线性代数笔记(二十三)——微分方程

一阶线性常微分方程可以通过矩阵的特征分解来求解,将微分方程抽象成矩阵,类似于上一讲差分方程的\(u_k=A^ku_0\),分解出对应系数而得到围绕\(e^{Ax}\)的通解。

微分方程

给定微分方程: \[ \begin{cases} \frac{\mathrm{d} u_1}{\mathrm{d} t}=-u_1+2u_2 \\ \frac{\mathrm{d} u_2}{\mathrm{d} t}=u_1-2u_2 \end{cases} \] 已知\(u(0)=\begin{bmatrix}1 \\ 0\end{bmatrix}\),求\(u(t)\)

微分方程的矩阵解法

方程写作\(\frac{\mathrm{d} u}{\mathrm{d} t}=Au\),其中\(A=\begin{bmatrix}-1&2 \\ 1&-2\end{bmatrix}\)。很明显\(A\)是奇异矩阵,它的两个特征值分别是\(\lambda_1=0\)\(\lambda_2=-3\)

带入特征值求特征向量,易得\(x_1=\begin{bmatrix}2 \\ 1\end{bmatrix},x_2=\begin{bmatrix}1 \\ -1\end{bmatrix}\)

因此,方程组的通解为:\(u(t)=c_1e^{\lambda_1t}x_1+c_2e^{\lambda_2t}x_2\)

这里是根据微分方程通解的形式,带入特征值和特征向量大胆猜测了二者之间的关系。我们可以带入原式来验证一下:\(取u=e^{\lambda_1t}x_1\)带入\(\frac{\mathrm{d} u}{\mathrm{d} t}=Au\),得到\(\lambda_1e^{\lambda_1t}x_1=Ae^{\lambda_1t}x_1\),由于\(e^{\lambda_1t}\)是个常数,因此化简后就是\(\lambda_1x_1=Ax_1\)的形式。同理可以得到\(\lambda_2x_2=Ax_2\),带入得到的就是\(A\)的特征方程,因此通解正是\(u(t)=c_1e^{\lambda_1t}x_1+c_2e^{\lambda_2t}x_2\)

根据初始态\(u(0)\)的值,我们带入可以求得系数\(c\),分别得到:\(c_1=\frac{1}{3},c_2=\frac{1}{3}\)

综上,该微分方程的通解为:\(u(t)=\frac{1}{3}\begin{bmatrix}2 \\1\end{bmatrix}+\frac{1}{3}e^{-3t}\begin{bmatrix}1 \\-1\end{bmatrix}\)

观察该通解,可以发现随着时间\(t\)的流逝,最终的\(u(t)\)会无线趋近于\(\frac{1}{3}\begin{bmatrix}2 \\1\end{bmatrix}\)。这一现象我们称之为趋于稳态。实际上,在做特征值分解时我们就可以观察到,由于\(A\)是奇异矩阵,它的特征值其一是\(0\),此时\(e^{\lambda_1t}\)始终为1,而另一个特征值是小于\(0\)的,此时\(e^{\lambda_2t}\)随着\(t\)增大而无线趋近于\(0\)

\(u(0)\)一开始,\(u_1=1, u_2=0\),该微分方程的物理意义在于,随着时间的流逝,\(u_1\)逐渐减少直到趋近于\(\frac{2}{3}\)\(u_2\)逐渐增加直到趋近于\(\frac{1}{3}\)\(u_1\)的值在朝着\(u_2\)流去,此消彼涨。

特征值与状态的关系

根据微分方程通解的形式,我们总结出以下结论:

  • 当特征值的实部全都是负数时,\(u(t)\)将趋于\(0\)。这里值得注意的是,对于复数特征值\(a+bi\)的形式,只有实数部分会影响\(u(t)\)的走势,虚数部分并不会影响。
    • 比如\(\lambda=-3+6i\),计算\(|e^{(-3+6i)t}|\),其中\(e^{6it}\)部分是\(|\cos6t+i\sin6t|=1\),这个虚部不管是什么值,他始终在复平面的单位圆上转圈。
  • 如果有一个为\(0\)的特征值,且其他特征值的实部皆小于\(0\),则最终\(u(t)\)会收敛到一个特定值。
  • 如果存在某个实部大于\(0\)的特征值,那么最终\(u(t)\)是发散的。

