偏微分方程数值解法python_微分方程数值方法和偏微分方程有什么区别吗？

题主想问的是常微分方程(ODE)和偏微分方程(PDE)的数值方法区别呢还是微分方程这个领域和微分方程数值解领域的区别呢？按照前面@赵永峰 的回答，我也按照前者理解吧。毕竟后者的一些区别是显而易见的。

先说一点共性。微分方程的数值方法，无论是ODE还是PDE，都是将连续的、无限未知数的问题近似为离散的、有限未知数的问题求解。从经典数值分析的角度，通常会关心下面一些问题：相容性、稳定性、收敛性、收敛阶、计算量等等。相容性是指格式在局部是不是做出了正确的近似；稳定性是说局部的近似误差会不会随着计算而积累放大；收敛性是说当离散尺度无穷小的时候数值解是否会趋向于真实解；收敛阶则刻画了收敛的速度，高阶的格式可以用较大的离散尺度获得较好的数值结果，但是代价通常是单步下稍多的计算量。因此数值方法的最终表现需要在误差和计算量之间找到一个平衡。

先说说ODE。在这个领域里，无论是初值问题还是边值问题，有限差分方法都是最常用的方法，比如说著名的Runge-Kutta方法。最常用的RK4方法就有稳定性条件比较宽泛、收敛阶很高(4阶)、计算量较小的优点。ODE数值方法中，差分方法是绝对的主流。尽管有限元方法、谱方法等等也可以用于解ODE，但是差分法依然更受欢迎。即便是边值问题，基于差分法的打靶法也比有限元更受欢迎。

由于ODE的解行为通常比较好，只要右端项满足一定的Lipschitz连续性，解就存在唯一，对初值参数连续依赖。所以ODE数值方法的特点是有限差分法是一种适用面非常广泛的方法。也就是说，如果你是一个工程师，对数值方法并不熟悉。你在实际工作用需要求解一个(规模不太大的)ODE，那么你闭着眼睛把这个方程扔给一个RK4标准程序，效果一般不会太差……

实际应用中ODE数值方法面临的最主要问题是刚性。简单说