欧拉法求解微分方程

标签：class   语言   精算   git clone   tla   function   .net   没有   相同   

by Conmajia
2014

工程中有时候需要解微分方程，比如这种：

\[ y'=y-\cfrac{2x}{y} \]

\(y(0)=1\). 两边积分，得到：

\[ \begin{align*} \int_{x_n}^{x_{n+1}}y'\mathrm{d} x&=\int_{x_n}^{x_{n+1}}\left(y-\cfrac{2x}{y}\right)\mathrm{d} x \y_{n+1}-y_n&=\int_{x_n}^{x_{n+1}}\left(y-\cfrac{2x}{y}\right)\mathrm{d}x \y&=\sqrt{1+2x} \end{align*} \]

工程上只想要数值解，一般采用差分近似代替微分. 最简单最朴素的办法是用欧拉公式：

\[ \tag{1} y_{n+1}=y_n+\Delta x f(x_n,y_n)\quad n=0,1,2,\cdots \]

推导很简单，对\(x_n\)，有：

\[ y'_n=f(x_n,y_n). \]

对\(y'(x_n)\)有：

\[ \tag{2} y'_n\approx \cfrac{y_{n+1}-y_n}{\Delta x}. \]

式(2)左边叫微商（不是喜提迪丽热巴的那个微商），右侧叫差商（不是淘宝伪劣产品卖家），\(\Delta x=\left|x_{n+1}-x_n\right|\).

代回式(2)，有：

\[ \begin{align*} y'_n=f(x_n,y_n) \Rightarrow\cfrac{y_{n+1}-y_n}{\Delta x} &\approx f(x_n,y_n) \y_{n+1}-y_n &\approx \Delta x f(x_n,y_n) \y_{n+1} &\approx y(x_n)+\Delta x f(x_n,y_n). \end{align*} \]

式(1)的欧拉公式成了：

\[ \tag{3} y_{n+1}=y_n+\Delta x\left(y_n-\cfrac{2x_n}{y_n}\right). \]

假设用myFn函数表示余项\(y_n-\dfrac{2x_n}{y_n}\)：

function myFn(x, y) {
  return y - 2 * x / y;
}

Euler可以这样实现：

function calculate(x0, y0, delta, xn) {
  var yn;
  while(x0 < xn) {
    yn = y0 + delta * myFn(x0, y0);
    y0 = yn;
    x0 = x0 + delta;
  }
  return yn;
}

现在可以开始试验了。

理论上：

\[ y=\sqrt{1+2x}\Rightarrow y(1)=\sqrt{3}\approx 1.7321 \]

\(\sqrt{3}\)是方程的真值，程序的目标是通过计算，得到尽量接近真值的结果.

取\(x_0=0\)，\(y_0=1\)，\(\Delta x=0.1\)，程序计算结果为：

ans = 1.784771

误差3.04%. 减小\(\Delta x\)，比如\(\Delta x=0.0001\)，计算结果为：

ans = 1.732112

误差0.0007%，十分接近真值了.

虽然这个方法可以求到比较精确的解，但是\(\Delta x\)太小的话，while会执行很多次，效率低下.

引入定积分的梯形公式：

\[ \int_{x_n}^{x_{n+1}}f(x,y)\mathrm{d}x\approx\cfrac{\Delta x}{2}\left[f(x_n,y_n)+f(x_{n+1},y_{n+1})\right] \]

式(3)可以写成：

\[ \tag{4} y_{n+1}\approx y_n+\cfrac{\Delta x}{2}\left[f(x_n,y_n)+f(x_{n+1},y_{n+1})\right]. \]

式(3)和式(4)的特点是，前者速度快，精度低；后者速度慢，精度高. 所以对于粗算，可以使用：

\[ y'_{n+1}=y_n+\Delta x f(x_n,y_n) \]

精算，可以用：

\[ y_{n+1}=y_n+\cfrac{\Delta x}{2}\left[f(x_n,y_n)+f(x_{n+1},y'_{n+1})\right]. \]

结合起来，先通过粗算得到\(y'_{n+1}\)的近似值，再进行精算，得到高精度的最终解. 这样的话，既保证了计算结果的准确度，又没有消耗太多的计算资源，保证了计算效率. 下面是改进后的计算程序：

function calculate(x0, y0, delta, xn) {
  var yp, yc;
  while(x0 < xn) {
    yp = y0 + delta * myFn(x0, y0);
    yc = y0 + delta * myFn(x0 + delta, yp);
    y0 = 1 / 2 * (yp + yc);
    x0 = x0 + delta;
  }
  return y0;
}

取\(x_0=0\)，\(y_0=1\)，\(\Delta x=0.1\)，计算结果为：

ans = 1.737867

误差0.33%.

和最早版本（误差3.04%）相比，在\(\Delta x\)相同——意味着循环次数相近——的情况下，精度提高接近10倍.

具体问题具体分析，手工求微分方程基本是这么个思路. 当然，对于《数值分析》和《工程数学》这些课程来说，我上面写的东西不过是小儿科了. 更多的时候，做个伸手党其实很不错的，大把的现成玩意儿可以用，我干嘛还要费那劲呢？

The End. \(\Box\)

欧拉法求解微分方程

标签：class   语言   精算   git clone   tla   function   .net   没有   相同   

原文地址：https://www.cnblogs.com/conmajia/p/solve-differential-equation.html