考慮二階線性非齊次微分方程
L(y):=a0y″+a1y′+a2y=f其中 a0,a1,a2 為常數且 f 為在某區間 I 上有定義的任意函數,且 L 為 linear operator。一般而言,求解二階線性非齊次 微分方程可透過 待定係數法 (Undetermined Coefficient Method)求解,然而此法僅適用於特定(常見)的外力函數 f,比如 f=ctkemt 其中 c 為常數,k 為非負整數,m 為實數或者複數。但除此之外其他形式的 f,待定係數法並無法協助我們求解特解,故我們在此介紹一種更泛用的解法 稱作 變動參數法 (Variation of Parameter Method)來求解 二階 常係數 非齊次 微分方程 。
Comment:
此法事實上觀賞價值大於實用價值。因為對於任意高階 ODE 此法失效,但若讀者熟悉系統理論,可知道我們有更強大的工具來幫助我們求解 高階 ODE問題:亦即所謂狀態空間表示法 (State Space Representation),可以將任意高階ODE降為 一階 ODE 系統方程,再透過線性系統理論進行直接求解。
以下我們直接進入主題,考慮二階線性非齊次微分方程
L(y):=a0y″+a1y′+a2y=f
現在令 ϕ1 與 ϕ2 為對 L(y)=0 的一組解基底,且令
ψ:=u1ϕ1+u2ϕ2其中 u1,u2為待定函數。(注意,上式中的 u1,u2 不為常數而是以 t 為變數的函數!)
現在觀察
ψ=u1ϕ1+u2ϕ2ψ′=u1′ϕ1+u1ϕ1′+u2′ϕ2+u2ϕ2′ψ″=u1″ϕ1+u2″ϕ2+2u1′ϕ1′+2u2′ϕ2′+u1ϕ1″+u2ϕ2″由於 L(ϕ1)=0 且 L(ϕ2)=0 ,透過一連串代數整理,我們有
L(ψ)=a0ψ″+a1ψ′+a2ψ=a0(u1″ϕ1+u2″ϕ2+2u1′ϕ1′+2u2′ϕ2′+u1ϕ1″+u2ϕ2″)+a1(u1′ϕ1+u1ϕ1′+u2′ϕ2+u2ϕ2′)+a2(u1ϕ1+u2ϕ2)=a0(u1″ϕ1+u2″ϕ2+2u1′ϕ1′+2u2′ϕ2′)+a1(u1′ϕ1+u2′ϕ2)+u1L(ϕ1)⏟=0+u2L(ϕ2)⏟=0=a0(u1″ϕ1+u2″ϕ2+2u1′ϕ1′+2u2′ϕ2′)+a1(u1′ϕ1+u2′ϕ2)注意到由於我們要求 L(ψ)=f 故我們得到條件:
a0(u1″ϕ1+u2″ϕ2+2u1′ϕ1′+2u2′ϕ2′)+a1(u1′ϕ1+u2′ϕ2)=f(⋆)由於 u1,u2 待定,故我們需要兩條方程來解之,現在觀察上述條件,若我們假設
u1′ϕ1+u2′ϕ2=0(∗)則
u1″ϕ1+u2″ϕ2+u1′ϕ1′+u2′ϕ2′=0故現在讓 (∗) 成立,則條件 (⋆) 可被大幅簡化為
a0(u1′ϕ1′+u2′ϕ2′)=f至此我們獲得了兩條方程來解我們的 u1,u2,亦即
{u1′ϕ1+u2′ϕ2=0u1′ϕ1′+u2′ϕ2′=fa0由上述可解得
u′1=|0ϕ2f/a0ϕ2′||ϕ1ϕ2ϕ1′ϕ2′|⏟=W(ϕ1,ϕ2);u2′=|ϕ10ϕ1′f/a0||ϕ1ϕ2ϕ1′ϕ2′|⏟=W(ϕ1,ϕ2)⇒u1′=−fϕ2a0W(ϕ1,ϕ2);u2′=ϕ1fa0W(ϕ1,ϕ2)由 u′1,u′2 可透過積分求得 u1,u2,亦即
u1=−∫f(s)ϕ2(s)a0W(ϕ1,ϕ2)(s)ds;u2′=∫ϕ1(s)f(s)a0W(ϕ1,ϕ2)(s)ds
以下我們看個例子:
Example:
試利用 variation of parameter 法求解
y″(t)+y(t)=t
Proof:
首先求解 null solution yn(t):令 ϕ(t)=est 代入 ODE 中可得
(s2+1)est=0故 s1,2=±i 故可得
ϕ1(t)=es1t;ϕ2(t)=es2t讀者可驗證上述 ϕ1,ϕ2 彼此線性獨立 (驗證 Wronksian) 故 null solution
