四阶Range-Kutta方法求初值(C++实现)

综述：

        我们知道欧拉方法用到了一个点的函数值，是一阶方法，改进的欧拉方法用到了两个点的函数值，变成了二阶的方法，为了提高精度，用更多的节点的线性组合来计算的近似值。

        构造时要求近似公式在处的Taylor展开式与解在处的taylor展开式的前几项重合，从而使近似公式达到所需要的阶数。

        本文将以一具体微分方程为例，使用C++采用4阶RK方法对其求解。

---

目录

综述：

题目：

4阶R-K公式：

代码实现：

运行结果：

数值解与真实解比较：

总结：

---

题目：

用4阶R-K方法求初值问题

的数值解，取步长h=0.2

4阶R-K公式：

代码实现：

        高阶RK推导起来比欧拉和改进欧拉难不少，主要是选择合适的权值使得截断误差的阶变高，有一点需要注意当RK方法大于4阶后，会多偏导数的项改变权值不会使他为0。

        但是这个代码实现起来更加简单~

#include <iostream>
#include <iomanip>

using namespace std;

class RK
{
public:
	RK(double x0,double y0,int n,double h)
	{
		this->m_h = h;
		this->m_n = n;
		this->m_x = x0;
		this->m_y = y0;
	}
	double fun(double x,double y)//函数y'=y-2x/y
	{
		return (y - (x * 2.0) / y);
	}

	void RKfun()
	{
		double K1, K2, K3, K4;
		K1 = K2 = K3 = K4 = 0.0;
		double yn_next = 0.0;
		int n = this->m_n;
		double sh = this->m_h / 2.0;
		while (n)
		{
			K1 = fun(this->m_x,this->m_y);
			K2 = fun(this->m_x + sh, this->m_y + K1 * sh);
			K3 = fun(this->m_x + sh, this->m_y + K2 * sh);
			K4 = fun(this->m_x + this->m_h, this->m_y + this->m_h * K3);
			yn_next = this->m_y + sh/3.0 * (K1 + 2.0 * K2 + 2.0 * K3 + K4);
			cout << "n = " << this->m_n - n + 1 << "时：  " << "yn = " << setprecision(5)<<yn_next << endl;
			this->m_x += this->m_h;
			this->m_y = yn_next;
			n--;

		}
	}
	int m_n;
	double m_h;
	double m_x;
	double m_y;
};
int main()
{
	RK rk4(0, 1.0, 5, 0.2);
	rk4.RKfun();
	return 0;
}

运行结果：

数值解与真实解比较：

0.2	1.1832	1.1832
0.4	1.3417	1.3416
0.6	1.4833	1.4832
0.8	1.6125	1.6125
1.0	1.7321	1.7321

        由上表可以看出4阶RK方法的精度很高，在等于0.2 0.8 1.0处相等

总结：

        RK方法的导出基于Taylor展开，故它要求所求问题的解具有较高的光滑度。当解充分光滑时，4阶RK方法确实优于改进Euler方法。对于大量实际问题来说，四阶RK方法一般可以达到精度要求。但是如果解的光滑性差，4阶RK求解的效果不如改进Euler。