解耦与\(e^{At}\)

对于上述特征方程,原方程组的两个函数\(u_1\)\(u_2\)相互耦合,矩阵对角化分解的解法实际上就是对二者进行解耦,得到特征值和特征向量。我们将\(u\)表示为特征向量的线性组合,写作:\(u=Sv\),代入原方程得到:\(S\frac{\mathrm{d} v}{\mathrm{d} t}=S^{-1}ASv=\Lambda v\),而\(\Lambda\)是对角化矩阵,此时方程可以展开成: \[ \begin{cases} \frac{\mathrm{d} v_1}{\mathrm{d} t}=\lambda_1v_1 \\ \frac{\mathrm{d} v_2}{\mathrm{d} t}=\lambda_2v_2 \\ ... \\ \frac{\mathrm{d} v_n}{\mathrm{d} t}=\lambda_nv_n \\ \end{cases} \]

此时,新方程组的各个\(v_i\)之间就不再耦合,其一般解形式为:\(v(t)=e^{\Lambda t}v(0)\)

因此,\(u(t)=e^{At}u(0)=Se^{\Lambda t}S^{-1}u(0)\)

指数矩阵\(e^{At}\)

这里\(e^{At}\)为什么等于\(Se^{\Lambda t}S^{-1}\)呢?我们可以按泰勒级数进行展开: \[ e^{A t}=I+A t+\frac{(A t)^2}{2}+\frac{(A t)^3}{6}+\cdots+\frac{(A t)^n}{n !}+\cdots \]

而另一方面根据\(A=S\Lambda S^{-1}\)\[ e^{A t}=S S^{-1}+S \Lambda S^{-1} t+\frac{S \Lambda^2 S^{-1}}{2} t^2+\frac{S \Lambda^3 S^{-1}}{6} t^3+\cdots+\frac{S \Lambda^n S^{-1}}{n !} t^n+\cdots \]

提出\(S\)\(S^{-1}\)得到: \[ S\left(I+\Lambda t+\frac{\Lambda^2 t^2}{2}+\frac{\Lambda^3 t^3}{3}+\cdots+\frac{\Lambda^n t^n}{n}+\cdots\right) S^{-1} e^{A t} \]

\(e^{At}=Se^{\Lambda t}S^{-1}\)

最后,来看看\(e^{\Lambda t}\)展开的形状: \[ e^{\Lambda t}=\left[\begin{array}{cccc} e^{\lambda_1 t} & 0 & \cdots & 0 \\ 0 & e^{\lambda_2 t} & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & e^{\lambda_n t} \end{array}\right] \]

实际上看到这里,就会发现最终判断收敛与发散的就是这个矩阵里的特征值,只不过对于微分方程来说,对角线上的元素不是\(\lambda_i^t\),而是\(e^{\lambda_it}\)

二阶微分方程

对于二阶微分方程来说,可以利用上一节应付斐波那契数列的构造法,将:\(y''+by'+ky=0\)处理成: \[ u'=\begin{bmatrix}y'' \\ y'\end{bmatrix}=\begin{bmatrix}-b & -k \\ 1 & 0\end{bmatrix}\begin{bmatrix}y' \\ y\end{bmatrix},(u=\begin{bmatrix}y' \\ y\end{bmatrix}) \]

按照此法可以也可以推广到高阶,比如对5阶就转成一个\(5\times 5\)的矩阵对角化分解特征值、特征向量的问题。 \[ \left[\begin{array}{l} y^{\prime \prime \prime \prime \prime \prime} \\ y^{\prime \prime \prime \prime} \\ y^{\prime \prime \prime} \\ y^{\prime \prime} \\ y^{\prime} \end{array}\right]=\left[\begin{array}{ccccc} -b & -c & -d & -e & -f \\ 1 & 0 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 \end{array}\right]\left[\begin{array}{l} y^{\prime \prime \prime \prime} \\ y^{\prime \prime \prime} \\ y^{\prime \prime} \\ y^{\prime} \\ y \end{array}\right] \]

附录

视频

参考链接


线性代数笔记(二十三)——微分方程
https://r00tk1ts.github.io/2023/10/11/线性代数笔记(二十三)——微分方程/
作者
r00tk1t
发布于
2023年10月11日
许可协议