当前位置: 首页 > news >正文

会求解一阶齐次线性微分方程

一阶线性齐次微分方程的形式如下:

dy dx + P ( x ) y = 0 \frac{\text{dy}}{\text{dx}} + P\left( x \right)y = 0dxdy+P(x)y=0

这同样是一种特殊、相对简单的常微分方程,只是比可分离变量方程、齐次微分方程稍显复杂那么一点点。

要想看更多有趣的微积分故事、知识,请参见清华大学出版社的《人人可懂的微积分——用动态、微观、累加的观点来看待微积分》(邓子云著)。

首先,从名称上来理解这种方程。所谓**“一阶”**是指导数只有一阶,不涉及二阶导数和更高阶的导数。

所谓**“齐次”**也具有两层含义。第一层含义看形式。从外观上来看,方程的右边为0,左边除了dy dx \frac{\text{dy}}{\text{dx}}dxdyP ( x ) y P\left( x \right)yP(x)y外,再没有其它的项。第二层含义看实质。这与此前学习的齐次微分方程类似。

如果x xxy yy如果同时乘以常数k ( k ≠ 0 ) k(k \neq 0)k(k=0),可得:

d ( k y ) d ( k y ) + P ( kx ) k y = 0 ⟹ dy dx + P ( kx ) k y = 0 \frac{d(ky)}{d(ky)} + P\left( \text{kx} \right)ky = 0 \Longrightarrow \frac{\text{dy}}{\text{dx}} + P\left( \text{kx} \right)ky = 0d(ky)d(ky)+P(kx)ky=0dxdy+P(kx)ky=0

从形式上来看,它仍然是一个一阶齐次线性微分方程。

所谓**“线性”**就是指没有只有有关y的一次方多项式,不会出现有关y 2 y^{2}y2y dy dx y\frac{\text{dy}}{\text{dx}}ydxdy( dy dx ) 2 \left( \frac{\text{dy}}{\text{dx}} \right)^{2}(dxdy)2等形式的二次方及以上多项式。

**学习点拨:**一阶线性微分方程中也不会出现有关x的二次方及以上多项式,但是P ( x ) P\left( x \right)P(x)中可以出现关于x的二次方及以上多项式。

接下来,看如何求解一阶齐次线性微分方程。

dy dx + P ( x ) y = 0 ⟹ dy dx = − P ( x ) y ⟹ 1 y d y = − P ( x ) d x ⟹ ∫ 1 y dy = − ∫ P ( x ) dx \frac{\text{dy}}{\text{dx}} + P\left( x \right)y = 0 \Longrightarrow \frac{\text{dy}}{\text{dx}} = - P\left( x \right)y \Longrightarrow \frac{1}{y}dy = - P\left( x \right)dx \Longrightarrow \int_{}^{}{\frac{1}{y}\text{dy}} = - \int_{}^{}{P\left( x \right)\text{dx}}dxdy+P(x)y=0dxdy=P(x)yy1dy=P(x)dxy1dy=P(x)dx

⟹ ln ⁡ ∣ y ∣ = − ∫ P ( x ) dx + C ⟹ y = ± e − ∫ P ( x ) dx + C \Longrightarrow \ln\left| y \right| = - \int_{}^{}{P\left( x \right)\text{dx}} + C \Longrightarrow y = \pm e^{- \int_{}^{}{P\left( x \right)\text{dx}} + C}lny=P(x)dx+Cy=±eP(x)dx+C

考虑到e ee的指数中有函数,看起来指数上的文字会比较小,容易看错,所以常把e ee的幂次形式写成exp ⁡ ( ) \exp()exp()的形式。

y = ± e xp ( − ∫ P ( x ) dx + C ) ⟹ y = ± e xp ( − ∫ P ( x ) dx ) e x p ( C ) y = \pm e\text{xp}\left( - \int_{}^{}{P\left( x \right)\text{dx}} + C \right) \Longrightarrow y = \pm e\text{xp}\left( - \int_{}^{}{P\left( x \right)\text{dx}} \right)exp\left( C \right)y=±exp(P(x)dx+C)y=±exp(P(x)dx)exp(C)