yn(t)=c1ϕ1(t)+c2ϕ2(t)=c1eit+c2e−it一旦我們得到 yn 則可利用 variation of parameter 法 求 particular solution yp(t) 令
ψ(t):=c1(t)ϕ1(t)+c2(t)ϕ2(t)=c1(t)eit+c2(t)e−it 則我們可計算
ψ(t)=c1(t)eit+c2(t)e−itψ′(t)=(c1′(t)eit+c2′(t)e−it)⏟:=0+(c1(t)ieit−c2(t)ie−it)ψ″(t)=c1′(t)ieit−c1(t)eit−c2′(t)ie−it−c2(t)e−it=c1′(t)ieit−c2′(t)ie−it−c1(t)eit−c2(t)e−it注意到上述推倒中我們強制讓
c1′(t)eit+c2′(t)e−it:=0(∗) 現在將上述 ψ,ψ′,ψ″ 代入 ODE中可得
ψ″(t)+ψ(t)=t⇒(c1′(t)ieit−c2′(t)ie−it−c1(t)eit−c2(t)e−it)+c1(t)eit+c2(t)e−it=t⇒c1′(t)ieit−c2′(t)ie−it=t(∗∗)現在觀察 (∗) 與 (∗∗) 我們得到一組聯立方程
{c1′(t)eit+c2′(t)e−it=0c1′(t)ieit−c2′(t)ie−it=t⇒{c1′(t)=|0e−itt−ie−it||eite−itieit−ie−it|=t2ie−it;c2′(t)=|eit0ieitt||eite−itieit−ie−it|=−t2ieit對 c′1(t) 與 c′2(t)取積分,可解得 c1,c2 如下
{c1(t)=12i∫te−itdt=12e−it(t−i);c2(t)=−12i∫teitdt=12eit(t+i)故 特解
yp(t)=c1(t)eit+c2(t)e−it=12e−it(t−i)eit+12eit(t+i)e−it=t最後 完整解
y(t)=yn(t)+yp(t)=(c1eit+c2e−it)+t
Comment:
事實上,上述例子可透過 待定係數求解 特解,亦即令
yp(t):=At+B其中 A,B 為待定常數,現在觀察 y′p=A 且
y″p(t)=0故代入 y″+y=t 可得
0+(At+B)=t 亦即 A=1,B=0 亦即我們可直接解得特解
yp(t)=t而無需如前述 變動餐數法繁複的手段來進行求解。
If you can’t solve a problem, then there is an easier problem you can solve: find it. -George Polya
訂閱:
張貼留言 (Atom)
[人工智慧] 本地端 DeepSeek R1 快速安裝:以 Macbook Pro M4 Chip為例
最近火熱的 DeepSeek R1 模型由於採用了 distill 技術,可以大幅降低計算成本,使得一般人有機會在自家筆電上跑性能逼近 Open AI ChatGPT o1的大語言模型。本文簡單介紹一步安裝在 Macbook Pro 的方法以及使用方法,以下測試採用 Macboo...
-
數學上的 if and only if ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做 若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛...
-
這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 No...
-
半導體中的電流是由電子(electron)及電洞(hole)兩種載子(carrier)移動所產生 載子移動的方式: 擴散(diffusion) ⇒ 擴散電流 (不受外力電場作用) 飄移(drift) ⇒ 飄移電流 (受外...
為何可以令 u1′ϕ1+u2′ϕ2=0
回覆刪除