c++ 解方程组_MIT—微分方程笔记30 常系数解耦线性方程组

最新推荐文章于 2023-12-09 16:49:54 发布

山山笔记

最新推荐文章于 2023-12-09 16:49:54 发布

阅读量401

点赞数

文章标签： c++ 解方程组

本文链接：https://blog.csdn.net/weixin_35225144/article/details/113048829

版权

第30讲常系数解耦线性方程组

Decoupling Linear Systems with Constant Coefficients

网易公开课open.163.com

齐次方程组

$equation?tex=%5C%5B%5Cbold+x%27+%3D+%5Cboldsymbol+A%5Cbold+x%5C%5D$ 。目前介绍了两种求解方法：其一，解特征方程，求特征值特征向量；其二，计算矩阵型指数

$equation?tex=%5C%5B%7Be%5E%7B%5Cboldsymbol+At%7D%7D%5C%5D$ ，用基本矩阵计算即

$equation?tex=%5C%5B%7Be%5E%7B%5Cboldsymbol+At%7D%7D%3D%5Cboldsymbol+X%28t%29+%5Ccdot+%5Cboldsymbol+X%7B%280%29%5E%7B+-+1%7D%7D+%5C%5D$ 。今天将会介绍另一种计算方法，依然并不省力，相当于换一种语言来描述而已。但是不同的领域有不同的习惯，有的喜欢用基本矩阵，而有的就用今天介绍的解耦的方式来表达问题和答案。

解耦

所谓耦合，就是方程中导函数的表达式中同时出现了x和y，而解耦的方法，就是做一些线性替换

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7Bu+%3D+ax+%2B+by%7D%5C%5C+%7Bv+%3D+cx+%2B+dy%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ 来实现对原方程组的解耦，得到已解耦的方程组

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7Bu%27+%3D+%7Bk_1%7Du%7D%5C%5C+%7Bv%27+%3D+%7Bk_2%7Dv%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ ，而对于这种方程已经可以分别求解了。

解耦方法的流行还在于，新的因变量在物理上可能有特殊的解释，有某些特殊的原因导致了它以这种状态存在。

例：底部有洞联通的两个容器盒，容器1的底面积是容器2的一半，容器1的液面高度为x，2的高度为y。联通洞的液体流速正比于洞的面积乘以液面高度差（高度差正比于压力差）。

列出微分方程

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7Bx%27+%3D+c%28y+-+x%29%7D%5C%5C+%7B2y%27+%3D+c%28x+-+y%29%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ 。

y的导函数前面有参数2，这是因为同等流量对于容器2液面高度的影响受到其底面积的影响。为了简便运算，令参数 c等于2。因此方程为

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7Bx%27+%3D++-+2x+%2B+2y%7D%5C%5C+%7By%27+%3D+x+-+y%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ 。

稍后会给出确定线性替换的普适方法，但是这里我们从物理问题本身入手去探讨如何进行代换，首先，高度差是直接反应压力差的参数，它比两个容器各自的高度更加利于讨论该问题，其次，容器内部的总液体量是不变的，由此可知可以进行如下线性替换

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7Bu+%3D+x+%2B+2y%7D%5C%5C+%7Bv+%3D+x+-+y%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ ，得到方程组

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7Bu%27+%3D+0%7D%5C%5C+%7Bv%27+%3D++-+3v%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ 。

解得

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bl%7D%7D+%7Bu+%3D+%7Bc_1%7D%7D%5C%5C+%7Bv+%3D+%7Bc_2%7D%7Be%5E%7B+-+3t%7D%7D%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ ，得到

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bl%7D%7D+%7Bx+%3D+%5Cfrac%7B1%7D%7B3%7D%28u+%2B+2v%29+%3D+%5Cfrac%7B1%7D%7B3%7D%28%7Bc_1%7D+%2B+2%7Bc_2%7D%7Be%5E%7B+-+3t%7D%7D%29%7D%5C%5C+%7By+%3D+%5Cfrac%7B1%7D%7B3%7D%28u+-+v%29+%3D+%5Cfrac%7B1%7D%7B3%7D%28%7Bc_1%7D+-+%7Bc_2%7D%7Be%5E%7B+-+3t%7D%7D%29%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ ，即

$equation?tex=%5C%5B%5Cbold+x+%3D+%5Cfrac%7B%7B%7Bc_1%7D%7D%7D%7B3%7D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+1%5C%5C+1+%5Cend%7Barray%7D%7D+%5Cright%5D+%2B+%5Cfrac%7B%7B%7Bc_2%7D%7D%7D%7B3%7D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+2%5C%5C+%7B+-+1%7D+%5Cend%7Barray%7D%7D+%5Cright%5D%7Be%5E%7B+-+3t%7D%7D%5C%5D$ 。

