当前位置: 首页 > news >正文

常微分方程专题四

1.3 待定系数法

定理 1.6 (广义叠加原理)
\(y _ { 1 } , y _ { 2 }\) 分别是 \(L [ y ] = f _ { 1 } ( x ) , L [ y ] = f _ { 2 } ( x )\) 的解, 则 \(y _ { 1 } + y _ { 2 }\)\(L [ y ] = f _ { 1 } ( x ) + f _ { 2 } ( x )\) 的解.

1.3.1 二阶常系数齐次微分方程

例 1.12 讨论形如

\[\frac {\mathrm {d} ^ {2} y}{\mathrm {d} x ^ {2}} + p \frac {\mathrm {d} y}{\mathrm {d} x} + q y = 0 \]

的微分方程的通解.

解: 设 \(y=\mathrm{e}^{rx}\) 是它的解, \(r\) 是待定系数.则

\[\frac{{\rm d}y}{{\rm d}x}=r\mathrm{e}^{rx} \qquad \frac{{\rm d}^2y}{{\rm d}x^2}=r^2\mathrm{e}^{rx} \]

\[r^2\mathrm{e}^{rx}+pr\mathrm{e}^{rx}+q\mathrm{e}^{rx}=0 \Rightarrow r^2+pr+q=0 \]

这时便得到了特征方程.

\(p^2-4q>0\) 时,特征方程有 \(2\) 个不等根 \(r_{1,2}\). 则

\[y_{1}=\mathrm{e}^{r_{1}x},y_{2}=\mathrm{e}^{r_{2}x} \]

都是它的解.又 \(\frac{y_{1}}{y_{2}}\ne\) 常数, \(\Rightarrow y_{1},y_{2}\) 线性无关,于是通解为:

\[y=C_{1}\mathrm{e}^{r_{1}x}+C_{2}\mathrm{e}^{r_{2}x} \]

\(p^2-4q=0\) 时,特征方程有 \(2\) 个等根 \(r_1=r_2=r\). 此时 \(r=-\frac{p}{2}\), 则 \(y_{1}=\mathrm{e}^{rx}\) 是它的解.设 \(y_{2}=u\mathrm{e}^{rx}\) 也是它的解. 则

\[\begin{align*} \frac{{\rm d}y}{{\rm d}x}&=\left(\frac{{\rm d}u}{{\rm d}x}+ru\right)\mathrm{e}^{rx}\\ \frac{{\rm d}^2y}{{\rm d}x^2}&=\left(\frac{{\rm d}^2u}{{\rm d}x^2}+2r\frac{{\rm d}u}{{\rm d}x}+r^2u\right)\mathrm{e}^{rx} \end{align*} \]

代入有

\[\left(\frac{{\rm d}^2u}{{\rm d}x^2}+2r\frac{{\rm d}u}{{\rm d}x}+r^2u\right)\mathrm{e}^{rx}+p\left(\frac{{\rm d}u}{{\rm d}x}+ru\right)\mathrm{e}^{rx}+qu\mathrm{e}^{rx}=0 \]

整理得

\[\frac{{\rm d}^2u}{{\rm d}x^2}+(2r+p)\frac{{\rm d}u}{{\rm d}x}+(r^2+pr+q)x=0 \]

显然有 \(\frac{{\rm d}^2u}{{\rm d}x^2}=0\).可取 \(u=x \Rightarrow y_{2}=x\mathrm{e}^{rx}\) 是它的解. \(y_1,y_2\) 线性无关.于是通解为

\[y=(C_{1}+C_{2}x)\mathrm{e}^{rx} \]

\(p^2-4q<0\) 时,特征方程​有\(2\) 个不等的复根 \(r_{1,2}=\alpha \pm i\beta\).由欧拉公式得

\[\mathrm{e}^{ix}=\cos x+i\sin x\quad \mathrm{e}^{-ix}=\cos x-i\sin x \]

\[\begin{align*} y_{1}&=\mathrm{e}^{r_{1}x}=\mathrm{e}^{(\alpha+i\beta) x}=\mathrm{e}^{\alpha x}\mathrm{e}^{i\beta x}=\mathrm{e}^{\alpha x}(\cos \beta x+i\sin \beta x)\\ y_{2}&=\mathrm{e}^{r_{2}x}=\mathrm{e}^{(\alpha-i\beta) x}=\mathrm{e}^{\alpha x}\mathrm{e}^{-i\beta x}=\mathrm{e}^{\alpha x}(\cos \beta x-i\sin \beta x) \\ y^{*}_{1}&=\frac{1}{2}(y_{1}+y_{2})=\mathrm{e}^{\alpha x}\cos \beta x \\ y^{*}_{2}&=\frac{1}{2}(y_{1}-y_{2})=\mathrm{e}^{\alpha x}\sin \beta x \end{align*} \]

\(y^{*}_{1},y^{*}_{2}\) 线性无关,于是通解为

\[y=\mathrm{e}^{\alpha x}(C_{1}\cos \beta x+C_{2}\sin \beta x) \]

1.3.2 二阶常系数非齐次微分方程

例 1.13 试讨论形如

\[\frac{{\rm d}^2y}{{\rm d}x^2}+p\frac{{\rm d}y}{{\rm d}x}+qy=P_{n}(x)\mathrm{e}^{\alpha x} \]

的微分方程的特解.其中 \(P_{n}(x)\)\(x\)\(n\) 次多项式.

