_1(t),{\stackrel{\rightharpoonup }{x}}_2(t),\dots ,{\stackrel{\rightharpoonup }{x}}_m(t)$线性相关
  • 向量函数$Wronsky$行列式：$$\begin{gathered} W[{\stackrel{\rightharpoonup }{x}}_1(t),\dots ,{\stackrel{\rightharpoonup }{x}}_n(t)]=|({\stackrel{\rightharpoonup }{x}}_1(t),\dots ,{\stackrel{\rightharpoonup }{x}}_n(t))|=\left|\begin{array}{ccc}{x}_{11}(t)& \cdots & x_{1n}(t)\\ ⋮& \ddots & ⋮\\ x_{n1}(t)& \cdots & x_{nn}(t)\end{array}\right| \\ [a,b]上线性相关\iff [a,b]上W(t)\equiv 0 \\ [a,b]上线性无关\iff [a,b]上W(t)\ne 0 \end{gathered}$$
  • 齐次线性微分方程组一定存在n个线性无关的解
  • 通解结构：$\stackrel{\rightharpoonup }{x}(t)=c_1{\stackrel{\rightharpoonup }{x}}_1(t)+c_2{\stackrel{\rightharpoonup }{x}}_2(t)+\cdots +c_n{\stackrel{\rightharpoonup }{x}}_n(t)$，${\stackrel{\rightharpoonup }{x}}_1(t),{\stackrel{\rightharpoonup }{x}}_2(t),\dots ,{\stackrel{\rightharpoonup }{x}}_n(t)$线性无关（基本解组）
  • n阶线性微分方程是特殊的线性微分方程组(就像这样)
  • 解矩阵、基解矩阵：
    • $$\begin{gathered} \Phi (t)=({\stackrel{\rightharpoonup }{x}}_1(t),{\stackrel{\rightharpoonup }{x}}_2(t),\dots ,{\stackrel{\rightharpoonup }{x}}_n(t)) \\ 满足{\Phi }^{\prime }(t)=A(t)\Phi (t) \end{gathered}$$，该矩阵为解矩阵。
    • 当${\stackrel{\rightharpoonup }{x}}_1(t),{\stackrel{\rightharpoonup }{x}}_2(t),\dots ,{\stackrel{\rightharpoonup }{x}}_n(t)$为基本解组时，该矩阵为基解矩阵。
    • $\Phi (t)$为基解矩阵$\iff$$|\Phi (t)|\ne 0,t\in [a,b]$$\iff$对某一$t_0\in [a,b]$,$|\Phi (t_0)|\ne 0$
    • $\stackrel{\rightharpoonup }{\psi }(t)=\Phi (t)\stackrel{\rightharpoonup }{C}$（线性组合）也是方程的解
    • $\Psi (t)=\Phi (t)C$（线性变换，$C$可逆）也是基解矩阵
  • 通解可以表示为$\stackrel{\rightharpoonup }{\psi }(t)=\Phi (t)\stackrel{\rightharpoonup }{C}$其中$\Phi (t)$为基解矩阵
• 一阶非齐次
  • ${\stackrel{\rightharpoonup }{x}}^{\prime }=A(t)\stackrel{\rightharpoonup }{x}+\stackrel{\rightharpoonup }{f}(t)$
  • 解的和、差亦为原方程解
  • 通解基本结构：$\stackrel{\rightharpoonup }{\phi }(t)=\Phi (t)\stackrel{\rightharpoonup }{C}+\stackrel{\rightharpoonup }{\tilde{\phi }}(t)$ $\Phi (t)$为基解矩阵，$\stackrel{\rightharpoonup }{\tilde{\phi }}(t)$为该非齐次线性微分方程的一个解
  • 常数变易公式$(t\in [a,b],\stackrel{\rightharpoonup }{\phi }(t)=0)$
    • $\stackrel{\rightharpoonup }{\phi }(t)=\Phi (t)\stackrel{\rightharpoonup }{C}\Rightarrow \stackrel{\rightharpoonup }{\phi }(t)=\Phi (t)\stackrel{\rightharpoonup }{C}(t)$
    • ${\Phi }^{\prime }(t)\stackrel{\rightharpoonup }{C}(t)+\Phi (t){\stackrel{\rightharpoonup }{C}}^{\prime }(t)=A(t)\Phi (t)\stackrel{\rightharpoonup }{C}(t)+\stackrel{\rightharpoonup }{f}(t)$
    • $\stackrel{\rightharpoonup }{C}(t)={\int }_{t_0}^t{\Phi }^{-1}(s)\stackrel{\rightharpoonup }{f}(s)ds$
    • 特解：$$\begin{gathered} \stackrel{\rightharpoonup }{\phi }(t)=\Phi (t){\int }_{t_0}^t{\Phi }^{-1}(s)\stackrel{\rightharpoonup }{f}(s)ds \\ \stackrel{\rightharpoonup }{\phi }(t)=\Phi (t){\Phi }^{-1}(t_0)\stackrel{\rightharpoonup }{\eta }+\Phi (t){\int }_{t_0}^t{\Phi }^{-1}(s)\stackrel{\rightharpoonup }{f}(s)ds(\stackrel{\rightharpoonup }{\phi }(t_0)=\stackrel{\rightharpoonup }{\eta }) \end{gathered}$$
    • $n$阶非齐次线性微分方程：
      • $\frac{d^{n}x}{d{t}^n}+a_1(t)\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_n(t)x=f(t)$
      • $\phi (t)={\sum }_{k=1}^n{x}_k(t){\int }_{t_0}^t\frac{W_k[x_1(s),\dots ,x_n(s)]}{W[x_1(s),\dots ,x_n(s)]}f(s)ds$，$W_k$是以$(0,0,\dots ,1{)}^T$取代第$k$列后的$W$
      • $n=2时，\phi (t)={\int }_{t_0}^t\frac{x_2(t)x_1(s)-x_1(t)x_2(s)}{W[x_1(s),x_2(s)]}f(s)ds$

