常微分方程（四）

四、常系数线性方程

1.高阶一维齐次方程的基解矩阵

• 考虑$n$维线性微分方程$\frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=f(t)$，如果引入微分算子$D=\frac{d}{dt}$的记号，可以化简为$P(D)x=f(t)$，其中$P(D):=D^n+a_1{D}^{n-1}+\cdots +a_{n-1}D+a_n$，$P(D)$是关于$D$的多项式，称为算子多项式

• 微分算子$D$可以看作是连续函数空间$C^0(J)$上函数到函数的映射，这里$J$是函数的定义域。算子$D$的定义域为连续可微函数空间$C^1(J)$，这是$C^0(J)$的一个子空间。可以看出，$C^0(J)$和$C^1(J)$都是线性空间，而算子$D$是上面的一个线性算子

• 算子多项式可以进行类似于代数运算的因式分解或因式相乘展开，因此微分算子$D$运算中也满足二项式定理等，即$(D+\lambda {)}^m={\sum }_{k=0}^m{C}_m^k{D}^k{\lambda }^{m-k}$，其中$D$是微分算子，$\lambda$是常数

• 对于齐次方程$\frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=0$的通解，可以采用$Euler$待定指数函数法，也就是寻求形如$x(t)=e^{\lambda t}$的解，其中$\lambda$是待定指数

• 设多项式$P(\lambda )={\lambda }^n+a_1{\lambda }^{n-1}+\cdots +a_{n-1}\lambda +a_n=0$有$n$个互异${\lambda }_1,\cdots ,{\lambda }_n$的根，则$e^{{\lambda }_{1}t},\cdots ,e^{{\lambda }_{n}t}$是方程$\frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=0$的解

  • $D{e}^{\lambda t}=\lambda e^{\lambda t},D^n{e}^{\lambda t}={\lambda }^n{e}^{\lambda t}$，那么$P(D)e^{\lambda t}=P(\lambda )e^{\lambda t}=0$，只有$P(\lambda )=0$

  • $P(\lambda )$是特征多项式，$P(\lambda )=0$是特征方程，$P(\lambda )=0$的根是特征值

  • 朗斯基行列式$W(t)$化简后出现范德蒙行列式，可以证明$n$个互异${\lambda }_1,\cdots ,{\lambda }_n$的$e^{{\lambda }_{1}t},\cdots ,e^{{\lambda }_{n}t}$是方程$\frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=0$的解

  • 互异的根可以是复根，使用欧拉公式展开后分别取实部和虚部，因为复值向量函数$z(t)=x(t)+iy(t)$是实系数矩阵（即$A(t)=A_R(t)$）齐次线性方程组$\frac{dz}{dt}=A(t)z$的解 $⟺$ 实部$x(t)$和虚部$y(t)$都是方程$\frac{dz}{dt}=A(t)z$的解，$\overline{z(t)}$也是$\frac{dz}{dt}=A(t)z$的解，可以理解为齐次线性方程组的叠加原理

• 设多项式方程$P(\lambda )={\lambda }^n+a_1{\lambda }^{n-1}+\cdots +a_{n-1}\lambda +a_n=0$只有$r$个互异的根，它们分别有重数$n_1,\cdots ,n_r$（自然$n_1+\cdots +n_r=n$，则$\begin{array}{ccccc}{e}^{{\lambda }_{1}t}& t{e}^{{\lambda }_{1}t}& \cdots & t^{n_1-1}{e}^{{\lambda }_{1}t}& \\ \cdots & \cdots & \cdots & \cdots & \\ e^{{\lambda }_{r}t}& t{e}^{{\lambda }_{r}t}& \cdots & t^{n_r-1}{e}^{{\lambda }_{r}t}& \end{array}$构成齐次方程$\frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=0$的基本解组

  • $\begin{array}{ccccc}{e}^{{\lambda }_{1}t}& t{e}^{{\lambda }_{1}t}& \cdots & t^{n_1-1}{e}^{{\lambda }_{1}t}& \\ \cdots & \cdots & \cdots & \cdots & \\ e^{{\lambda }_{r}t}& t{e}^{{\lambda }_{r}t}& \cdots & t^{n_r-1}{e}^{{\lambda }_{r}t}& \end{array}$表示的是$n$个函数，而不是一个矩阵，因为第一行有$n_1$个函数，最后一行有$n_r$个函数，重数不一定相等，$n_1+\cdots +n_r=n$，每一行的函数个数相加就是$n$个线性无关的解函数

  • 证明一般形式$e^{\lambda t}{t}^l$是$\frac{d^{n}x}{d{t}^n}+a_1\frac{d^{n-1}x}{d{t}^{n-1}}+\cdots +a_{n}x=0$方程的解，只需证明$P(D)(e^{\lambda t}{t}^l)=0$

