1微分方程
引入微分方程组:
d
u
1
d
t
=
−
u
1
+
2
u
2
(
1
)
d
u
2
d
t
=
u
1
−
2
u
2
(
2
)
\begin{aligned}\frac{du_1}{dt}&=-u_1+2u_2 (1)\\ \frac{du_2}{dt}&=u_1-2u_2(2)\end{aligned}
dtdu1dtdu2=−u1+2u2(1)=u1−2u2(2)
两式相加可以得到:
u
1
˙
=
−
u
2
˙
(
3
)
\dot{u_1}=-\dot{u_2}(3)
u1˙=−u2˙(3)
将(3)带入(2)可得
(
u
1
+
u
1
˙
2
)
′
=
u
1
−
(
u
1
+
u
1
˙
)
→
u
1
¨
+
3
u
1
˙
=
0
(
5
)
(\frac{u_1+\dot{u_1}}{2})'=u_1-(u_1+\dot{u_1})\rightarrow\ddot{u_1}+3\dot{u_1}=0(5)
(2u1+u1˙)′=u1−(u1+u1˙)→u1¨+3u1˙=0(5)
从式(5)可以看出,
u
1
u_1
u1的一阶导数和二阶导数是线性关系,这让人不禁联想到函数
e
x
e^x
ex。
因为
u
1
u_1
u1是自变量
t
t
t的函数,于是我们假设原函数
u
1
=
c
e
λ
t
u_1=ce^{\lambda t}
u1=ceλt
根据常用函数导数表(百度)可得
u
1
˙
=
λ
c
e
λ
t
u
1
¨
=
λ
2
c
e
λ
t
\begin{aligned}\dot{u_1}&=\lambda ce^{\lambda t} \\\ddot{u_1}&=\lambda^2ce^{\lambda t}\end{aligned}
u1˙u1¨=λceλt=λ2ceλt
根据式子(5)可得
a
2
c
e
λ
t
+
3
a
c
e
λ
t
=
0
a^2ce^{\lambda t}+3ace^{\lambda t}=0
a2ceλt+3aceλt=0两边同时约去
c
e
λ
t
ce^{\lambda t}
ceλt可得
λ
2
+
3
λ
=
0
(
6
)
\lambda^2+3\lambda=0(6)
λ2+3λ=0(6)解得
λ
1
=
0
,
λ
2
=
−
3
\lambda_1=0,\lambda_2=-3
λ1=0,λ2=−3,于是原方程的通解为
e
0
t
和
e
−
3
t
e^{0t}和e^{-3t}
e0t和e−3t,其线性组合即为方程组的解
u
1
=
c
1
e
0
t
+
c
2
e
−
3
t
u_1=c_1e^{0t}+c_2e^{-3t}
u1=c1e0t+c2e−3t
对
u
2
u_2
u2做同样的操作可以解得
u
2
=
d
1
e
0
t
+
d
2
e
−
3
t
u_2=d_1e^{0t}+d_2e^{-3t}
u2=d1e0t+d2e−3t其中
d
1
=
c
2
,
d
2
=
−
c
2
d_1=\frac{c}{2},d_2=-c_2
d1=2c,d2=−c2
2.微分方程的线性代数解法
d
u
1
d
t
=
−
u
1
+
2
u
2
d
u
2
d
t
=
u
1
−
2
u
2
\begin{aligned}\frac{du_1}{dt}&=-u_1+2u_2 \\ \frac{du_2}{dt}&=u_1-2u_2\end{aligned}
dtdu1dtdu2=−u1+2u2=u1−2u2
令
U
t
=
[
u
1
(
t
)
u
2
(
t
)
]
U_t=\begin{bmatrix}u_1(t)\\u_2(t)\end{bmatrix}
Ut=[u1(t)u2(t)]
原方程组可以表达为
d
U
(
t
)
d
t
=
[
−
1
2
1
−
2
]
[
u
1
(
t
)
u
2
(
t
)
]
\frac{dU(t)}{dt}=\begin{bmatrix}-1&2\\1&-2\end{bmatrix}\begin{bmatrix}u_1(t)\\u_2(t)\end{bmatrix}
