微分方程（Blanchard Differential Equations 4th）中文版Section1.1

1.1 微分方程建模

使用数学来研究应用时，最困难的部分是将现实生活转化为数学形式。这种转化通常很难，因为它需要将不精确的假设转化为精确的公式。这是无法避免的。建模很难，而提高建模能力的最佳方法与在卡内基音乐厅演奏一样——练习，练习，再练习。

• 什么是模型

重要的是要记住，数学模型和其他类型的模型一样。目标并不是制作“真实”对象的精确副本，而是对真实事物的某些方面进行描述。例如，一个人的肖像、商店里的模特或者一只猪都可以是人类的模型。它们都不是人类的完美复制品，但每个模型都与人类有某些共同之处。绘画描述了某个人的外貌；模特穿着和人一样的衣服；猪是有生命的。这三个模型中哪一个“最好”取决于我们如何使用模型——是为了记住老朋友，购买衣服，还是研究生物学？

我们研究随时间演变的系统的数学模型，但这些模型往往还依赖于其他变量。事实上，现实世界中的系统可能是极其复杂的——怀俄明州的兔子种群数量取决于郊狼的数量、短尾猫的数量、山狮的数量、老鼠的数量（与兔子同类的捕食对象）、农业活动、天气、以及各种兔子疾病等等。我们只能通过做出简化假设，以及将可能或不可能归为一类的效应综合起来，才能构建出足够简单且易于理解的兔子种群模型。

一旦我们建立了模型，我们就应该将模型的预测与来自系统的数据。如果模型和系统一致，那么我们就有信心。我们在创建模型时所做的假设是合理的，我们可以使用模型进行预测。如果系统和模型不一致，那么我们必须研究并改进我们的假设。在任何一种情况下，我们都可以通过将其与模型进行比较来了解更多关于该系统的信息。合理的预测类型取决于我们的假设。如果我们该模型是基于精确的规则，如牛顿运动定律或复利规则，然后我们可以使用该模型进行非常准确的定量预测。如果假设不太精确，或者模型是系统，那么精确的定量预测将是愚蠢的。在这种情况下，我们会使用该模型进行定性预测，例如“年的兔子数量怀俄明州将增加……”定性和定量预处理之间的分界线-措辞本身是不精确的，但我们会看到，它往往更好、更容易制作,即使是最精确的模型的定性使用.

• 数学建模的几点建议
  数学建模的基本步骤如下：
  步骤 1 明晰模型的假设，以及假设描述的研究对象之间的关系。
  步骤 2 完整描述模型中要使用的变量和参数 ——“类似扑克游戏中不同的花色和数字”
  步骤3 使用步骤1中制定的假设来推导与步骤2中的量相关的方程。

第1步是 “科学” 步骤。在步骤1中，我们描述我们认为物理系统是如何工作的，或者至少描述系统最重要的方面是什么？在某些情况下，这些假设是相当推测性的，例如，“兔子不介意过度拥挤。” 在其他情况下，假设非常精确且被广泛接受，例如：“力等于质量和加速度的乘积。” 假设的质量决定了模型的有效性以及模型所涉及的情况。例如，一些种群模型只适用于大环境中的小种群，而另一些则考虑有限的空间和资源。最重要的是，我们必须避免“隐藏的假设”，使模型看起来神秘或合乎逻辑。

第2步是我们命名要研究的数量，如有必要，描述所涉及的单位和规模。离开这一步就像决定说自己的语言，而不告诉任何人这些词的意思。我们模型中的量分为三个基本类别：自变量、因变量和参数。
本书中，自变量几乎总是时间。时间“独立”于模型中的任何其他量。
另一方面，因变量是作为自变量函数的量。例如，如果我们说“位置是时间的函数”，我们的意思是位置是一个取决于时间的变量。我们可以模糊地将用微分方程表示的模型的目标表述为“描述因变量随自变量变化的行为”。例如，我们可能会问因变量是增加还是减少，或者它是振荡还是趋向达到极限。
参数是不随时间变化（通过外部条件或科学实验可调整）的量。例如，当研究火箭运动时，火箭的初始质量是一个参数。当研究高层大气中的臭氧含量，那么冰箱中氟碳化合物的释放速率就是一个参数。当调整参数时，因变量的行为如何变化是模型研究中最重要的方面。
在步骤3中，我们创建方程。我们在这本书中考虑的大多数模型在数学上表示为微分方程。换句话说，我们希望在我们的方程中求导数。查找诸如“…的变化率”或“…的增长率”，因为变化率是导数的同义词。当然还要注意物理模型中的“速度”（位置导数）和“加速度”（速度的导数）。