    • 乘积函数求导的$Leibniz$公式$(uv{)}^{(m)}={\sum }_{k=0}^m{C}_m^k{u}^{(k)}{v}^{(m-k)}$

    • $D^m(e^{\lambda t}{t}^l)={\sum }_{k=0}^m{C}_m^k(e^{\lambda t}{)}^{(k)}(t^l{)}^{(m-k)}={\sum }_{k=0}^m{C}_m^k{\lambda }^k{e}^{\lambda t}{D}^{m-k}{t}^l=e^{\lambda t}({\sum }_{k=0}^m{C}_m^k{\lambda }^k{D}^{m-k}{t}^l)=e^{\lambda t}({\sum }_{k=0}^m{C}_m^k{\lambda }^k{D}^{m-k})t^l=e^{\lambda t}(D+\lambda {)}^m{t}^l$

    • $P(D)(e^{\lambda t}{t}^l)=e^{\lambda t}P(D+\lambda )t^l$

    • 算子多项式$P(D)$作用于$t^l$时，求导次数$m>l$时失效，即$D^m(t^l)=0,m>l$，$P(D+\lambda )$是关于$D$的多项式函数，将其在$D=0$处展开且略去$D$的次数大于$l$的情况，$P(D+\lambda )=P(\lambda )+\frac{P^{\prime }(\lambda )}{1!}D+\cdots +\frac{P^{(l)}(\lambda )}{l!}{D}^l$

    • $P(D)(e^{\lambda t}{t}^l)=e^{\lambda t}P(D+\lambda )t^l=e^{\lambda t}(P(\lambda )t^l+l{P}^{\prime }(\lambda )t^{l-1}+\cdots +P^{(l)}(\lambda ))$

    • $P(\lambda )=(\lambda -{\lambda }_i{)}^{n_i}Q(\lambda )\Rightarrow P({\lambda }_i)=0$，$P^{\prime }(\lambda )=n_i(\lambda -{\lambda }_i{)}^{n_i-1}Q(\lambda )+(\lambda -{\lambda }_i{)}^{n_i}{Q}^{\prime }(\lambda )\Rightarrow P^{\prime }({\lambda }_i)=0$，$\cdots$，$P^{(n_i-1)}({\lambda }_i)=0$，因此只需$l\le n_i-1$，$P^l({\lambda }_i)=0$

    • 当$l\le n_i$时，$P(D)(e^{{\lambda }_{i}t}{t}^l)=e^{{\lambda }_{i}t}P(D+{\lambda }_i)t^l=e^{{\lambda }_{i}t}(P({\lambda }_i)t^l+l{P}^{\prime }({\lambda }_i)t^{l-1}+\cdots +P^{(l)}({\lambda }_i))=e^{{\lambda }_{i}t}(0\times t^l+l\times 0\times t^{l-1}+\cdots +0)=0$，此时，$e^{{\lambda }_{i}t}{t}^l$满足$P(D)e^{{\lambda }_{i}t}{t}^l=0$，即此时$e^{{\lambda }_{i}t}{t}^l$是齐次方程$P(D)x=0$的解

    • 因此，只需$t$的次数$l$小于等于对应特征值${\lambda }_i$的重数$n_i$时，$e^{{\lambda }_{i}t}{t}^l$就是齐次方程的解，因此$\begin{array}{ccccc}{e}^{{\lambda }_{1}t}& t{e}^{{\lambda }_{1}t}& \cdots & t^{n_1-1}{e}^{{\lambda }_{1}t}& \\ \cdots & \cdots & \cdots & \cdots & \\ e^{{\lambda }_{r}t}& t{e}^{{\lambda }_{r}t}& \cdots & t^{n_r-1}{e}^{{\lambda }_{r}t}& \end{array}$是方程$P(d)x=0$的解

• 设实系数齐次方程$P(D)x=0$有$r$个互异的实特征根${\lambda }_1,\cdots ,{\lambda }_r$及$l$对互异的复特征根${\alpha }_1\pm i{\beta }_1,\cdots ,{\alpha }_l\pm i{\beta }_l$，重数分别为$n_1,\cdots ,n_r$和$m_1,\cdots ,m_l$，且满足${\sum }_{k=1}^r{n}_k+2{\sum }_{k=1}^l{m}_k=n$，则齐次方程$P(D)x=0$有以下实解并组成基本解组$\begin{array}{ccccc}{e}^{{\lambda }_{k}t}& t{e}^{{\lambda }_{k}t}& \cdots & t^{n_k-1}{e}^{{\lambda }_{k}t}& k=1,2,\cdots ,r\\ e^{{\alpha }_{j}t}cos{\beta }_{j}t& t{e}^{{\alpha }_{j}t}cos{\beta }_{j}t& \cdots & t^{m_j-1}{e}^{{\alpha }_{j}t}cos{\beta }_{j}t& j=1,2,\cdots ,l\\ e^{{\alpha }_{j}t}sin{\beta }_{j}t& t{e}^{{\alpha }_{j}t}sin{\beta }_{j}t& \cdots & t^{m_j-1}{e}^{{\alpha }_{j}t}sin{\beta }_{j}t& j=1,2,\cdots ,l\end{array}$