常系数线性微分方程组

• $\frac{dx}{dt}=Ax+f(t)$
• $\frac{dx}{dt}=Ax$
• 矩阵指数
  • $\exp A={\sum }_{k=0}^{\infty }\frac{A^k}{k!}$（一定为实矩阵）
  • $若AB=BA，则\exp (A+B)=\exp A\exp B$
  • $(\exp A{)}^{-1}=\exp (-A)$
  • $若T可逆则\exp (T^{-1}AT)=T^{-1}(\exp A)T$
• 常系数线性微分方程组的基解矩阵
  • ${\stackrel{\rightharpoonup }{x}}^{\prime }=A\stackrel{\rightharpoonup }{x}\Rightarrow \Phi (t)=\exp At$
  • 基解矩阵的求法之一：
    • $A=T^{-1}JT$（可逆线性替换，变换为对角矩阵，对于乘方比较容易算）
    • $\exp At=T^{-1}(\exp Jt)T$即为基解矩阵
• 基解矩阵计算公式
  • $$\begin{gathered} {\stackrel{\rightharpoonup }{x}}^{\prime }=A(t)\stackrel{\rightharpoonup }{x} \\ \stackrel{\rightharpoonup }{x}(0)=\stackrel{\rightharpoonup }{\eta } \end{gathered}$$
  • 由$|\lambda E-A|=0$计算矩阵特征值
  • 解方程$({\lambda }_{i}E-A)\stackrel{\rightharpoonup }{x_i}=0$进而求得$n$个特征向量（对于重根的特征值所从属的特征向量，含有重数个基础解）有线性无关特征向量$\stackrel{\rightharpoonup }{v_1},\stackrel{\rightharpoonup }{v_2},\dots ,\stackrel{\rightharpoonup }{v_n}$对应特征值${\lambda }_1,{\lambda }_2,\dots ,{\lambda }_n$
  • $\Phi (t)=(e^{{\lambda }_{1}t}{\stackrel{\rightharpoonup }{v}}_1,e^{{\lambda }_{2}t}{\stackrel{\rightharpoonup }{v}}_2,\dots ,e^{{\lambda }_{n}t}{\stackrel{\rightharpoonup }{v}}_n)$
  • $\exp At=\Phi (t)\Phi (0{)}^{-1}$当且仅当$\Phi (0)=E$时，$\exp At$就是$\Phi (t)$
• 满足初值条件特解的求法
  • 令${\stackrel{\rightharpoonup }{v}}_1+{\stackrel{\rightharpoonup }{v}}_2+\cdots +{\stackrel{\rightharpoonup }{v}}_k=\stackrel{\rightharpoonup }{\eta }$$v_i$满足${\eta }_i$的形式。
  • φ ⇀ ( t ) = ∑ j = 1 k e λ j t { ∑ i = 0 n j − 1 ( A − λ j E ) t i i ! } v ⇀ j \overrightharpoon{\varphi}(t)=\sum_{j=1}^{k}e^{\lambda_j t}\{\sum^{n_j-1}_{i=0}(A-\lambda_j E)\frac{t^i}{i!}\}\overrightharpoon{v}_j φ ​(t)=∑j=1k​eλj​t{∑i=0nj​−1​(A−λj​E)i!ti​}v j​
  • 当仅有一个重数为$n$的特征根时， φ ⇀ ( t ) = e λ t { ∑ i = 0 n − 1 ( A − λ E ) t i i ! } \overrightharpoon{\varphi}(t)=e^{\lambda t}\{\sum^{n-1}_{i=0}(A-\lambda E)\frac{t^i}{i!}\} φ ​(t)=eλt{∑i=0n−1​(A−λE)i!ti​}
• 非齐次线性方程组
  • $\stackrel{\rightharpoonup }{\phi }(t)=\Phi (t){\Phi }^{-1}(t_0)\stackrel{\rightharpoonup }{\eta }+\Phi (t){\int }_{t_0}^t{\Phi }^{-1}(s)\stackrel{\rightharpoonup }{f}(s)ds(\stackrel{\rightharpoonup }{\phi }(t_0)=\stackrel{\rightharpoonup }{\eta })$

非线性微分方程及稳定性

• 一般高阶微分方程转化为微分方程组
• 自治系统（驻定方程组）：右端不显含t
• 稳定性：
  • 稳定：$\forall \epsilon >0,\exists \delta =\delta (\epsilon ,t_0),\forall ||x_1-x_0||<\delta ,||\phi (t,t_0,x_1)-\phi (t,t_0,x_0)||<\epsilon 对任意t>t_0恒成立$
  • 渐进稳定：$稳定，且\exists \delta ,s.t.\forall ||x_1-x_0||<\delta ,\underset{t\to \infty }{\lim }(\phi (t,t_0,x_0)-\phi (t,t_0,x_1))=0$
  • 零解渐进稳定：上式中$x_0=0$