线性代数系列（十四）--微分方程

主要内容

• 一阶微分方程的求解
• 解耦
• 二阶微分方程

正文

一阶微分方程的求解

同样的，我们先通过一个例子来看一下微分方程的求解流程，然后再引出相应的问题：$$\frac{d{u}_1}{dt}=-u_1+2u_2,\frac{d{u}_2}{dt}=u_1-2u_2.initialu(0)=\left[\begin{array}{c}1\\ 0\end{array}\right]$$在这个例子中我们的目的是求解$u(t)$。需要注意的是，下标与括号中的意义是不相同的，括号中的$t$表示自变量，是一个变动的量，可以理解为时间，而下标主要是用于区分某个变量的。比如$u(0)=\left[\begin{array}{c}1\\ 0\end{array}\right]$表示在$0$时刻，$u_1=1,u_2=0$。通过方程我们可以知道$\frac{d{u}_2}{dt}>0，\frac{d{u}_1}{dt}<0$，所以随着时间的增加，$u_1$会增加，$u_2$会减少；或者可以理解为$u_1$流向了$u_2$，这是一个动态的变化过程，不过最终会达到某种状态，我们可以通过计算发现这种状态。这里只是对微分方程做了简单的介绍，这是解题非常重要的一步，理解微分方程的意义。

第一步我们使用矩阵将微分方程抽象成线性代数的形式：$$\frac{du}{dt}=Au，andA=\left[\begin{array}{cc}-1& 2\\ 1& -2\end{array}\right]$$在之前的介绍中，我们已经知道，$u_k$的增长与矩阵的特征值和特征向量有关，所以接下来我们研究矩阵的特征值和特征向量。通过：$det(A-\lambda I)=0$，我们可以求出两个特征值${\lambda }_1=0,{\lambda }_2=-3$，然后根据特征值可以解得对应的特征向量为$x_1=\left[\begin{array}{c}2\\ 1\end{array}\right]，x_2=\left[\begin{array}{c}1\\ -1\end{array}\right]$。

第二，我们给出通解的形式，这里不追究通解的形式为什么会是这个样子。$$\sum _{i=1}^n{C}_i{e}^{{\lambda }_{i}t}{x}_i$$其中${\lambda }_i$是特征值，$x_i$是特征向量。实际上，这个通解还可以使用矩阵的形式表达：》》》》？？？？第一步我们已经求得了矩阵的特征值和特征向量，带入公式可以得到通解为：$$u_{(t)}=C_{1}1\left[\begin{array}{c}2\\ 1\end{array}\right]+C_2{e}^{-3t}\left[\begin{array}{c}1\\ -1\end{array}\right]$$而要得到完整的解，我们还需要带入初值$u_0$。最终可以得到：$$u_{(t)}=\frac{1}{3}\left[\begin{array}{c}2\\ 1\end{array}\right]+\frac{1}{3}{e}^{-3t}\left[\begin{array}{c}1\\ -1\end{array}\right]$$这个结果表明了一些信息：随着$t$的增加，后面的一部分会趋向于$0$，最终不起作用。而前面的一部分是保持稳定的，这就是我们所谓的达到的稳态。

在实际的求解中，会有这样的规律：

• 当特征值为负数的时候，$u(t)$趋向于$0$，这个特点很明显。但是，复杂的是当特征值为复数的时候，只有复数实数部分会决定$u(t)$的趋势。
• 稳态存在时，在这个例子中，我们有一个特征值为$0$，其余的特征值为负数。在有更多的变量的情况下，至少需要有一个特征值为$0$，其余的特征值为负数。
• 如果有任何特征值的实数部分大于零，则$u(t)$无法收敛。

解耦

在前面的例子中，对于矩阵$A$，$u_1,u_2$是耦合的，不过我们可以通过特征值和特征向量对其解耦，也就是对角化。$$\frac{d{u}_1}{dt}=-u_1+2u_2,\frac{d{u}_2}{dt}=u_1-2u_2.initialu(0)=\left[\begin{array}{c}1\\ 0\end{array}\right]$$令$u=Sv$，对于$\frac{du}{dt}=Au=ASv$，进一步化简，$S\frac{dv}{dt}=ASv$，然后我们得到：$$\frac{dv}{dt}=S^{-1}ASv=\Lambda v$$ $$\frac{d{v}_1}{dt}={\lambda }_1{v}_1,\frac{d{v}_2}{dt}={\lambda }_2{v}_2$$这个得到的方程，各未知数之间是没有联系的，是不耦合的。根据前面的规律，又可以得到这样的方程：$$v(t)=e^{\Lambda t}v(0)$$不过我们希望得到的是关于$u(t)$的解耦方程。类似的：$$u(t)=e^{At}u(0)=S{e}^{\Lambda t}{S}^{-1}u(0)$$这个方程的关键在于我们如何找到$e^{At}$和$S{e}^{\Lambda t}{S}^{-1}$的关系

$e^{At}$和$S{e}^{\Lambda t}{S}^{-1}$
首先回顾一下幂级数公式：$$e^x=1+x+\frac{x^2}{2!}+\frac{x^3}{3!}+...+\frac{x^n}{n!}+...x\in R$$将这个公式扩展到矩阵上有：$$e^{At}=I+At+\frac{(At{)}^2}{2!}+\frac{(At{)}^3}{3!}+...+\frac{(At{)}^n}{n!}+...$$ $$\Rightarrow e^{At}=S{S}^{-1}+S\Lambda t{S}^{-1}+\frac{S(\Lambda t{)}^2{S}^{-1}}{2!}+\frac{S(\Lambda t{)}^3{S}^{-1}}{3!}+...+\frac{S(\Lambda t{)}^n{S}^{-1}}{n!}+...$$ $$\Rightarrow e^{At}=S(I+\Lambda t+\frac{(\Lambda t{)}^2}{2!}+\frac{(\Lambda t{)}^3}{3!}+...+\frac{(\Lambda t{)}^n}{n!}+...)S^{-1}$$ $$\Rightarrow e^{At}=S{e}^{\Lambda t}{S}^{-1}$$

二阶微分方程

它的一般形式为：$$y^{{}^{\prime \prime }}+b{y}^{{}^{\prime }}+ky=0$$我们记$u=\left[\begin{array}{c}{y}^{{}^{\prime }}\\ y\end{array}\right]$，那么$$u^{{}^{\prime }}=\left[\begin{array}{c}{y}^{{}^{\prime \prime }}\\ y^{{}^{\prime }}\end{array}\right]=\left[\begin{array}{cc}-b& -k\\ 1& 0\end{array}\right]\left[\begin{array}{c}{y}^{{}^{\prime }}\\ y\end{array}\right]$$这样就将它抽象成了矩阵的形式，也就是一个一阶微分方程乘以一个矩阵。其他的步骤同上面是一样的。如果遇到更高阶的微分方程，抽象的方法是一样的。解题的步骤也是类似的。

这一节的内容较为复杂，主要目的就是在实际情况下使用矩阵对角化，特征值等方法求解微分方程，给出了使用矩阵求解微分方程的通用规律，即高阶降阶。一阶用特征值和特征向量将原系数矩阵$A$解耦，最后得到结果。并介绍了在我们解耦$A$时使用矩阵对角化将其与特征向量联系起来运算的方法。另外介绍了判断收敛性的方法，即看特征值实部绝对值与1的大小关系。这些内容都是特征值与特征向量的实际应用，非常重要。