解: 设 \(y ^ { * } = Q ( x ) \mathrm { e } ^ { \alpha x }\) 是它的特解. 则

\[\frac{{\rm d}y^{*}}{{\rm d}x}=\left(\frac{{\rm d}Q}{{\rm d}x}+\alpha Q\right)\mathrm{e}^{\alpha x} \]

\[\begin{align*} \frac{{\rm d}^2y^{*}}{{\rm d}x^2}&=\left(\frac{{\rm d}^2Q}{{\rm d}x^2}+\alpha \frac{{\rm d}Q}{d{\rm d}x}\right)\mathrm{e}^{\alpha x}+\left(\frac{{\rm d}Q}{{\rm d}x}+\alpha Q\right)\mathrm{e}^{\alpha x}\alpha\\ &=\left(\frac{{\rm d}^2Q}{{\rm d}x^2}+2\alpha \frac{{\rm d}Q}{{\rm d}x}+\alpha^2Q\right)\mathrm{e}^{\alpha x} \end{align*} \]

代入得

\[\frac{{\rm d}^2Q}{{\rm d}x^2}+(2\alpha+p)\frac{{\rm d}Q}{{\rm d}x}+(\alpha^2+p\alpha+q)Q=P_{n}(x)\tag{1.3} \]

\(\alpha^2+p\alpha+q\ne 0\)

此时 (1.3) 式左端最高次数为 \(Q(x)\),显然 \(Q(x)\)\(n\) 次多项式, 可取 \(y^{*}=Q_{n}(x)\mathrm{e}^{\alpha x}\).

\(\alpha^2+p\alpha+q= 0\) 但是 \(2\alpha+p \ne 0\)

此时 (1.3) 式左端最高次数为 \(\dfrac{{\rm d}Q}{{\rm d}x}\),显然 \(Q(x)\)\(n+1\) 次多项式, 可取 \(y^{*}=xQ_{n}(x)\mathrm{e}^{\alpha x}\).

\(\alpha^2+p\alpha+q= 2\alpha+p=0\)

同理可取 \(y^{*}=x^2Q_{n}(x)\mathrm{e}^{\alpha x}\).

综上有

\[y^{*}=x^kQ_{n}(x)\mathrm{e}^{\alpha x}\qquad k= \begin{cases} 0& \alpha\text{不是特征方程的根}\\ 1& \text{单根}\\ 2& \text{二重根} \end{cases} \]


例 1.14 试讨论形如

\[\frac {\mathrm {d} ^ {2} y}{\mathrm {d} x ^ {2}} + p \frac {\mathrm {d} y}{\mathrm {d} x} + q y = \left[ P _ {n} ^ {(1)} \cos \beta x + P _ {l} ^ {(2)} (x) \sin \beta x \right] \mathrm {e} ^ {\alpha x} \]

的微分方程的特解. 其中 \(P _ { n } ^ { ( 1 ) } , P _ { l } ^ { ( 2 ) }\) 分别为 \(_ x\)\(n\) 次和 $ { l }$ 次多项式.

解:注意到

\[\mathrm {e} ^ {i \beta x} = \cos \beta x + i \sin \beta x \quad \mathrm {e} ^ {- i \beta x} = \cos \beta x - i \sin \beta x \]

\[\cos \beta x = \frac {\mathrm {e} ^ {i \beta x} + \mathrm {e} ^ {- i \beta x}}{2} \quad \sin \beta x = \frac {\mathrm {e} ^ {i \beta x} - \mathrm {e} ^ {- i \beta x}}{2 i} = - i \frac {\mathrm {e} ^ {i \beta x} - \mathrm {e} ^ {- i \beta x}}{2} \]

可得

\[\begin{align*} f(x)&=\left[P^{(1)}_{n}\cos \beta x+P^{(2)}_{l}(x)\sin \beta x\right]\mathrm{e}^{\alpha x}\\ &=\left[P^{(1)}_{n}(x)\frac{\mathrm{e}^{i\beta x}+\mathrm{e}^{-i\beta x}}{2}+P^{(2)}_{l}(x)\frac{-\mathrm{e}^{i\beta x}+\mathrm{e}^{-i\beta x}}{2}i\right]\mathrm{e}^{\alpha x}\\ &=\left[\frac{P^{(1)}_{n}(x)-P^{(2)}_{l}(x)i}{2}\mathrm{e}^{i\beta x}+\frac{P^{(1)}_{n}(x)+P^{(2)}_{l}(x)i}{2}\mathrm{e}^{-i\beta x}\right]\mathrm{e}^{\alpha x}\\ &=\frac{P^{(1)}_{n}(x)-P^{(2)}_{l}(x)i}{2}\mathrm{e}^{(\alpha+i\beta) x}+\frac{P^{(1)}_{n}(x)+P^{(2)}_{l}(x)i}{2}\mathrm{e}^{(\alpha-i\beta) x} \end{align*} \]

