微分方程(Blanchard Differential Equations 4th)中文版Section3.5

本文主要是介绍微分方程(Blanchard Differential Equations 4th)中文版Section3.5,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

特殊情况: 重根和零特征值的线性系统

在前面的三节中,我们讨论了线性系统

d Y d t = A Y \frac{dY}{dt} = AY dtdY=AY

其中 2 × 2 2 \times 2 2×2 矩阵 A A A 具有两个不同的非零实特征值或一对复共轭特征值。在这些情况下,我们能够使用特征值和特征向量来草绘 x y xy xy 相平面的解,绘制 x ( t ) x(t) x(t) y ( t ) y(t) y(t) 图形,并推导出一般解的显式公式。我们尚未讨论特征多项式 A A A 只有一个根(双重根)的情况,即 A A A 只有一个特征值的情况。在之前的章节中,我们还根据特征值(或特征值实部的符号)对原点的平衡点进行了分类,包括汇点源点鞍点螺旋汇点螺旋源点中心。这种分类方案省略了零是特征值的情况。在本节中,我们将修改我们的方法以处理这些剩余的情况。

大多数二次多项式具有两个不同的非零根,因此只有一个特征值或具有零特征值的线性系统相对较少。这些系统有时被称为退化系统。然而,它们仍然很重要。这些特殊系统形成了最常见类型线性系统之间的“边界”。每当我们研究依赖于参数的线性系统,并且系统在参数变化时改变行为或发生分叉时,这些特殊系统都扮演着关键的角色(见第3.7节)。

具有重复特征值的系统

考虑以下线性系统:
d Y d t = A Y = ( − 2 1 0 − 2 ) Y . \frac{dY}{dt} = AY = \begin{pmatrix} -2 & 1 \\ 0 & -2 \end{pmatrix} Y. dtdY=AY=(2012)Y.
该系统的方向场看起来与我们迄今为止考虑的向量场有所不同,因为似乎只有一条直线解(请注意图3.31中的x轴)。
在这里插入图片描述从代数的角度来看,这个矩阵也很特殊。该系统的特征值是特征多项式的根:

det ( A − λ I ) = ( − 2 − λ ) ( − 2 − λ ) − 0 = ( λ + 2 ) 2 , \text{det}(A − \lambda I) = (-2 − \lambda)(-2 − \lambda) − 0 = (\lambda + 2)^2, det(AλI)=(2λ)(2λ)0=(λ+2)2,

其唯一的根是 λ = − 2 \lambda = -2 λ=2。我们称 λ = − 2 \lambda = -2 λ=2 A A A 的一个重复特征值。通过求解 A Y 0 = − 2 Y 0 AY_0 = -2Y_0 AY0=2Y0 来找到相应的特征向量 Y 0 = ( x 0 , y 0 ) Y_0 = (x_0, y_0) Y0=(x0,y0)。我们有

{ − 2 x 0 + y 0 = − 2 x 0 − 2 y 0 = − 2 y 0 , \begin{cases} -2x_0 + y_0 = -2x_0 \\ -2y_0 = -2y_0, \end{cases} {2x0+y0=2x02y0=2y0,

这表明 y 0 = 0 y_0 = 0 y0=0。因此,所有对应于特征值 λ = − 2 \lambda = -2 λ=2 的特征向量都位于 x 轴上,因此该系统的所有直线解都位于该轴上。向量 ( 1 , 0 ) (1, 0) (1,0) 是与 λ = − 2 \lambda = -2 λ=2 相关的特征向量,因此函数

Y 1 ( t ) = e − 2 t ( 1 0 ) Y_1(t) = e^{-2t} \begin{pmatrix} 1 \\ 0 \end{pmatrix} Y1(t)=e2t(10)

是该系统的一个解。但这只是一个解,正如我们所知,要获得一般解,我们需要两个独立的解。真是遗憾。

另一方面,这也不完全是灾难。我们的目标是理解该系统解的行为。写出一般解的公式肯定有帮助,但这并不是唯一的选择。我们始终可以使用数值和定性方法来研究该系统。

为了获得解的定性描述,我们从这条直线解开始。由于特征值是负的,我们知道解随着 t t t 的增加沿着这条直线趋向原点。通过观察方向场(或使用欧拉方法),我们可以勾画出其他解(见图3.32)。每个解随着 t t t 的增加都会趋向原点,因此 ( 0 , 0 ) (0, 0) (0,0) 是一个汇点。对于不位于 x x x 轴上的初始条件,似乎相应的解会转弯并以与 x x x 轴相切的方向到达原点。这些解看起来像是试图绕着原点旋转,但直线解在某种程度上“阻碍”了它们。在第3.7节中,我们将看到具有重复特征值的线性系统形成了在旋转解和具有两条独立直线解的线性系统之间的“边界”。
在这里插入图片描述

这个例子的通解

求解该系统的一个方法是考虑其分量方程:

d x d t = − 2 x + y \frac{dx}{dt} = -2x + y dtdx=2x+y
d y d t = − 2 y . \frac{dy}{dt} = -2y. dtdy=2y.