dtdU(t)=[−112−2][u1(t)u2(t)]
特征矩阵
A
=
[
−
1
2
1
−
2
]
A=\begin{bmatrix}-1&2\\1&-2\end{bmatrix}
A=[−112−2],其特征根为
λ
1
=
0
,
λ
2
=
3
\lambda_1=0,\lambda_2=3
λ1=0,λ2=3,相应的特征向量是
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]
由前面的微分方程的知识可以知道
U
(
t
)
=
[
u
1
(
t
)
u
2
(
t
)
]
=
[
c
1
e
λ
1
t
+
c
2
e
λ
2
t
1
2
c
1
e
λ
1
t
−
c
2
e
λ
2
t
]
=
1
2
c
1
e
λ
1
t
[
2
1
]
+
c
2
e
λ
2
t
[
1
−
1
]
=
1
2
c
1
e
λ
1
t
x
1
+
c
2
e
λ
2
t
x
2
U(t)=\begin{aligned}\begin{bmatrix}u_1(t)\\u_2(t)\end{bmatrix}&=\begin{bmatrix}c_1e^{\lambda_1t}+c_2e^{\lambda_2t}\\\frac{1}{2}c_1e^{\lambda_1t}-c_2e^{\lambda_2t}\end{bmatrix} \\&=\frac{1}{2}c_1e^{\lambda_1t}\begin{bmatrix}2\\1\end{bmatrix}+c_2e^{\lambda_2t} \begin{bmatrix}1\\-1\end{bmatrix} \\&=\frac{1}{2}c_1e^{\lambda_1t}x_1+c_2e^{\lambda_2t}x_2\end{aligned}
U(t)=[u1(t)u2(t)]=[c1eλ1t+c2eλ2t21c1eλ1t−c2eλ2t]=21c1eλ1t[21]+c2eλ2t[1−1]=21c1eλ1tx1+c2eλ2tx2
方程的通解可以写成;
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
也就是说,当我们知道了特征方程的特征值和特征向量之后,直接可以得到方程的解。
3.系统稳态值的探讨
如果初始值
u
(
0
)
=
[
1
0
]
u(0)=\begin{bmatrix}1\\0\end{bmatrix}
u(0)=[10],那么方程最后归于稳态的时候是何种状态?先求系数:
u
(
0
)
=
c
1
e
λ
1
0
x
1
+
c
2
e
λ
2
0
x
2
=
[
1
0
]
u(0)=c_1e^{\lambda_10}x_1+c_2e^{\lambda_20}x_2=\begin{bmatrix}1\\0\end{bmatrix}
u(0)=c1eλ10x1+c2eλ20x2=[10]
于是有
c
1
[
2
1
]
+
c
2
[
1
−
1
]
=
[
1
0
]
c_1\begin{bmatrix}2\\1\end{bmatrix}+c_2\begin{bmatrix}1\\-1\end{bmatrix}=\begin{bmatrix}1\\0\end{bmatrix}
c1[21]+c2[1−1]=[10]可以解得
c
1
=
c
2
=
1
3
c_1=c_2=\frac{1}{3}
c1=c2=31
因此系统的通解可以写成
u
(
t
)
=
1
3
e
0
t
x
1
+
1
3
e
−
3
t
x
2
u(t)=\frac{1}{3}e^{0t}x_1+\frac{1}{3}e^{-3t}x_2
u(t)=31e0tx1+31e−3tx2
从方程的通解可以看出,随着时间的推移,后一项趋于0,智慧保留第一项,因此在稳态下系统状态
u
=
1
3
[
2
1
]
u=\frac{1}{3}\begin{bmatrix}2\\1\end{bmatrix}
u=31[21]
这里也可以看出,特征根都是负的,系统就会趋于稳定,但是并非是有限时间收敛。
