常微分方程

news/2024/10/7 14:23:25

虽然这部分在笔记本上只有短短三页,但总是记不清公式,所以写下来,随时参考

规定 \(\int{p(x)\mathrm{d}x}\) 不含 \(C\)

一阶微分方程

一、变量分离方程

\[\frac{\mathrm d y}{\mathrm d x}=\frac{X(x)}{Y(y)} \]

解:移项积分 \(\int{Y(y)}\mathrm{d}y=\int{X(x)}\mathrm{d}x+C\)

二、齐次方程

\[\frac{\mathrm{d}y}{\mathrm{d}x}=f(\frac{y}{x}) \]

解: 令 \(u=\frac{y}{x}\) ,则 \(u+\frac{\mathrm{d}u}{\mathrm{d}x}x=f(u)\) \(\Rightarrow\) \(\frac{\mathrm{d}u}{f(u)-u}=\frac{\mathrm{d}x}{x}\)

\[\frac{\mathrm{d}y}{\mathrm{d}x}=f(\frac{ax+by+c}{a_1 x+ b_1y+c_1}) \]

解:线性变换,令\( \begin{cases} x=X+h\\ y=Y+k \end{cases}\)
右边分式化为 \(\frac{a(X+h)+b(Y+k)+c}{a_1(X+h)+b_1(Y+k)+c_1}\) ,令\( \begin{cases} ah+bk+c=0\\ a_1h+b_1k+c_1=0 \end{cases}\)

\(\left|\begin{array}{cccc} a & b \\ a_1 & b_1 \\ \end{array}\right| \neq 0\)\(h,k\) 有解,原方程化为 \(\frac{\mathrm{d}Y}{\mathrm{d}X}=f(\frac{aX+bY}{a_1 X+ b_1 Y})\) ,再令 \(u=\frac{Y}{X}\) ,变为可变量分离方程

\(\left|\begin{array}{cccc} a & b \\ a_1 & b_1 \\ \end{array}\right| = 0\) ,则 \((a_1,b_1)=\lambda (a,b)\) ,令 \(u=a x+by\) ,原方程化为 \(\frac{1}{b}\frac{\mathrm{d}u}{\mathrm{d}x}-\frac{a}{b}=f(\frac{u+c}{\lambda u +c_1})\) ,可变量分离

三、线性方程

\[\frac{\mathrm{d}y}{\mathrm{d}x}+p(x)y=q(x) \]

(1) \(q(x)=0\) ,通解为

\[y=Ce^{-\int{p(x)\mathrm{d}x}} \]

(2) \(q(x)\neq 0\) ,常数变易法,令 \(C=c(x)\) ,代回原方程,得到 \(c'(x)=q(x)e^{\int{p(x)\mathrm{d}x}}\) ,故通解为

\[y=e^{-\int{p(x)\mathrm{d}x}}(\int{q(x)e^{\int{p(x)\mathrm{d}x}}\mathrm{d}x+C}) \]

四、伯努利方程

\[\frac{\mathrm{d}y}{\mathrm{d}x}+p(x)y=q(x)y^n \]

\(n=0\)\(1\) 时,就是线性方程

\(n\neq 0\)\(1\) 时,同乘 \(y^{-n}\) ,得 \(\frac{\mathrm{d}y^{1-n}}{\mathrm{d}x}+p(x)y^{1-n}=q(x)\) ,令 \(u=y^{1-n}\) ,化为线性方程

五、全微分方程

二阶线性微分方程

标准形式:

\[y''+p(x)y'+q(x)y=f(x) \]

一般来说,方程的解不是唯一的,通常会包含两个独立的任意常数

二阶线性微分方程解的结构

定理 \(1.\)

\(y_1(x), y_2(x)\) 是齐次方程 \(y''+p(x)y'+q(x)y=0\) 的解,\(c_1,c_2\) 是任意常数,则 \(y_1(x)\)\(y_2(x)\) 的线性组合 \(y(x)=c_1 y_1(x)+c_2 y_2(x)\) 也是齐次方程的解。

定理 \(2.\)

\(y_1(x), y_2(x)\) 是非齐次方程的两个解,则 \(y_1(x)-y_2(x)\) 是齐次方程的解。

\(y_0(x)\) 是非齐次方程的解,\(y(x)\) 是齐次方程的解,则 \(y_0(x)+y(x)\) 仍然是非齐次方程的解。

求出非齐次方程的一个解(称为特解)和齐次方程的通解,就可以得到非齐次方程的通解。

二阶常系数齐次线性微分方程

讨论

\[y''+py'+qy=0 \]

的通解:

\(y=e^{\lambda x}\) ,代入得 \((\lambda ^2+p\lambda +q)e^{\lambda x}=0\) ,有

\[\lambda ^2+p\lambda +q=0 \]

称这个代数方程为微分方程的特征方程,特征方程的根称为微分方程的特征根

  1. 若特征方程有 \(2\) 个互异的实特征根 \(\lambda_1, \lambda_2\)

    \(e^{\lambda_1x},e^{\lambda_2x}\)都是方程的解且线性无关。因此,方程的通解为

    \[y(x)=c_1 e^{\lambda_1x}+c_2 e^{\lambda_2x} \]

  2. 若特征方程有 \(1\) 个实特征重根 \(\lambda = -\frac{p}{2}\)