2.微分算子法，比较系数法，拉普拉斯变换法

• 非齐次方程$P(D)x=f(t)$的解可以通过基础解$+$特解表示，通过将高阶一维方程转化为一阶高维方程，只需求得基解矩阵即可根据公式求出通解的一般表示
• 对于特殊的$f(t)$有其他更简单的方法：微分算子法，比较系数法，拉普拉斯变换和拉普拉斯变换法求解常微分方程
• 关于微分算子（$P(D)$是求微分，而$\frac{1}{P(D)}$是求积分，$\frac{1}{P(D)}/P^{-1}(D)$也是一种特殊的微分算子）：
  • 对$k$次多项式$f_k(t)$，如果$\frac{1}{P(x)}$在$x=0$处解析，且可以展开成$\frac{1}{P(x)}=Q_k(x)+H_k(x)$，其中$Q_k(x)$是$k$次多项式，而$H_k(x)$是$k+1$次以上的所有高次项，则$\frac{1}{P(D)}{f}_k(t)=Q_k(D)f_k(t)$，即$\frac{1}{P(D)}$中包含了求$k$次及以下导的部分$Q_k(D)$和求$k+1$及以上次导的部分$H_k(x)$，而对于最高次为$k$的$f_k(t)$,求$k+1$及以上次导后就会变成$0$而失效
    • $\frac{1}{1-D}{f}_k(t)=(1+D+D^2+\cdots +D^k)f_k(t)$，$\frac{1}{1-x}$的展开式实际有无数多项$1+x+x^2+\cdots +x^n$，而只有前$k$项作用于$f_k(t)$之后才会产生非零的式子
  • 若$P(\lambda )\ne 0$，那么$\frac{1}{P(D)}{e}^{\lambda t}=\frac{1}{P(\lambda )}{e}^{\lambda t}$
    • $\frac{1}{P(D^2)}{e}^{iat}=\frac{1}{P(-a^2)}{e}^{iat}$，只要把$D$替换为$\lambda$即可
  • $\frac{1}{P(D)}{e}^{\lambda t}v(t)=e^{\lambda t}\frac{1}{P(D+\lambda )}v(t)$
    • 当$P(\lambda )=0$时，$\frac{1}{P(D)}{e}^{\lambda t}=\frac{1}{P(D)}{e}^{\lambda t}{t}^0=e^{\lambda t}\frac{1}{P(D+\lambda )}{t}^0=e^{\lambda t}\frac{1}{P(D+\lambda )}1$，如果$\frac{1}{P(D+\lambda )}$在$D=0$处可以展开，那么根据第一个性质，$\frac{1}{P(D+\lambda )}$作用于$1$之后，只有$D$为$0$次的项才有效，$\frac{1}{P(D+\lambda )}$根据泰勒公式在$D=0$处展开后，第一项就是$\frac{1}{P(\lambda )}$即$\frac{1}{P(D)}{e}^{\lambda t}=e^{\lambda t}\frac{1}{P(D+\lambda )}1=e^{\lambda t}\frac{1}{P(\lambda )}1=\frac{1}{P(\lambda )}{e}^{\lambda t}$
• 对于$P(D)x=f(t)$下面两个类型适合使用比较系数法：
  • $f(t)=(b_0{t}^k+b_1{t}^{k-1}+\cdots +b_{k-1}t+b_k)e^{{\lambda }_{0}t}$，，${\lambda }_0$是$P(\lambda )$的$m$重特征根（$m$可以是$0$）
    • 此时有特解$x^{\ast }(t)=t^m(c_0{t}^k+c_1{t}^{k-1}+\cdots +c_{k-1}t+c_k)e^{{\lambda }_{0}t}$，其中$c_0,\cdots ,c_k$是待定的常数，通过比较系数可以确定待定的常数
  • $f(t)=[p_k(t)cos\beta t+q_k(t)sin\beta t]e^{\lambda t}$，$\alpha$和$\beta$是实数，$p_k(t)$和$q_k(t)$都是最高为$k$次的多项式，$\alpha +i\beta$是$P(\lambda )=0$的$m$重特征根（$m$可以是$0$）
    • 此时有特解$x^{\ast }(t)=t^m(A_k(t)cos\beta t+B_k(t)sin\beta t)e^{\alpha t}$，其中$A_k(t)$和$B_k(t)$都是最高为$k$次的待定多项式