数值分析(六):常微分方程初值问题的数值解法
对应数值分析(七):Euler 法、改进 Euler 法、隐式 Euler 法与梯形方法,局部截断误差与方法的阶,Runge-Kutta 方法,单步法的稳定性,线性多步法与预测-校正算法。
本节导读
这一节对应数值分析大纲「(七)常微分方程初值问题的数值解法」的六条:「简单的数值方法:Euler(尤拉)法和改进 Euler 法,隐式 Euler 法和梯形方法」「单步法的局部截断误差和方法的阶」「Runge-Kutta(龙格-库塔)方法」「单步法的稳定性」「线性多步法」「预测-校正算法」。数值分析的说明写明只要求「初步了解常微分方程」,这一节不需要会解析求解,只要会按公式一步步推进、会判断方法的阶和稳定性。
学完要做到:会用 Euler 法、改进 Euler 法、经典四阶 Runge-Kutta 方法算一步;会由局部截断误差定方法的阶;会用模型方程判断显式方法的步长限制;知道线性多步法和预测-校正算法怎么组织。
本节记号:初值问题 y′=f(x,y),y(x0)=y0;步长 h,节点 xn=x0+nh;yn 是 y(xn) 的近似值,fn=f(xn,yn);模型方程 y′=λy 中的 λ 是常数。
简单的数值方法
四个基本格式
把微分方程在 [xn,xn+1] 上积分,y(xn+1)=y(xn)+∫xnxn+1f(x,y)dx,右端积分用不同的数值求积公式近似,就得到不同的方法:
| 方法 | 公式 | 显式 / 隐式 | 阶 |
|---|---|---|---|
| Euler(尤拉)法 | yn+1=yn+hf(xn,yn) | 显式 | 1 |
| 隐式 Euler 法 | yn+1=yn+hf(xn+1,yn+1) | 隐式 | 1 |
| 梯形方法 | yn+1=yn+2h[fn+f(xn+1,yn+1)] | 隐式 | 2 |
| 改进 Euler 法 | 先用 Euler 法预测,再用梯形方法校正一次 | 显式 | 2 |
Euler 法的几何意义是沿着 (xn,yn) 处的切线走一步,所以又叫折线法。
改进 Euler 法
梯形方法精度高一阶,但 yn+1 出现在等号两边,要解方程。改进 Euler 法用 Euler 法先算一个预测值,代入梯形公式右端:
yˉn+1yn+1=yn+hf(xn,yn)=yn+2h[f(xn,yn)+f(xn+1,yˉn+1)]这是最简单的预测-校正格式,每步算两次 f。
单步法的局部截断误差和方法的阶
单步法可以统一写成 yn+1=yn+hφ(xn,yn,h)。假定 yn=y(xn) 准确,只看这一步引入的误差:
Tn+1=y(xn+1)−y(xn)−hφ(xn,y(xn),h)叫局部截断误差。若 Tn+1=O(hp+1),就说方法是 p 阶的。在适当条件下,从 x0 算到固定点 x 的整体误差是 O(hp),比局部截断误差低一阶(要走 (x−x0)/h 步,误差累积)。
例如 Euler 法:由泰勒展开 y(xn+1)=y(xn)+hy′(xn)+2h2y′′(ξ),局部截断误差是 2h2y′′(ξ)=O(h2),所以 Euler 法是一阶方法。
Runge-Kutta(龙格-库塔)方法
Runge-Kutta 方法的思路:在一步之内多算几个点的斜率,加权平均作为这一步的斜率,使局部截断误差的展开式与泰勒展开对得越多越好,从而不用求 f 的高阶导数就达到高阶。改进 Euler 法就是一种二阶 Runge-Kutta 方法。最常用的是经典四阶 Runge-Kutta 方法:
K1K2K3K4yn+1=f(xn,yn)=f(xn+2h, yn+2hK1)=f(xn+2h, yn+2hK2)=f(xn+h, yn+hK3)=yn+6h(K1+2K2+2K3+K4)每步计算 4 次 f,局部截断误差 O(h5),是四阶方法。它要求解足够光滑;解不光滑时,高阶方法不一定比低阶方法好。
单步法的稳定性
数值方法在计算过程中某一步产生的误差,以后若不被放大,方法就是稳定的。用模型方程 y′=λy(λ<0,真解衰减)来检验:方法作用在它上面得到 yn+1=E(hλ)yn,要求 ∣E(hλ)∣≤1,满足这个条件的 hλ 的范围叫绝对稳定区域。
| 方法 | 增长因子 E(hλ) | λ 为负实数时的条件 |
|---|---|---|