    显然 \(y_1=e^{\lambda x}\) 为方程的一个解,计算得另一个解为 \(y_2=xe^{\lambda x}\) ,所以通解为

    \[y(x)=c_1 e^{\lambda x}+c_2 xe^{\lambda x} \]

  3. 若特征方程有 \(2\) 个共轭的复数特征根

    \(\lambda_1 =\alpha+\beta i,\lambda_2 =\alpha-\beta i\) ,通解为

    \[y(x)=e^{\alpha x} (c_1 \cos{\beta x}+c_2 \sin{\beta x}) \]

二阶常系数非齐次线性微分方程

讨论

\[y''+py'+qy=f(x) \]

的特解,当 \(f(x)\) 比较特殊时,可以用常数变易法+待定系数法。

情况一 \(f(x)=P_m(x)e^{\mu x}\)

\(y=Q(x)e^{\mu x}\) ,代入得 \(Q''(x)+(2\mu+p)Q'(x)+(\mu ^2+p\mu+q)Q(x)=P_m(x)\)

  1. \(\mu ^2+p\mu+q \neq 0\)\(Q(x)\)\(m\) 次多项式;
  2. \(\mu ^2+p\mu+q = 0\)\(2\mu+p\neq 0\)\(Q(x)\)\(m+1\) 次多项式;
  3. \(\mu ^2+p\mu+q = 0\)\(2\mu+p= 0\)\(Q(x)\)\(m+2\) 次多项式。

情况二 \(f(x)=e^{\lambda x}[P_l(x)\cos{\omega x}+P_n(x)\sin{\omega x}]\)

\(m=max\{l,n\}\) :

  1. \(\lambda + i\omega\) 不是特征方程的根,特解

    \[y(x)=e^{\lambda x}[R^{(1)}_m(x)\cos{\omega x} +R^{(2)}_m(x)\sin{\omega x}] \]

  2. \(\lambda + i\omega\) 是特征方程的根,特解

    \[y(x)=xe^{\lambda x}[R^{(1)}_m(x)\cos{\omega x} +R^{(2)}_m(x)\sin{\omega x}] \]

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hjln.cn/news/42768.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈,一经查实,立即删除!

相关文章

Python爬虫:通过js逆向了解某音请求接口参数a_bogus加密过程

1. 前言 需要提前说明以下,本篇文章讲述的内容仅供学习,切莫用于商业活动,如若被相关人员发现,本小编概不负责!切记。。 本次分析的接口为:https://www.douyin.com/aweme/v1/web/discover/search/ 它的请求方式为:GET 请求需要的参数有:请求参数中需要进行js逆向是:a_…

Chapter1 p1 Output Image

由于本文章是对TinyRenderer的模仿,所以并不打算引入外部库。 那么我们第一步需要解决的就是图形输出的问题,毕竟,如果连渲染的结果都看不到,那还叫什么Renderer嘛。 由于不引入外部库,所以选择输出的图片格式应该越简单越好,各种位图就成为了我们的首选。 这里我们选择了…

吴恩达机器学习第三课 Unsupervised learning recommenders reinforcement learning

Unsupervised learning recommenders reinforcement learning 1.1 课程介绍2.1 什么是聚类

KPTI——可以缓解“熔断” (Meltdown) 漏洞的内核新特性

Linux 内核修复办法:内核页表隔离KPTl(kernel page table isolation)每个进程一张页表变成两张:运行在内核态和运行在用户态时分别使用各自分离的页表Kernel页表包含了进程用户空间地址的映射和Kernel使用的内存映射用户页表仅仅包含了用户空间的内存映射以及内核跳板的内存映射…

吴恩达机器学习第二课 Advanced Learning Algorithms

Advanced Learning Algorithms week1 1.1 神经元和大脑1.2 需求预测构建自己神经网络的时候:需要决定隐藏层的个数和每个隐藏层的神经元个数1.3 图像感知 像素的亮度值从0~255变化 人脸识别:训练一个神经网络,以一个特征向量作为输入,输出图片中人的身份2.1 神经网络中的网…

nanoDLA逻辑分析仪上手教程

逻辑分析仪分析自定义总线数据前言 最近调试NXP FRDM-MCXN947开发板,发现它的硬件i2c接口读取的传感器数据老是不对,排查了硬件电路也发现不了啥问题;于是乎想到用逻辑分析仪试一下,果然很快定位到问题所在;还是那句话,用对的工具做对的事情,别浪费时间!这篇文章主要关…

字符串处理,push pop路径,组合命令

字符串处理字符串截取、命令嵌套命令格式:%变量名:~ m,n%,其中,m表示开始位置(默认开头),n表示从m位置开始向后截取的字符个数(默认到结尾),若n为负数则表示向前截取个数,作用:将命令中的某段字符截取,通过call将字符做为命令执行。 @echo offset str1=aaa echo ok bbb…

V-STARS 摄影测量基础

本文翻译了 GSI 公司官方网站中所提供的“摄影测量基础”文章。V-STARS 摄影测量基础[!NOTE] 本文翻译自 Geodetic Systems Inc,原文链接:https://www.geodetic.com/basics-of-photogrammetry/ 。摄影测量 摄影测量基础知识 在描述V-STARS系统(Video-Simultaneous Triangula…