4.状态转移矩阵 e A t e^{At} eAt
特征值和特征向量的作用是解耦,又称对角化
回到原来的方程组
d
u
d
t
=
A
U
\frac{du}{dt}=AU
dtdu=AU
令
U
=
S
v
U=Sv
U=Sv,其中
S
S
S是特征向量形成的矩阵,
v
v
v表示特征向量用于线性组合与
t
t
t相关的项
U
(
t
)
=
c
1
e
λ
1
t
x
1
+
c
2
e
λ
2
t
x
2
=
[
x
1
x
2
]
[
c
1
e
λ
1
t
c
2
e
λ
2
t
]
=
S
v
\begin{aligned}U(t)&=c_1e^{\lambda_1t}x_1+c_2e^{\lambda_2t}x_2\\ &=\begin{bmatrix}x_1&x_2\end{bmatrix} \begin{bmatrix}c_1e^{\lambda_1t}\\c_2e^{\lambda_2t}\end{bmatrix} \\&=Sv\end{aligned}
U(t)=c1eλ1tx1+c2eλ2tx2=[x1x2][c1eλ1tc2eλ2t]=Sv
d
(
S
v
)
d
t
=
A
S
v
\frac{d(Sv)}{dt}=ASv
dtd(Sv)=ASv
S
d
v
d
t
=
A
S
v
S\frac{dv}{dt}=ASv
Sdtdv=ASv
d
v
d
t
=
S
−
1
A
S
v
\frac{dv}{dt}=S^{-1}ASv
dtdv=S−1ASv
其中,
d
v
d
t
=
[
λ
1
c
1
e
λ
1
t
λ
2
c
2
e
λ
2
t
]
=
[
λ
1
0
0
λ
2
]
[
c
1
e
λ
1
t
c
2
e
λ
2
t
]
=
Λ
v
\begin{aligned}\frac{dv}{dt}&=\begin{bmatrix}\lambda_1c_1e^{\lambda_1t}\\ \lambda_2c_2e^{\lambda_2t}\end{bmatrix} \\&=\begin{bmatrix}\lambda_1&0\\0&\lambda_2\end{bmatrix}\begin{bmatrix}c_1e^{\lambda_1t}\\c_2e^{\lambda_2t}\end{bmatrix} \\&=\Lambda v\end{aligned}
dtdv=[λ1c1eλ1tλ2c2eλ2t]=[λ100λ2][c1eλ1tc2eλ2t]=Λv
即
S
−
1
A
S
v
=
Λ
v
S^{-1}ASv=\Lambda v
S−1ASv=Λv
这样就完成了原来方程的解耦,
d
v
1
d
t
\frac{dv_1}{dt}
dtdv1只与
v
1
v_1
v1和
λ
1
\lambda_1
λ1有关系。
除此之外
v
(
t
)
v(t)
v(t)还有另外的表达方法:
v
(
t
)
=
[
c
1
e
λ
1
t
c
2
e
λ
2
t
]
=
[
e
λ
1
t
0
0
e
λ
2
t
]
[
c
1
c
2
]
=
e
Λ
t
v
0
\begin{aligned}v(t)&=\begin{bmatrix}c_1e^{\lambda_1t}\\c_2e^{\lambda_2t}\end{bmatrix} \\&=\begin{bmatrix}e^{\lambda_1t}&0\\0&e^{\lambda_2t}\end{bmatrix}\begin{bmatrix}c_1\\c_2\end{bmatrix}\\&=e^{\Lambda t}v_0\end{aligned}
v(t)=[c1eλ1tc2eλ2t]=[eλ1t00eλ2t][c1c2]=eΛtv0
于是
U
(
t
)
U(t)
U(t)通解还可以写成下面形式:
U
(
t
)
=
S
v
(
t
)
=
S
e
Λ
t
v
0
=
S
e
Λ
t
S
−
1
u
0
U(t)=Sv(t)=Se^{\Lambda t}v_0=Se^{\Lambda t}S^{-1}u_0
U(t)=Sv(t)=SeΛtv0=SeΛtS−1u0