这个式子中,因为± e x p ( C ) \pm exp\left( C \right)±exp(C)可正、可负,结果仍然是一个常数,且这个常数可表达出的数值范围是任意的正数、负数,所以± e x p ( C ) \pm exp\left( C \right)±exp(C)可以用另一个常数D DD来代替。因此,可以写为:

y = D ∙ e xp ( − ∫ P ( x ) dx ) y = D \bullet e\text{xp}\left( - \int_{}^{}{P\left( x \right)\text{dx}} \right)y=Dexp(P(x)dx)


**学习点拨:**如何是否可以用常数D DD代替含有常数C CC的项?**标准就看替换后是否影响表达的数值范围。**如果不影响就可以替换。后续的学习中还会有很多这样的简化应用。


要想看更多有趣的微积分故事、知识,请参见清华大学出版社的《人人可懂的微积分——用动态、微观、累加的观点来看待微积分》(邓子云著)。

例:求解方程

dy dx + x 2 y = 0 \frac{\text{dy}}{\text{dx}} + x^{2}y = 0dxdy+x2y=0

dy dx + x 2 y = 0 ⟹ dy dx = − x 2 y ⟹ 1 y d y = − x 2 d x ⟹ ∫ 1 y dy = − ∫ x 2 dx \frac{\text{dy}}{\text{dx}} + x^{2}y = 0 \Longrightarrow \frac{\text{dy}}{\text{dx}} = - x^{2}y \Longrightarrow \frac{1}{y}dy = - x^{2}dx \Longrightarrow \int_{}^{}{\frac{1}{y}\text{dy}} = - \int_{}^{}{x^{2}\text{dx}}dxdy+x2y=0dxdy=x2yy1dy=x2dxy1dy=x2dx

⟹ ln ⁡ ∣ y ∣ = − 1 3 x 3 + C ⟹ y = ± e x p ( − 1 3 x 3 + C ) ⟹ y = D ∙ exp ⁡ ( − 1 3 x 3 ) \Longrightarrow \ln\left| y \right| = - \frac{1}{3}x^{3} + C \Longrightarrow y = \pm exp\left( - \frac{1}{3}x^{3} + C \right) \Longrightarrow y = D \bullet \exp\left( - \frac{1}{3}x^{3} \right)lny=31x3+Cy=±exp(31x3+C)y=Dexp(31x3)

http://www.jsqmd.com/news/229443/

相关文章:

  • StructBERT实战:构建智能评论情感分析系统完整教程
  • 中文情感分析系统设计:StructBERT架构
  • 情感分析系统数据增强:文本生成应用
  • 吐血推荐!9个AI论文平台测评:本科生毕业论文必备
  • 中文情感分析WebUI开发:StructBERT轻量级实战案例
  • StructBERT API集成实战:情感分析服务调用代码
  • 中文情感分析API开发:StructBERT步骤详解
  • 图解M-LAG双活故障场景
  • 中文情感分析快速入门:StructBERT轻量CPU版教程
  • StructBERT WebUI优化:提升用户体验的5个技巧
  • 学习计算机知识的量变质变关系模态分析
  • AutoGLM-Phone-9B部署案例:零售行业智能客服
  • StructBERT轻量级部署:情感分析API调参案例
  • Stable Diffusion懒人包:没N卡也能画,云端1小时1块
  • 中文文本情绪识别API实战:StructBERT调用代码详解
  • StructBERT情感分析模型在企业反馈平台中的应用
  • AI智能实体侦测竞赛全攻略:低成本云端方案助力夺冠
  • 中文情感分析实战:StructBERT模型性能优化与参数详解
  • StructBERT案例:教育领域文本情感分析系统
  • 大模型体验神器:0配置云端GPU,新用户送1小时
  • 中文情感分析模型对比:StructBERT vs BERT实战测评
  • 中文情感分析API服务搭建:StructBERT轻量版部署教程
  • 中文情感分析技术揭秘:StructBERT轻量版架构解析
  • AI智能体旅游规划:自动生成个性路线,旅行社效率翻倍
  • StructBERT情感分析模型部署:保姆级教程
  • 没显卡也能训练AI检测模型?云端Jupyter+预置数据,立马上手
  • 智能工单自动化方案:3个云端AI模型对比评测
  • 没Linux基础能用AI智能体吗?Windows友好云端方案
  • StructBERT情感分析WebUI定制开发:前端界面优化指南
  • 没预算怎么做AI安全?云端GPU按需付费成初创公司首选