数值分析笔记（五）

• 一、一阶微分方程的$Lipschitz$条件：

  对于一阶微分方程的初值问题：$y^{\prime }=f(x,y),y(x_0)=y_0$，若函数$f(x,y)$满足：
  $|f(x,y_1)-f(x,y_2)|\le L|y_1-y_2|$的$Lipschitz$条件，
  则该问题存在唯一解$y=y(x)$

---

• 二、一阶微分方程的$Euler$解法：

  (对于一阶微分方程的初值问题：$y^{\prime }=f(x,y),y(x_0)=y_0$，选择一系列等距离观测点$x_i(0\le i\le n)$，其中步长：$h=x_{i+1}-x_i$)

  （1）前向$Euler$解法：

  $y_{i+1}=y_i+hf(x_i,y_i)(0\le i\le n)$

  => 局部截断误差：$y(x_{n+1})-y_{n+1}=\frac{h^2}{2}{y}^{\prime \prime }(x_n)$

  （2）后向$Euler$解法：

  选定$y_{i+1}$的初始值$y_{i+1}^{(0)}=y_i+hf(x_i,y_i)$，则有迭代式：

  $y_{i+1}^{(1)}=y_i+hf(x_{i+1},y_{i+1}^{(0)}),...,$
  $y_{i+1}^{(k+1)}=y_i+hf(x_{i+1},y_{i+1}^{(k)})(0\le i\le n)$

  => $k$根据精度判断，如果迭代过程收敛，则$y_{i+1}={\lim }_{k\to \infty }{y}_{i+1}^{(k+1)}$

  => 局部截断误差：$y(x_{n+1})-y_{n+1}=\frac{-h^2}{2}{y}^{\prime \prime }(x_n)$

  （3）梯形$Euler$解法：

  选定$y_{i+1}$的初始值$y_{i+1}^{(0)}=y_i+hf(x_i,y_i)$，则有迭代式：

  $y_{i+1}^{(1)}=y_i+\frac{h}{2}[f(x_i,y_i)+f(x_{i+1},y_{i+1}^{(0)})],...,$
  $y_{i+1}^{(k+1)}=y_i+\frac{h}{2}[f(x_i,y_i)+f(x_{i+1},y_{i+1}^{(k)})](0\le i\le n)$

  => $k$根据精度判断，如果迭代过程收敛，则$y_{i+1}={\lim }_{k\to \infty }{y}_{i+1}^{(k+1)}$

  （4）预测-校正$Euler$解法：

  前向预测：${\bar{y}}_{i+1}=y_i+hf(x_i,y_i)$
  梯形校正：$y_{i+1}=y_i+\frac{h}{2}[f(x_i,y_i)+f(x_{i+1},{\bar{y}}_{i+1})]$

  （5）$Euler$两步解法：

  开始值：利用其他方法（如：(1)~(4)）通过$y_0$算出$y_1$
  两步递推：$y_{i+1}=y_{i-1}+2hf(x_i,y_i)$
  => 局部截断误差：$y(x_{n+1})-y_{n+1}=\frac{-h^3}{3}{y}^{\prime \prime \prime }(x_n)$

  （6）预测-校正$Euler$两步解法：

  开始值：利用其他方法（如：(1)~(4)）通过$y_0$算出$y_1$
  两步递推预测：${\bar{y}}_{i+1}=y_{i-1}+2hf(x_i,y_i)$
  梯形校正：$y_{i+1}=y_i+\frac{h}{2}[f(x_i,y_i)+f(x_{i+1},{\bar{y}}_{i+1})]$
  => 局部截断误差：$y(x_{n+1})-y_{n+1}=\frac{-h^3}{12}{y}^{\prime \prime \prime }(x_n)$

---

• 三、一阶微分方程的$Taylor$解法：

  (对于一阶微分方程的初值问题：$y^{\prime }=f(x,y),y(x_0)=y_0$，选择一系列等距离观测点$x_i(0\le i\le n)$，其中步长：$h=x_{i+1}-x_i$，利用$Taylor$公式得到)