| Euler 法 | 1+hλ | −2≤hλ<0 |
| 改进 Euler 法 | 1+hλ+21(hλ)2 | −2≤hλ<0 |
| 隐式 Euler 法 | 1−hλ1 | 任意 h>0 |
| 梯形方法 | 1−hλ/21+hλ/2 | 任意 h>0 |
经典四阶 Runge-Kutta 方法在负实轴上的稳定区间约为 −2.785≤hλ<0。显式方法都是条件稳定的,∣λ∣ 很大(刚性问题)时步长被迫取得很小;隐式 Euler 法与梯形方法对任意步长都稳定,适合这类问题。
线性多步法与预测-校正算法
线性多步法
单步法算 yn+1 只用 yn;线性多步法利用前面已经算出的几个值,计算量更省。用插值多项式代替 ∫fdx 里的 f,得到 Adams 方法:
yn+1=yn+2h(3fn−fn−1)是二步二阶显式 Adams 公式。常用的四阶公式:
显式: yn+1=yn+24h(55fn−59fn−1+37fn−2−9fn−3)隐式: yn+1=yn+24h(9fn+1+19fn−5fn−1+fn−2)k 步法开始时需要 k 个起步值,通常用同阶的 Runge-Kutta 方法算出。方法的阶仍按局部截断误差的泰勒展开来定。
预测-校正算法
隐式公式精度高、稳定性好,但要解方程;显式公式好算。把两者配合起来:先用显式公式算出预测值(P),算出该点的斜率(E),再代入隐式公式右端校正(C),再算一次斜率(E),这叫 PECE 模式。四阶 Adams 预测-校正就是用上面的显式公式预测、隐式公式校正。
易错提醒
-
❌ 隐式方法和显式方法一样,代入公式就能直接算出 yn+1。
✅ 隐式方法里 yn+1 出现在两边,要解方程,实际计算多用迭代或预测-校正。 -
❌ 线性多步法可以从 y0 直接开始算。
✅ k 步法需要 k 个起步值,前几个用同阶的单步法(如 Runge-Kutta 方法)算出。 -
❌ 步长取得越小,结果一定越准。
✅ 步长过小,步数增多,舍入误差累积,计算量也大;步长要兼顾截断误差和舍入误差。 -
❌ 预测-校正算法要把校正公式反复迭代到收敛为止。
✅ 实用中一般只校正一次(PECE),预测值已经足够接近,多次校正得不偿失。
例题精讲
例题 1(计算:Euler 法与改进 Euler 法)
初值问题 y′=x2−y,y(0)=1,取 h=0.1,分别用 Euler 法和改进 Euler 法求 y(0.1) 的近似值(真解在 x=0.1 处约为 0.905163)。
解:f(0,1)=−1。Euler 法:y1=1+0.1×(−1)=0.9。
改进 Euler 法:预测 yˉ1=0.9,f(0.1,0.9)=0.01−0.9=−0.89;校正 y1=1+0.05×(−1−0.89)=0.9055。
点评:Euler 法误差约 5×10−3,改进 Euler 法约 3×10−4,二阶方法明显更准。
例题 2(计算:稳定性与步长)
对 y′=−20y 取 h=0.15,分别用 Euler 法和隐式 Euler 法计算,判断是否稳定;Euler 法的步长应满足什么条件?
解:hλ=−3。Euler 法 E=1−3=−2,∣E∣>1,误差每步放大一倍,不稳定;隐式 Euler 法 E=1+31=0.25,稳定。Euler 法要求 −2≤hλ,即 h≤0.1。
点评:真解迅速衰减,显式方法步长稍大就会出现正负交替、越来越大的「假振荡」。
本节小结
- Euler 法一阶显式;隐式 Euler 法一阶隐式;梯形方法二阶隐式;改进 Euler 法 = Euler 预测 + 梯形校正,二阶。
- 局部截断误差 O(hp+1) 则方法为 p 阶,整体误差 O(hp)。
- 经典四阶 Runge-Kutta:每步 4 次 f,权 1:2:2:1,四阶。
- 用 y′=λy 检验稳定性:Euler 法、改进 Euler 法要 −2≤hλ;隐式 Euler 法、梯形方法对任意步长稳定。
- 线性多步法(Adams)要起步值;预测-校正:显式预测、隐式校正,常用 PECE。
学完练一练
按本节考点从本课的课后练习里抽题(每次 10 道以内),做完看解析、错题自动进错题本。
本节内容由 AI 辅助编写,配图由 AI 生成,仅供备考参考;考试要求以《全国各类成人高等学校招生考试大纲(2024 年版)》及浙江省教育考试院当年公布为准。