23.微分方程exp(At)

这节课涉及到微分方程，我们要讲解的是怎么解一阶微分方程。一阶导数，常系数线性方程，并把微分方程转换成线性代数矩阵的形式。这里面关键的是常系数线性方程组的解是指数形式的

1. 微分方程

现在我们有一组微分方程，表示如下：
$$\begin{gathered} \begin{array}{c}\frac{\mathrm{d}{u}_1}{\mathrm{d}t}=-u_1+2u_2; \\ \frac{\mathrm{d}{u}_2}{\mathrm{d}t}=u_1-2u_2 \\ \end{array} \end{gathered}$$

• 换成矩阵形式如下：
  $$\begin{array}{c}u=\left[\begin{array}{c}{u}_1\\ \\ u_2\end{array}\right];\frac{\mathrm{d}u}{\mathrm{d}t}=\left[\begin{array}{c}\frac{\mathrm{d}{u}_1}{\mathrm{d}t}\\ \\ \frac{\mathrm{d}{u}_2}{\mathrm{d}t}\end{array}\right]=\left[\begin{array}{cc}-1& 2\\ & \\ 1& -2\end{array}\right]\left[\begin{array}{c}{u}_1\\ \\ u_2\end{array}\right];\end{array}$$
  $$\begin{array}{c}\frac{\mathrm{d}u}{\mathrm{d}t}=\left[\begin{array}{cc}-1& 2\\ & \\ 1& -2\end{array}\right]u;A=\left[\begin{array}{cc}-1& 2\\ & \\ 1& -2\end{array}\right]\end{array}$$
• 整理后可得如下微分方程：
  $$\begin{array}{c}\frac{\mathrm{d}u}{\mathrm{d}t}=Au；u_0=\left[\begin{array}{c}1\\ \\ 0\end{array}\right];A=\left[\begin{array}{cc}-1& 2\\ & \\ 1& -2\end{array}\right]\end{array}$$
• 求解矩阵A的特征值和特征向量矩阵S
  $$\begin{array}{c}{\lambda }_1=0,v_1=[2,1{]}^T;{\lambda }_2=-3,v_2=[1,-1{]}^T\end{array}$$
• 当特征值为负数的时候，$e^{-3t}$会随着 t 无穷大后趋近于0.另外一个解$e^{0t}=1$，变成了一个常数，也就是控制工程里面的稳态方程。
  $$\begin{array}{c}u(t)=c_1{e}^{0t}\left[\begin{array}{c}2\\ \\ 1\end{array}\right]+c_2{e}^{-3t}\left[\begin{array}{c}1\\ \\ -1\end{array}\right]=c_1\left[\begin{array}{c}2\\ \\ 1\end{array}\right]+c_2{e}^{-3t}\left[\begin{array}{c}1\\ \\ -1\end{array}\right]\end{array}$$
• 又因为$u_0=[1,0{]}^T$,得到u(t)为
  $$\begin{array}{c}u(t)=\frac{1}{3}\left[\begin{array}{c}2\\ \\ 1\end{array}\right]+\frac{1}{3}{e}^{-3t}\left[\begin{array}{c}1\\ \\ -1\end{array}\right]\end{array}$$
• 当t趋近于无穷的时候，u(t)趋近于稳态
  $$\begin{array}{c}\underset{t\to \infty }{\lim }u(t)=\frac{1}{3}\left[\begin{array}{c}2\\ \\ 1\end{array}\right]\end{array}$$

2. 稳态方程

2.1 收敛速度

从上面可以看出来，当特征值的实数部分小于零时候，u(t)趋近于0.

• 根据欧拉公式可得：
  $$\begin{array}{c}{e}^{6i}=\cos (6)+i\sin (6),e^{6i}的模为1\end{array}$$
  $$\begin{array}{c}|e^{(-3+6i)t}|=|e^{-3t}|;\end{array}$$
  综上所述，特征值决定了u(t)收敛速度，特征值虚数部分表示震荡。

2.2 稳定状态

我们可以看出来，稳定状态为特征值$\lambda =0$是对应的特征向量$v_1$的倍数。当$\lambda <0$时，对应部分的u(t)=0；任何特征值$\lambda >0$时，状态就不收敛，无法达到稳定状态，也就发散了。

• 当我们有一个2X2的矩阵A时，在不计算特征值的情况下，如何判断特征值是否小于0
  $$\begin{array}{c}A=\left[\begin{array}{cc}a& b\\ & \\ c& d\end{array}\right],{\lambda }_1<?0,{\lambda }_2<?0,\end{array}$$
• 我们知道如下公式
  $$\begin{array}{c}det(A)={\lambda }_1{\lambda }_2=ad-cb>0;a+d={\lambda }_1+{\lambda }_2<0\end{array}$$
  也就说在我们知道$det(A)>0,a+d<0$的时候，我们就能在不计算特征值的情况下知道${\lambda }_1<0,{\lambda }_2<0$

2. 一阶微分方程

2.1 通解求解

我们知道微分方程如下：
$$\begin{array}{c}\frac{\mathrm{d}u}{\mathrm{d}t}=Au\end{array}$$
我们想通过特征向量的方式把矩阵A进行分解，得到如下：