  则p阶$Taylor$解法：$y_{n+1}=y_n+h{y}_n^{\prime }+\frac{h^2}{2!}{y}_n^{\prime \prime }+...+\frac{h^p}{p!}{y}_n^{(p)}$
  其中：$y^{\prime }=f(x,y),...,y^{(k)}=f^{(k-1)}(x,y)(k\ge 1)$

---

• 四、一阶微分方程的$Runge-Kutta$解法：

  (对于一阶微分方程的初值问题：$y^{\prime }=f(x,y),y(x_0)=y_0$，选择一系列等距离观测点$x_i(0\le i\le n)$，其中步长：$h=x_{i+1}-x_i$，间接利用$Taylor$公式得到)

  （1）2阶$Runge-Kutta$解法：
  $$\{\begin{array}{ll}{y}_{n+1}=y_n+h({\lambda }_1{K}_1+{\lambda }_2{K}_2)& 其中{\lambda }_1+{\lambda }_2=1\\ K_1=f(x_n,y_n)& \\ K_2=f(x_{n+p},y_n+ph{K}_1)& 其中{\lambda }_{2}p=\frac{1}{2}\end{array}$$

  常用特例如下所示：
  $$\{\begin{array}{ll}{y}_{n+1}=y_n+h{K}_2& \\ K_1=f(x_n,y_n)& \\ K_2=f(x_n+\frac{h}{2},y_n+\frac{h}{2}{K}_1)& \end{array}$$

  （2）3阶$Runge-Kutta$解法：
  $$\{\begin{array}{ll}{y}_{n+1}=y_n+h({\lambda }_1{K}_1+{\lambda }_2{K}_2+{\lambda }_3{K}_3)& 其中{\lambda }_1+{\lambda }_2+{\lambda }_3=1\\ K_1=f(x_n,y_n)& \\ K_2=f(x_n+ph,y_n+ph{K}_1)& 其中{\lambda }_{2}p+{\lambda }_{3}q=\frac{1}{2},{\lambda }_2{p}^2+{\lambda }_3{q}^2=\frac{1}{3}\\ K_3=f(x_n+qh,y_n+qh(r{K}_1+s{K}_2))& 其中r+s=1,{\lambda }_{3}pqs=\frac{1}{6}\end{array}$$

  常用特例如下所示：
  $$\{\begin{array}{ll}{y}_{n+1}=y_n+\frac{h}{6}(K_1+4K_2+K_3)& \\ K_1=f(x_n,y_n)& \\ K_2=f(x_n+\frac{h}{2},y_n+\frac{h}{2}{K}_1)& \\ K_3=f(x_n+h,y_n-h{K}_1+2h{K}_2)& \end{array}$$

  （3）4阶$Runge-Kutta$解法：

  常用特例如下所示：
  $$\{\begin{array}{ll}{y}_{n+1}=y_n+\frac{h}{6}(K_1+2K_2+2K_3+K_4)& \\ K_1=f(x_n,y_n)& \\ K_2=f(x_n+\frac{h}{2},y_n+\frac{h}{2}{K}_1)& \\ K_3=f(x_n+\frac{h}{2},y_n+\frac{h}{2}{K}_1)& \\ K_4=f(x_n+h,y_n+h{K}_3)& \end{array}$$

---

• 五、一阶微分方程的$Adams$解法：

  (对于一阶微分方程的初值问题：$y^{\prime }=f(x,y),y(x_0)=y_0$，选择一系列等距离观测点$x_i(0\le i\le n)$，其中步长：$h=x_{i+1}-x_i$，利用插值公式得到)

  （1）显式：
  （选取$r+1$个插值节点$(x_n,f_n),(x_{n-1},f_{n-1}),...,(x_{n-r},f_{n-r})$构造插值多项式）

  $y_{n+1}=y_n+h{\sum }_{i=0}^r{\beta }_{ri}{f}_{n-i}$，其中：${\beta }_{ri}=(-1{)}^i{\sum }_{j=i}^r{C}_j^i{\alpha }_j$，${\alpha }_j=(-1{)}^j{\int }_0^1{C}_{-t}^{j}dt$

