1. 微分方程
常系数微分方程的解都是指数形式的。
举例
{
d
u
1
d
t
=
−
u
1
+
2
u
2
d
u
2
d
t
=
u
1
−
2
u
2
\begin{cases} \frac{du_1}{dt}=-u_1+2u_2\\ \frac{du_2}{dt}=u_1-2u_2 \end{cases}
{dtdu1=−u1+2u2dtdu2=u1−2u2
系数矩阵为
A
=
[
−
1
2
1
−
1
]
A=\begin{bmatrix} -1 & 2 \\ 1 & -1 \end{bmatrix}
A=[−112−1]
假设
u
0
=
[
u
1
(
0
)
u
2
(
0
)
]
=
[
1
0
]
u_0=\begin{bmatrix} u_1(0) \\ u_2(0) \end{bmatrix}= \begin{bmatrix} 1 \\ 0 \end{bmatrix}
u0=[u1(0)u2(0)]=[10]
求系数矩阵特征值
d
e
t
A
−
λ
I
=
[
−
1
−
λ
2
1
−
2
−
λ
]
=
(
λ
+
2
)
(
λ
+
1
)
−
2
=
λ
(
λ
+
3
)
det\ A-\lambda I= \begin{bmatrix} -1-\lambda & 2\\ 1 & -2-\lambda \end{bmatrix}= (\lambda+2)(\lambda+1)-2= \lambda(\lambda+3)
det A−λI=[−1−λ12−2−λ]=(λ+2)(λ+1)−2=λ(λ+3)
解得特征值
λ
1
=
0
λ
2
=
−
3
\lambda_1=0\\ \lambda_2=-3
λ1=0λ2=−3
特征向量
X
1
=
[
2
1
]
X
2
=
[
1
−
1
]
X_1=\begin{bmatrix} 2\\1 \end{bmatrix} X_2=\begin{bmatrix} 1\\-1 \end{bmatrix}
X1=[21]X2=[1−1]
解的形式
u
(
t
)
=
c
1
e
λ
1
t
X
1
+
c
2
e
λ
2
t
X
2
u(t)=c_1e^{\lambda_1t}X_1+c_2e^{\lambda_2t}X_2
u(t)=c1eλ1tX1+c2eλ2tX2
检验
d
u
d
t
=
A
u
(
e
λ
t
)
′
=
λ
e
λ
t
λ
e
λ
t
X
=
A
e
λ
t
X
λ
X
=
A
X
\frac{du}{dt}=Au\\ (e^{\lambda t})'=\lambda e^{\lambda t}\\ \lambda e^{\lambda t}X=Ae^{\lambda t}X\\ \lambda X=AX
dtdu=Au(eλt)′=λeλtλeλtX=AeλtXλX=AX
与矩阵幂联系
u
k
+
1
=
A
k
u
0
=
S
Λ
k
c
=
c
1
Λ
1
100
X
1
+
c
2
Λ
2
100
X
2
+
.
.
.
c
1
Λ
n
100
X
n
\begin{align} u_{k+1}=A^{k}u_0=S\Lambda^{k}c &=c_1\Lambda_1^{100}X_1+c_2\Lambda_2^{100}X_2+...c_1\Lambda_n^{100}X_n \nonumber \\\nonumber \end{align}
uk+1=Aku0=SΛkc=c1Λ1100X1+c2Λ2100X2+...c1Λn100Xn
形式上非常相似
现在求
c
1
c
2
c_1\ c_2
c1 c2
t
=
0
:
c
1
[
2
1
]
+
c
2
[
1
−
1
]
=
u
0
=
[
1
0
]
c
1
=
c
2
=
1
3
t=0:\\ c_1\begin{bmatrix} 2 \\ 1\end{bmatrix}+ c_2\begin{bmatrix} 1 \\ -1\end{bmatrix}=u_0= \begin{bmatrix} 1 \\ 0\end{bmatrix}\\ c_1=c_2=\frac{1}{3}
t=0:c1[21]+c2[1−1]=u0=[10]c1=c2=31
解的方程形式为
u
(
t
)
=
1
3
[
2
1
]
+
1
3
[
1
−
1
]
e
−
3
t
u(t)=\frac{1}{3}\begin{bmatrix} 2\\1\end{bmatrix} + \frac{1}{3}\begin{bmatrix}1\\-1\end{bmatrix} e^{-3t}
u(t)=31[21]+31[1−1]e−3t
当
t
→
∞
t \to \infin
t→∞时,
u
(
t
)
→
1
3
[
2
1
]
u(t)\to \frac{1}{3}\begin{bmatrix} 2\\1\end{bmatrix}
u(t)→31[21]
方程趋于稳态。
- 稳定性
u ( t ) → 0 , e λ t → 0 , R e λ < 0 u(t) \to 0,e^{\lambda t}\to 0,Re\ \lambda\lt 0 u(t)→0,eλt→0,Re λ<0 - 稳态
λ 1 = 0 ∧ ∀ R e λ j < 0 , j ≠ 1 \lambda_1=0 \wedge \forall Re \ \lambda_j \lt 0,j \ne 1 λ1=0∧∀Re λj<0,j=1 - 发散
∃ λ i > 0 \exist \lambda_i \gt 0 ∃λi>0
讨论
2
×
2
2 \times 2
2×2的情况
A
=
[
a
b
c
d
]
t
r
a
c
e
=
a
+
d
=
λ
1
+
λ
2
A= \begin{bmatrix} a & b\\ c & d \end{bmatrix}\\ trace = a + d=\lambda_1+\lambda_2
A=[acbd]trace=a+d=λ1+λ2
迹为负数,发散的情况
[