种群自然增长模型

所有种群自然增长模型基于一个基本的假设：种群变化率与种群数量成正比
即，种群数量变化率仅取决于种群数量，与其他无关。特别地，忽略了空间或资源的限制。这个假设
适用于大环境中的小种群模型。例如：面包上最初少量霉菌点或第一批欧洲移民在美国数量变化。模型很简单。其中自变量 $t$表示时间，因变量 $P$ 表示种群数量，参数 $k$ 表示种群增长率。变量$P$ 的意义取决于应用问题。如：面包霉菌模型中 $P(t)$ 表示霉菌面积（或质量）。美国移民模型中 $P(t)$ 则表示人口数量。根据假设，种群增长的速度 $dP/dt$ 正比于种群数量，等于 $kP$，即 $$\frac{dP}{dt}=kP$$
换句话说，$P$ 的变化率与$P$成正比。请注意，由于与等式两边相关的单位非常一致，我们看到与增长率系数 $k$ 相关的单位是1/时间。
特别是，它是一个一阶方程，因为它只包含因变量的一阶导数，它是一个常微分方程，因为它不包含偏导数。
我们使用我们倾向于使用的 $dP/dt$ Leibniz符号编写了此微分方程。然而，同样的微分方程还有许多其他的表达方法。特别是，我们也可以将此方程式写为 $P^{\prime }=kP$ 或 $\dot{P}=kP$。当自变量为 $t$ 时，通常使用 “点” 符号。

模型预测了什么？

形式固然重要，但更重要的是方程式告诉我们有关建模情况的信息。由于对于某个常数 $k$，$dP/dt=kP$，如果 $P=0$，则 $dP/dt=0$。因此，常数函数 $P(t)=0$ 是微分方程的解。这种特殊类型的解被称为平衡解，因为它永远不变。就种群模型而言，它对应于不存在的物种。
如果在某个时间 $t_0$，$P(t_0)\ne 0$ 则，当 $t=t_0$ 时，
$$\frac{dP}{dt}=kP(t_0)\ne 0.$$
因此，人口不是恒定的。如果 $k>0$ 且 $P(t_0)>0$，我们有
$$\frac{dP}{dt}=kP(t_0)>0,t=t_0$$
随着 $t$ 增大，$P(t)$ 变大，因此 $dP/dt$ 变大。反过来，$P(t)$ 增加得更快。也就是说，增长率随着人口的增加而增加。因此，我们期望函数 $P(t)$ 的图形可能如图1.2所示。

图1.2 满足初始条件 $P(0)>0$ 微分方程的函数图
$t=0$ 时 $P(t)$ 的值称为初始条件。如果我们从不同的初始条件开始，我们得到不同的函数 $P(t)$，如图1.3所示。如果 $P(0)$ 是负的 (记住 $k>0$)，那么对于 $t=0$，我们有 $dP/dt<0$，所以 $P(t)$ 最初是减小的。随着 $t$ 增加，$P(t)$ 变得更负。$t$ 轴下方的图形是 $t$ 轴上方图形的镜像，尽管它们在物理上没有意义，因为负人口没有多大意义。
我们对 $P(t)$ 随 $t$ 增加而增加的方式的分析称为微分方程的定性分析。如果我们关心的只是模型是否预测“人口爆炸”，那么我们可以回答 “是的，只要 $P(0)>0$”。

图1.3 满足不同初始条件的方程的解

微分方程的解析解

另一方面，如果我们知道 $P(0)$ 的精确值 $P_0$，并且我们想要预测 $P(10)$ 或 $P(100)$ 的值，那么我们需要关于函数 $P(t)$ 的更精确的信息。
微分方程连同初始条件
$$\frac{dP}{dt}=kP,P(0)=P_0.$$
称为初值问题。初值问题的解是满足方程及初始条件的函 $P(t)$。也就是说，
$$\frac{dP}{dt}=kP,\text{for all}t\text{and}P(0)=P_0.$$
因此，要找到该微分方程的解，我们必须找到一个函数 $P(t)$，其导数是 $k$ 与 $P(t)$ 的乘积。一种 (不是很微妙的) 寻找这样一个函数的方法是猜测。在这种情况下，相对容易猜测 $P(t)$ 的正确形式，因为我们知道指数函数的导数基本上是它本身。(我们可以通过使用变量分离的方法来消除这种猜测，我们将在下一节中进行描述。但是现在，让我们试试指数，看看它会把我们引向何方。)在尝试了各种形式的指数之后，我们看到
$$P(t)=e^{kt}$$
是一个函数，其导数 $dP/dt=k{e}^{kt}$ 是 $k$ 与 $P(t)$ 的乘积。但是还有其他可能的解决方案，因为 $P(t)=c{e}^{kt}$ (其中 $c$ 是常数) 得出 $dp/dt=c(k{e}^{kt})=k(c{e}^{kt})=kP(t)$。因此，对于常数$c$ 的任何值，所有 $t$ 的 $dP/dt=kP$。
我们有很多微分方程的解，$c$ 的每个值一个。为了确定这些解中哪一个是手头情况下的正确解，我们使用给定的初始条件。我们有
$$P_0=P(0)=c\cdot e^{k\cdot 0}=c\cdot e^0=c\cdot 1=c.$$
因此，我们应该选择 $c=P$