• 其中S为矩阵A的特征向量组成的矩阵，与u无关，只要A确定了，就可以看做是关于u的常数，$\Lambda$为特征值组成的方阵
  $$\begin{array}{c}\frac{\mathrm{d}u}{\mathrm{d}t}=S\Lambda S^{-1}u\end{array}$$
• 化简上述方程
  $$\begin{array}{c}\frac{1}{u}du=S\Lambda S^{-1}dt\end{array}$$
• 两边求积分可得
  $$\begin{array}{c}\ln (u)=S\Lambda S^{-1}+C\end{array}$$
  $$\begin{array}{c}u(t)=S{e}^{\Lambda t}{S}^{-1}k\end{array}$$
• 其中k 相当于常数，可以用$u_0$值代替求得：
  $$\begin{array}{c}u(t)=S{e}^{\Lambda t}{S}^{-1}u(0)\end{array}$$
• 我们化简$S{e}^{\Lambda t}{S}^{-1}$
• 由于我们知道对于任意矩阵A来说，可以根据特征值和特征向量分解：
  $$\begin{array}{c}A=S^{-1}\Lambda S\Rightarrow At=S^{-1}(\Lambda t)S\Rightarrow (At{)}^n=S^{-1}(\Lambda t{)}^{n}S\end{array}$$
• 我们知道$e^x$的泰勒公式如下：
  $$\begin{array}{c}{e}^x=1+x+\frac{x^2}{2!}+\cdots +\frac{x^n}{n!}\end{array}$$
• 将$\Lambda t$换成x 可得如下：
  $$\begin{array}{c}{e}^{\Lambda t}=1+\Lambda t+\frac{{(\Lambda t)}^2}{2!}+\cdots +\frac{{(\Lambda t)}^n}{n!}\end{array}$$
• 将等式左右乘以$S^{-1},S$
  $$\begin{array}{c}{S}^{-1}{e}^{\Lambda t}S=S^{-1}S+S^{-1}\Lambda tS+\frac{S^{-1}{\Lambda t}^{2}S}{2!}+\cdots +\frac{S^{-1}{(\Lambda t)}^{n}S}{n!}\end{array}$$
• 用$(At{)}^n=S^{-1}(\Lambda t{)}^{n}S$代替可得
  $$\begin{array}{c}{S}^{-1}{e}^{\Lambda t}S=I+At+\frac{(At{)}^2}{2!}+\cdots +\frac{(At{)}^n}{n!}\end{array}$$
• 用$At$代替$e^x$中的x可得
  $$\begin{array}{c}{e}^{At}=1+At+\frac{(At{)}^2}{2!}+\cdots +\frac{{(At)}^n}{n!}\end{array}$$
• 发现没有，第23公式右边和第24公式右边一样，所以两个等式相等，得出结论如下：
  $$\begin{array}{c}{S}^{-1}{e}^{\Lambda t}S=e^{At}\end{array}$$
• 带入到我们$u(t)$通解中可得， 结论！！！！,前提是矩阵A可以对角化！！！！：
  $$\begin{array}{c}u(t)=S{e}^{\Lambda t}{S}^{-1}u(0)=e^{At}u(0)\end{array}$$

2.1.1 微分方程

$$\begin{array}{c}\frac{\mathrm{d}u}{\mathrm{d}t}=Au\end{array}$$

• 对于上述方程来说，$u(t)=S{e}^{\Lambda t}{S}^{-1}u(0)$,当 t 趋向于无穷大的时候，当特征值 ${\lambda }_i=0$的对应的特征向量部分不会随着t的变化变得无穷大，当特征值 ${\lambda }_i<0$的部分由于$e^{-t}$会发现逐渐为0,；
• 其实这里我们看到原来的矩阵是一个A，这里面可以看做是有特征向量矩阵S组合而成，我们可以将$e^{At}$分解为$S{e}^{\Lambda t}{S}^{-1}$，这样可以在特征矩阵中单独去看每个特征值对于幂计算时的影响，而不是用一个A来表示，矩阵A虽然是常数，但是矩阵A系数之间是相互有联系的，所以我们把矩阵A分解出来，这样我们就知道每个特征值的影响了

2.1.2 差分方程

$$\begin{array}{c}{u}_{k+1}=A{u}_k\Rightarrow u_k=A^k{u}_0\end{array}$$
$$\begin{array}{c}{u}_k=S{\Lambda }^k{S}^{-1}SC=S{\Lambda }^{k}C\end{array}$$

• 对于差分方程来说，我们在通解中发现，$u_k$的值跟特征值有关，当k趋近于无穷的时候，当$|{\lambda }_i|<1$时，${\lambda }_i^k$
  $$\begin{array}{c}\underset{k\to \infty }{\lim }{\lambda }_i^k=0;|{\lambda }_i|<1\end{array}$$

2.2 思考

• 什么样的特征值使得微分方程存在稳定解呢？
  当矩阵A的特征值实数部分小于0，那么微分方程存在稳定解
• 什么样的特征值使得矩阵的高次幂收敛于0？
  当矩阵A的特征值的绝对值小于1，那么矩阵的高次幂收敛于0。

3. 二阶微分方程

假设我们有如下二次微分方程
$$\begin{array}{c}{y}^{{}^{\prime \prime }}+b{y}^{{}^{\prime }}+ky=0\end{array}$$

• 转换成矩阵形式如下：
  $$\begin{array}{c}u=\left[\begin{array}{c}{y}^{{}^{\prime }}\\ \\ y\end{array}\right];u^{{}^{\prime }}=\left[\begin{array}{cc}-b& -k\\ & \\ 1& 0\end{array}\right]u\end{array}$$
  ！！！真神奇！！！