−
2
0
0
1
]
\begin{bmatrix} -2 & 0\\ 0 & 1 \end{bmatrix}\\
[−2001]
所以还需要保证一个条件
d
e
t
A
>
0
det\ A \gt0
det A>0
- t r a c e = λ 1 + λ 2 < 0 trace=\lambda_1+\lambda_2\lt0 trace=λ1+λ2<0
- d e t A = λ 1 λ 2 > 0 det\ A =\lambda_1 \lambda_2 \gt 0 det A=λ1λ2>0
我们将上面的过程考虑为矩阵的形式
u
0
=
S
c
c
=
S
−
1
u
0
u
k
+
1
=
A
k
u
0
=
A
k
S
c
=
S
Λ
k
c
=
S
Λ
S
−
1
u
0
u_0=Sc\\ c = S^{-1}u_0\\ \begin{align} u_{k+1}=A^{k}u_0&=A^{k}Sc\nonumber\\ &=S \Lambda^{k}c \nonumber \\ &=S\Lambda S^{-1}u_0 \nonumber \end{align}
u0=Scc=S−1u0uk+1=Aku0=AkSc=SΛkc=SΛS−1u0
带入自然常数的指数函数
u
k
+
1
=
S
e
Λ
S
−
1
u
0
e
Λ
=
[
e
λ
1
⋯
e
λ
n
]
u_{k+1}=Se^{\Lambda}S^{-1}u_0\\ e^{\Lambda}= \begin{bmatrix} e^{\lambda_1} & &\\ &\cdots&\\ &&e^{\lambda_n} \end{bmatrix}
uk+1=SeΛS−1u0eΛ=
eλ1⋯eλn
2. exp(At)
矩阵的幂次函数
e
A
t
=
I
+
A
t
+
(
A
t
)
2
2
+
⋯
+
(
A
t
)
n
n
!
=
∑
i
=
0
n
(
A
t
)
i
i
!
e^{At} = I + At+\frac{(At)^2}{2}+\cdots+\frac{(At)^{n}}{n !}=\sum_{i=0}^{n}\frac{(At)^i}{i!}
eAt=I+At+2(At)2+⋯+n!(At)n=i=0∑ni!(At)i
另一个级数
(
I
−
A
t
)
−
1
=
I
+
A
t
+
(
A
t
)
2
+
⋯
+
(
A
t
)
k
(I-At)^{-1}=I+At+(At)^{2}+\cdots+(At)^{k}
(I−At)−1=I+At+(At)2+⋯+(At)k
但这个级数不一定收敛且要求有逆。
证明第一个级数
e
A
t
=
I
+
A
t
+
(
A
t
)
2
2
+
(
A
t
)
3
3
!
+
⋯
A
=
S
Λ
S
−
1
带入
e
A
t
=
S
S
−
1
+
S
Λ
S
−
1
+
S
Λ
2
S
−
1
+
⋯
e
A
t
=
S
e
Λ
t
S
−
1
e
Λ
t
=
e
Λ
=
[
e
λ
1
t
⋯
e
λ
n
t
]
e^{At}=I + At + \frac{(At)^2}{2}+\frac{(At)^3}{3!}+\cdots \\A=S\Lambda S^{-1}带入\\ e^{At}=SS^{-1}+S\Lambda S^{-1}+S\Lambda^2S^{-1}+\cdots\\ e^{At}=Se^{\Lambda t}S^{-1}\\ e^{\Lambda t}= e^{\Lambda}= \begin{bmatrix} e^{\lambda_1}t & &\\ &\cdots&\\ &&e^{\lambda_n}t \end{bmatrix}
eAt=I+At+2(At)2+3!(At)3+⋯A=SΛS−1带入eAt=SS−1+SΛS−1+SΛ2S−1+⋯eAt=SeΛtS−1eΛt=eΛ=
eλ1t⋯eλnt
例子解二阶微分方程
y
′
′
+
b
y
′
′
+
k
y
=
0
y''+by''+ky=0
y′′+by′′+ky=0
化成矩阵
u
=
[
y
′
y
]
u
′
=
[
y
′
′
y
′
]
=
[
−
b
−
k
1
0
]
[
y
′
y
]
u= \begin{bmatrix} y'\\y \end{bmatrix}\\ u'=\begin{bmatrix} y'' \\ y' \end{bmatrix}= \begin{bmatrix} -b & -k\\1 & 0 \end{bmatrix} \begin{bmatrix} y'\\y \end{bmatrix}\\
u=[y′y]u′=[y′′y′]=[−b1−k0][y′y]
对于
k
k
k阶的线性微分方程都可以化成相似的形式
u
k
=
[
y
k
+
1
y
k
y
k
]
u
k
′
=
[
y
k
+
2
y
k
+
1
y
k
]
u
k
′
=
[
a
1
a
2
a
3
0
1
0
0
0
1
]
[
y
k
+
1
y
k
y
k
]
u_k= \begin{bmatrix} y^{k+1} \\y^{k}\\y^{k} \end{bmatrix}\\ u_k'=\begin{bmatrix} y^{k+2}\\y^{k+1}\\y^{k} \end{bmatrix}\\ u_k'= \begin{bmatrix} a_1 & a_2 & a_3\\ 0 & 1 & 0\\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} y^{k+1} \\y^{k}\\y^{k} \end{bmatrix}\\
uk=
yk+1ykyk
uk′=
yk+2yk+1yk
uk′=
a100a210a301
yk+1ykyk
其中第一行是方程系数的相反数,其他行构成单位矩阵的形式。
4. 欧拉公式
e i x = cos x + i sin x e^{ix}= \cos x +i \sin x eix=cosx+isinx