解耦的一般性方法

解耦要求特征值都是实数且都是完备特征值。

新变量为

$equation?tex=%5C%5B%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+u%5C%5C+v+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7Ba_1%7D%7D%26%7B%7Ba_2%7D%7D%5C%5C+%7B%7Bb_1%7D%7D%26%7B%7Bb_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+x%5C%5C+y+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D+%5Cboldsymbol+D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+x%5C%5C+y+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 。写出反代换公式

$equation?tex=%5C%5B%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+x%5C%5C+y+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D+%7B%5Cboldsymbol+D%5E%7B+-+1%7D%7D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+u%5C%5C+v+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D%5Cboldsymbol+E%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+u%5C%5C+v+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 。则

E的列向量是矩阵 A两个特征向量

$equation?tex=%5C%5B%5Cboldsymbol+E+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7B%5Cboldsymbol+%5Calpha+_1%7D%7D%26%7B%7B%5Cboldsymbol+%5Calpha+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 。乘以

E进行坐标变换，实际上就是将原空间变换至 uv空间，而 uv空间中两个坐标方向对于矩阵 A的操作具有方向不变性，回想原坐标系下，只有特征向量方向才具有这种特性，因此实际上特征向量 α1, α2，分别对应着 uv空间的坐标方向，即 α1 对应

$equation?tex=%5C%5B%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+1%5C%5C+0+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ ，

α2 对应

$equation?tex=%5C%5B%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+0%5C%5C+1+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 。可以代入

$equation?tex=%5C%5B%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+u%5C%5C+v+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+1%5C%5C+0+%5Cend%7Barray%7D%7D+%5Cright%5D%2C%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+0%5C%5C+1+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 加以验证，对应的

$equation?tex=%5C%5B%5Cboldsymbol+E%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+1%5C%5C+0+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 和

$equation?tex=%5C%5B%5Cboldsymbol+E%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+0%5C%5C+1+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 即为矩阵

E 的两个列向量，它们分别就是 α1, α2。

$equation?tex=%5C%5B%28%5Cboldsymbol+A+-+%5Clambda+%5Cboldsymbol++I%29%5Cboldsymbol+%5Calpha++%3D%5Cboldsymbol++0+%5CLeftrightarrow+%5Cboldsymbol+A%5Cboldsymbol+%5Calpha++%3D+%5Clambda+%5Cboldsymbol++%5Calpha+%5C%5D$ 。公式给出了特征值和特征向量的两种定义方式，前一种首先定义特征值是使得行列式

$equation?tex=%5C%5B%5Cleft%7C+%7B%5Cboldsymbol+A+-+%5Clambda+%5Cboldsymbol+I%7D+%5Cright%7C%5C%5D$ 为0的值，而特征向量

α 则是方程组的非 0解；后一种定义更有几何味道，把 A看作是对平面做了一个线性变换，而对某个特定的向量 α，线性变换只是对它做了拉伸或者压缩，而特征值

$equation?tex=%CE%BB$ 就是拉伸或者压缩比例。

因为不是从线代角度出发来全面论证这件事情，因此教授没有顺向去描述，没有一些线代的相关知识做背景，就难于把事情讲得特别通透，而Gilbert Strang的“微分方程和线性代数”在这方面比较有优势。

微分方程组

$equation?tex=%5C%5B%5Cbold+x%27+%3D+%5Cboldsymbol+A%5Cbold+x%5C%5D$ ，做变量代换

$equation?tex=%5C%5B%5Cbold+x+%3D%5Cboldsymbol++E%5Cbold+u%2C%5Cbold+u+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+u%5C%5C+v+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ ，则方程为

$equation?tex=%5C%5B%5Cboldsymbol+E%5Cbold+u%27+%3D%5Cboldsymbol++A%5Cboldsymbol+E%5Cbold+u%5C%5D$ ，其中

$equation?tex=%5C%5B%5Cboldsymbol+%7BAE%7D+%3D%5Cboldsymbol+A%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7B%5Cboldsymbol+%5Calpha+_1%7D%7D%26%7B%7B%5Cboldsymbol+%5Calpha+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%5Cboldsymbol+A%7B%5Cboldsymbol+%5Calpha+_1%7D%7D%26%7B%5Cboldsymbol+A%7B%5Cboldsymbol+%5Calpha+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7B%5Clambda+_1%7D%7B%5Cboldsymbol+%5Calpha+_1%7D%7D%26%7B%7B%5Clambda+_2%7D%7B%5Cboldsymbol+%5Calpha+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7B%5Cboldsymbol+%5Calpha+_1%7D%7D%26%7B%7B%5Cboldsymbol+%5Calpha+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7B%5Clambda+_1%7D%7D%26%7B%7D%5C%5C+%7B%7D%26%7B%7B%5Clambda+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D%5Cboldsymbol+E%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7B%5Clambda+_1%7D%7D%26%7B%7D%5C%5C+%7B%7D%26%7B%7B%5Clambda+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ ，因此有