  常用一步显式$Adams$公式$(r=0)$：即为前向$Euler$公式
  常用两步显式$Adams$公式$(r=1)$：$y_{n+1}=y_n+\frac{h}{2}(3f_n-f_{n-1})$
  常用四步显式$Adams$公式$(r=3)$：$y_{n+1}=y_n+\frac{h}{24}(55f_n-59f_{n-1}+37f_{n-2}-9f_{n-3})$

  （2）隐式：
  （选取$r+1$个插值节点$(x_{n+1},f_{n+1}),(x_n,f_n),...,(x_{n-r+1},f_{n-r+1})$构造插值多项式）

  $y_{n+1}=y_n+h{\sum }_{i=0}^r{\beta }_{ri}{f}_{n-i+1}$，其中：${\beta }_{ri}=(-1{)}^i{\sum }_{j=i}^r{C}_j^i{\alpha }_j$，${\alpha }_j=(-1{)}^j{\int }_{-1}^0{C}_{-t}^{j}dt$

  常用一步隐式$Adams$公式$(r=0)$：即为后向$Euler$公式
  常用两步隐式$Adams$公式$(r=1)$：即为梯形$Euler$公式
  常用四步隐式$Adams$公式$(r=3)$：$y_{n+1}=y_n+\frac{h}{24}(9f_{n+1}+19f_n-5f_{n-1}+f_{n-2})$

  （3）四步显隐预测-校正：

  预测：${\bar{y}}_{n+1}=y_n+\frac{h}{24}(55f_n-59f_{n-1}+37f_{n-2}-9f_{n-3})$
  ${\bar{f}}_{n+1}=f(x_{n+1}，{\bar{y}}_{n+1})$
  校正：$y_{n+1}=y_n+\frac{h}{24}(9{\bar{f}}_{n+1}+19f_n-5f_{n-1}+f_{n-2})$
  $f_{n+1}=f(x_{n+1}，y_{n+1})$

---

• 六、一阶微分方程的$Milne$解法 / $Simpson$解法：

  (对于一阶微分方程的初值问题：$y^{\prime }=f(x,y),y(x_0)=y_0$，选择一系列等距离观测点$x_i(0\le i\le n)$，其中步长：$h=x_{i+1}-x_i$，利用$Taylor$四阶公式得到)

  $Milne$解法预测：${\bar{y}}_{n+1}=y_{n-3}+\frac{4h}{3}(2y_n^{\prime }-y_{n-1}^{\prime }+2y_{n-2}^{\prime })$
  $Simpson$解法校正：$y_{n+1}=y_{n-1}+\frac{h}{3}(2{\bar{y}}_{n+1}^{\prime }+4y_n^{\prime }+y_{n-1}^{\prime })$

---

• 七、 一阶微分方程的$Hamming$解法：

  (对于一阶微分方程的初值问题：$y^{\prime }=f(x,y),y(x_0)=y_0$，选择一系列等距离观测点$x_i(0\le i\le n)$，其中步长：$h=x_{i+1}-x_i$)

  $y_{n+1}=\frac{1}{8}(9y_n-y_{n-2})+\frac{3h}{8}(y_{n+1}^{\prime }+2y_n^{\prime }-y_{n-1}^{\prime })$

---

• 八、边值问题的差分解法：

  (对于在区间$[a,b]$上的二阶微分方程的边值问题：$y‘’=f(x,y^{\prime }),y(a)=\alpha ,y(b)=\beta$，选择一系列等距离观测点$x_i(0\le i\le n)$，其中步长：$h=x_{i+1}-x_i$，利用差分代替导数)

  $$\{\begin{array}{ll}{y}_0=\alpha ,y_n=\beta & \\ \frac{y_{i+1}-2y_i+y_{i-1}}{h^2}=f(x_i,y_i,\frac{y_{i+1}-y_{i-1}}{2h})& 1\le i\le n-1\end{array}$$

  特殊地，若为二阶线性微分方程：$y^{\prime \prime }+p(x)y^{\prime }+q(x)y=r$

  则有如下线性方程组:
  $$\{\begin{array}{ll}{y}_0=\alpha ,y_n=\beta & \\ \frac{y_{i+1}-2y_i+y_{i-1}}{h^2}+p_i\frac{y_{i+1}-y_{i-1}}{2h}+q_i{y}_i=r_i& 1\le i\le n-1\end{array}$$

---

---