\(g(x)=\frac{P^{(1)}_{n}(x)-P^{(2)}_{l}(x)i}{2}\mathrm{e}^{(\alpha+i\beta) x}\),\(\frac{P^{(1)}_{n}(x)-P^{(2)}_{l}(x)i}{2}\)\(m\) 次多项式. 其中 \(m=\max\{n,l\}\), 则

\[f(x)=g(x)+\overline{g(x)} \qquad L[y]=g(x) \qquad L[y]=\overline{g(x)} \]

\(\alpha +i\beta\) 是特征方程的 \(k\) 重根.(\(k\)\(0\)\(1\))

设特解为 \(y^{*}_{1}=x^kQ_{m}(x)\mathrm{e}^{(\alpha+i\beta)x}\),其中 \(Q_{m}(x)=\frac{R^{(1)}_{m}(x)-iR^{(2)}_{m}(x)}{2}\).于是

\[\begin{align*} y^{*}_{1}&=\frac{1}{2}x^k(R^{(1)}_{m}(x)-iR^{(2)}_{m}(x))\mathrm{e}^{\alpha x}(\cos \beta x+i\sin \beta x)\\ &=\frac{1}{2}x^k\left[(R^{(1)}_{m}(x)\cos \beta x+R^{(2)}_{m}(x)\sin \beta x)+ i(R^{(1)}_{m}(x)\sin \beta x-R^{(2)}_{m}(x)\sin \beta x)\right]\mathrm{e}^{\alpha x} \end{align*} \]

\(f(x)=g(x)+\overline{g(x)}\) 有特解

\[y^{*}=y^{*}_{1}+y^{*}_{2}=y^{*}_{1}+\overline{y^{*}_{1}}=x^k(R^{(1)}_{m}\cos \beta x+R^{(2)}_{m}\sin \beta x)\mathrm{e}^{\alpha x} \]

http://www.jsqmd.com/news/514376/

相关文章:

  • 从相机取景到屏幕成像:深入解析MVP变换的图形学原理
  • Meixiong Niannian画图引擎与内网穿透技术:远程访问解决方案
  • 数电小白必看:74系列芯片实战指南(附TTL与CMOS对比)
  • RK3566金手指核心板:标准化嵌入式SOM设计实践
  • 2026年SCI期刊AI率要求5%以下怎么达标?这4款工具帮你搞定
  • React Hooks 核心原理
  • 第六节:STM32输入捕获实战——超声波测距应用(基于CubeMX与HAL库)
  • 告别“克苏鲁手指”:用ImageReward和ReFL让你的Stable Diffusion生成更符合审美的图片
  • 从生殖崇拜到电路设计:图腾柱驱动为何能成为硬件工程师的‘永动机‘
  • RK3576平台EC20-4G模块设备树配置与4G联网实战
  • SpringBoot项目实战:5分钟搞定SkyWalking+Logback链路追踪(附完整配置)
  • PHP vs Python:30字看透两大语言差异
  • 深入浅出解析:10自由度传动系统模型及其Simulink模拟解释文档
  • 如何用腾讯云服务器+DNSPod快速搭建个人网站?域名解析实战教程
  • DWA算法在ROS移动机器人中的实战调参指南:如何避免局部最优陷阱
  • 计算机毕业设计:Python当当图书数据智能采集分析系统 Django框架 爬虫 Pandas 可视化 大数据 大模型 书籍(建议收藏)✅
  • S7-300 PLC新手避坑指南:从硬件选型到点亮第一个灯(附ET200S配置)
  • TON生态遭遇创始人风波:去中心化信仰能否抵御现实冲击?
  • Paint Board隐藏功能挖掘:除了画画还能这样玩?Web画板的10个创意用法
  • RGBLED库:嵌入式多平台RGB LED统一控制框架
  • 泛微E9与金蝶云星空ERP集成实战:从基础资料到业务单据的完整对接指南
  • Hyper-V云桌面新选择:Windows Server 2025与DoraCloud免费版深度评测
  • 鸿蒙图片处理避坑指南:Image模块常见问题与解决方案
  • 惊艳效果实测:实时手机检测模型识别准确率超预期
  • 电力电子人必备技能:用PLECS小信号分析模块精准优化Buck电路(含CSV数据导出教程)
  • Newtonsoft.Json属性控制全攻略:从基础配置到高级技巧(含序列化/反序列化差异化处理)
  • 【环境配置】Pnpm高效安装与优化配置实战
  • 20252803 2025-2026-2 《网络攻防实践》第1周作业
  • Kotaemon功能体验:如何用RAG技术打造专属文档助手
  • 支付宝上发票抽奖,扫一扫更方便。我还中了个100元