$equation?tex=%5C%5B%5Cboldsymbol+E%5Cbold+u%27+%3D%5Cboldsymbol+%7BAE%7D%5Cbold+u+%3D%5Cboldsymbol+E%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7B%5Clambda+_1%7D%7D%26%7B%7D%5C%5C+%7B%7D%26%7B%7B%5Clambda+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D%5Cbold+u%5C%5D$ ，得到

$equation?tex=%5C%5B%5Cbold+u%27+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B%7B%5Clambda+_1%7D%7D%26%7B%7D%5C%5C+%7B%7D%26%7B%7B%5Clambda+_2%7D%7D+%5Cend%7Barray%7D%7D+%5Cright%5D%5Cbold+u%5C%5D$ ，即

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7Bu%27+%3D+%7B%5Clambda+_1%7Du%7D%5C%5C+%7Bv%27+%3D+%7B%5Clambda+_2%7Dv%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ 。

通过选择特征向量作为新的基向量，方程组实现了解耦，常数就是特征值。得到的解为

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bl%7D%7D+%7Bu+%3D+%7Bc_1%7D%7Be%5E%7B%7B%5Clambda+_1%7Dt%7D%7D%7D%5C%5C+%7Bv+%3D+%7Bc_2%7D%7Be%5E%7B%7B%5Clambda+_2%7Dt%7D%7D%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ 。

用上面介绍的普适方法解耦方程组

$equation?tex=%5C%5B%7B%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+x%5C%5C+y+%5Cend%7Barray%7D%7D+%5Cright%5D%5E%5Cprime+%7D+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7B+-+2%7D%262%5C%5C+1%26%7B+-+1%7D+%5Cend%7Barray%7D%7D+%5Cright%5D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+x%5C%5C+y+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 。

首先得到特征方程为

$equation?tex=%5C%5B%7B%5Clambda+%5E2%7D+%2B+3%5Clambda++%3D+0%5C%5D$ ，求得特征值

$equation?tex=%5C%5B%7B%5Clambda+_1%7D+%3D+0%2C%7B%5Clambda+_2%7D+%3D++-+3%5C%5D$ ，对应的特征向量为

$equation?tex=%5C%5B%7B%5Cboldsymbol+%5Calpha+_1%7D+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+1%5C%5C+1+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 和

$equation?tex=%5C%5B%7B%5Cboldsymbol+%5Calpha+_2%7D+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+-2%5C%5C+1+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 。因此

$equation?tex=%5C%5B%5Cboldsymbol+E+%3D+%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+1%26%7B+-+2%7D%5C%5C+1%261+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ ，

$equation?tex=%5C%5B%7B%5Cboldsymbol+E%5E%7B+-+1%7D%7D+%3D+%5Cfrac%7B1%7D%7B3%7D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+1%262%5C%5C+%7B+-+1%7D%261+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ 。

所以有

$equation?tex=%5C%5B%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+u%5C%5C+v+%5Cend%7Barray%7D%7D+%5Cright%5D+%3D+%5Cfrac%7B1%7D%7B3%7D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+1%262%5C%5C+%7B+-+1%7D%261+%5Cend%7Barray%7D%7D+%5Cright%5D%5Cleft%5B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+x%5C%5C+y+%5Cend%7Barray%7D%7D+%5Cright%5D%5C%5D$ ，即

$equation?tex=%5C%5B%5Cleft%5C%7B+%7B%5Cbegin%7Barray%7D%7B%2A%7B20%7D%7Bc%7D%7D+%7Bu+%3D+%5Cfrac%7B1%7D%7B3%7D%28x+%2B+2y%29%7D%5C%5C+%7Bv+%3D+%5Cfrac%7B1%7D%7B3%7D%28x+-+y%29%7D+%5Cend%7Barray%7D%7D+%5Cright.%5C%5D$ ，和我们之前通过物理状态讨论的结果只差一个常数项。

在有些复杂问题中，通过这种方法找到的代换关系和新的因变量，从物理方面等于给出了新的性质或者状态的内在联系，有时候这种启发和求解方程同样重要。

山山笔记

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
c++ 解方程组_MIT—微分方程笔记30 常系数解耦线性方程组

第30讲常系数解耦线性方程组Decoupling Linear Systems with Constant Coefficients网易公开课open.163.com齐次方程组。目前介绍了两种求解方法：其一，解特征方程，求特征值特征向量；其二，计算矩阵型指数，用基本矩阵计算即。今天将会介绍另一种计算方法，依然并不省力，相当于换一种语言来描述而已。但是不同的领域有不同的习惯，有的喜欢用...
复制链接

扫一扫