线性代数之——微分方程和 exp(At)

本节的核心是将常系数微分方程转化为线性代数问题。

$$\frac{du}{dt}=\lambda u的解为u(t)=C{e}^{\lambda t}$$

代入 $t=0$，可得 $u(0)=C$，因此有 $u(t)=u(0)e^{\lambda t}$。这是只有一个变量的情况，在线性代数里，我们扩展到 $n$ 个方程的情况。

$$\frac{d\mathbf{u}}{dt}=A\mathbf{u}初始条件为向量\mathbf{u}(0{)}_{t=0}$$

注意，这里 $A$ 是常矩阵，不随时间而改变。而且这些方程是线性的，如果 $\mathbf{u}(t)$ 和 $\mathbf{v}(t)$ 都是方程组的解，那么它们的线性组合 $C\mathbf{u}(t)+D\mathbf{v}(t)$ 也是解，我们需要 $n$ 个这样的常数来匹配方程组的初始条件。

1. $\frac{d\mathbf{u}}{dt}=A\mathbf{u}$ 的解

其中一个解是 $e^{\lambda t}\mathbf{x}$，$\lambda$ 是矩阵 $A$ 的特征值，而 $\mathbf{x}$ 是特征向量。将这个解代入原方程，利用 $A\mathbf{x}=\lambda \mathbf{x}$ 可得

$$\frac{d\mathbf{u}}{dt}=\lambda e^{\lambda t}\mathbf{x}=A{e}^{\lambda t}\mathbf{x}=A\mathbf{u}$$

这个解的所有部分都有 $e^{\lambda t}$，当 $\lambda >0$ 时，解会增长；当 $\lambda <0$ 时，解会衰减。而当 $\lambda$ 为虚数时，则它的实部决定解是增长还是衰减。

• 例 1

求解 $\frac{d\mathbf{u}}{dt}=A\mathbf{u}=\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]\mathbf{u}，{\mathbf{u}}_0=\left[\begin{array}{c}4\\ 2\end{array}\right]$。

矩阵 $A$ 的特征值为 1 和 -1，特征向量为 (1, 1) 和 (1, -1)，因此两个纯指数解为：

$${\mathbf{u}}_1(t)=e^{{\lambda }_{1}t}{\mathbf{x}}_1=e^t\left[\begin{array}{c}1\\ 1\end{array}\right]$$

$${\mathbf{u}}_2(t)=e^{{\lambda }_{2}t}{\mathbf{x}}_2=e^{-t}\left[\begin{array}{c}1\\ -1\end{array}\right]$$

这些 $\mathbf{u}$ 依然是矩阵的特征向量，它们满足 $A{\mathbf{u}}_1={\mathbf{u}}_1$ 和 $A{\mathbf{u}}_2=-{\mathbf{u}}_2$，只不过是系数随着 $t$ 改变罢了。方程组的全解为这些特解的线性组合。

利用初始条件我们可以确定出系数 $C$ 和 $D$。

因此，我们可以通过以下三个步骤来求解 $\frac{d\mathbf{u}}{dt}=A\mathbf{u}$。

• 将 ${\mathbf{u}}_0$ 写成特征向量的线性组合，${\mathbf{u}}_0=c_1{\mathbf{x}}_1+\cdots +c_n{\mathbf{x}}_n$；
• 将每个特征向量 ${\mathbf{x}}_i$ 乘以 $e^{{\lambda }_{i}t}$；
• 全解就是 $e^{\lambda t}\mathbf{x}$ 的线性组合，$\mathbf{u}(t)=c_1{e}^{{\lambda }_{1}t}{\mathbf{x}}_1+\cdots +c_n{e}^{{\lambda }_{n}t}{\mathbf{x}}_n$。

注意，如果两个特征值相同而只有一个对应的特征向量，那么我们就需要另外一个解 $t{e}^{\lambda t}\mathbf{x}$。

• 例 2

2. 二阶方程组

针对二阶方程 $m{y}^{\prime \prime }+b{y}^{\prime }+ky=0$，我们将之转化为矩阵形式，假设 $m=1$。

因此，我们需要先求解出矩阵的特征值和特征向量。

3. 2×2 矩阵的稳定性

针对方程组的解，我们想知道随着 $t\to \infty$，解是否趋向于 $\mathbf{u}=0$，也就是问题是否是稳定的。这取决于矩阵的特征值。

全解是由 $e^{\lambda t}\mathbf{x}$ 构建出来的。如果特征值 $\lambda$ 是实数，只有当 $\lambda <0$ 时，解才会趋向 0。如果特征值 $\lambda$ 是复数，那么有 $\lambda =r+is$，那么其实部必须小于零。

对 2×2 矩阵 $\left[\begin{array}{cc}a& b\\ c& d\end{array}\right]$ 来说，如果其两个特征值满足上面的两个条件，则一定有：

$${\lambda }_1+{\lambda }_2<0\to 矩阵的迹T=a+d<0$$

$${\lambda }_1{\lambda }_2>0\to 矩阵的行列式D=ad-bc>0$$

4. 矩阵的指数次方

最后，我们想将方程组的解写成一个新的形式 $\mathbf{u}(t)=e^{At}{\mathbf{u}}_0$。

$$e^x=1+x+\frac{1}{2}{x}^2+\frac{1}{6}{x}^3+\cdots$$

我们将 $x$ 换成矩阵，可得：

$$e^{At}=I+At+\frac{1}{2}(At{)}^2+\frac{1}{6}(At{)}^3+\cdots$$

它的导数为 $A{e}^{At}$：

$$A+A^{2}t+\frac{1}{2}{A}^3{t}^2+\frac{1}{6}{A}^4{t}^3+\cdots =A{e}^{At}$$

它的特征值是 $e^{\lambda t}$：

$$(I+At+\frac{1}{2}(At{)}^2+\frac{1}{6}(At{)}^3+\cdots )x=(1+\lambda t+\frac{1}{2}(\lambda t{)}^2+\frac{1}{6}(\lambda t{)}^3+\cdots )x$$

假设 $A$ 有 $n$ 个线性不相关的特征向量，将 $A=S\Lambda S^{-1}$ 代入 $e^{At}$ 可得：

$$e^{At}=I+At+\frac{1}{2}(At{)}^2+\frac{1}{6}(At{)}^3+\cdots$$

$$=I+S\Lambda S^{-1}t+\frac{1}{2}(S\Lambda S^{-1}t)(S\Lambda S^{-1}t)+\cdots$$

将 $S$ 和 $S^{-1}$ 提取出来有

$$=S(I+\Lambda t+\frac{1}{2}(\Lambda t{)}^2+\cdots )S^{-1}=S{e}^{\Lambda t}{S}^{-1}$$

这和之前解的形式是一模一样的！

• 例 3
  

$e^{At}$ 满足下面三个规则：

• $e^{At}$ 总有逆矩阵 $e^{-At}$；

• $e^{At}$ 的特征值总是 $e^{\lambda t}$；

• 如果 $A$ 是反对称矩阵，即 $A^T=-A$，那么 $e^{-At}$ 是一个正交矩阵，转置等于逆。

• 例 4

获取更多精彩，请关注「seniusen」!