我们发现了一个幸运的突破。变量 x x x 没有出现在 d y d t \frac{dy}{dt} dtdy 的方程中,该系统部分解耦了(见第2.4节)。考虑方程

d y d t = − 2 y , \frac{dy}{dt} = -2y, dtdy=2y,

我们注意到其通解为 y ( t ) = y 0 e − 2 t y(t) = y_0 e^{-2t} y(t)=y0e2t,其中常数 y 0 y_0 y0 表示 y ( t ) y(t) y(t) 的初始值。现在我们知道了 y ( t ) y(t) y(t),可以将其代回第一个方程:

d x d t = − 2 x + y 0 e − 2 t . \frac{dx}{dt} = -2x + y_0 e^{-2t}. dtdx=2x+y0e2t.

我们一定过得很好(或者非常巧妙地选择了这个例子),因为这是一个一阶非齐次线性方程 x ( t ) x(t) x(t)。我们可以使用扩展线性原理和第1.8节中讨论的猜测法来求解它。其通解为:

x ( t ) = y 0 t e − 2 t + x 0 e − 2 t , x(t) = y_0 t e^{-2t} + x_0 e^{-2t}, x(t)=y0te2t+x0e2t,

其中常数 x 0 x_0 x0 x ( t ) x(t) x(t) 的初始值。(如果读者不记得如何求解这些方程的解,可以将其视为提醒,回顾第1.8节中发展出的解析技术。)我们可以将通解写成向量形式:

Y ( t ) = ( x ( t ) y ( t ) ) = ( y 0 t e − 2 t + x 0 e − 2 t y 0 e − 2 t ) . Y(t) = \begin{pmatrix} x(t) \\ y(t) \end{pmatrix}= \begin{pmatrix} y_0 t e^{-2t} + x_0 e^{-2t} \\ y_0 e^{-2t} \end{pmatrix}. Y(t)=(x(t)y(t))=(y0te2t+x0e2ty0e2t).

现在我们仔细研究这个解,看看是否有可以推广的模式。如果将包含 t e λ t te^{\lambda t} teλt 的项与仅包含 e λ t e^{\lambda t} eλt 的项分开,我们得到:

Y ( t ) = e − 2 t ( x 0 y 0 ) + t e − 2 t ( y 0 0 ) . Y(t) = e^{-2t} \begin{pmatrix} x_0 \\ y_0 \end{pmatrix}+ t e^{-2t} \begin{pmatrix} y_0 \\ 0 \end{pmatrix}. Y(t)=e2t(x0y0)+te2t(y00).

注意第一个向量是解的初始条件,而第二个向量是一个特征向量,除非 y 0 = 0 y_0 = 0 y0=0。如果 y 0 = 0 y_0 = 0 y0=0,第二项消失,我们得到一条直线解。

一开始,通解中的符号可能让人感到复杂:

Y ( t ) = e − 2 t ( x 0 y 0 ) + t e − 2 t ( y 0 0 ) . Y(t) = e^{-2t} \begin{pmatrix} x_0 \\ y_0 \end{pmatrix}+ t e^{-2t} \begin{pmatrix} y_0 \\ 0 \end{pmatrix}. Y(t)=e2t(x0y0)+te2t(y00).
通解中的符号可能看起来与我们在本章中之前使用的符号有所不同。然而,我们可以将任意初始条件 ( x 0 , y 0 ) (x_0, y_0) (x0,y0) 视为另一对参数。与其将通解表示为两个线性无关解的线性组合,不如用初始条件来表示通解。对于具有重复特征值的情况,这是一种最方便的表达通解的方式。

通解的形式

这种形式的解提供了一些线索,关于如何确定具有重复特征值但只有一条特征向量线性系统的一般解。我们从代数角度考察这个情况。考虑以下形式的系统:

d Y d t = A Y , \frac{dY}{dt} = AY, dtdY=AY,

其中 A A A 具有重复特征值 λ \lambda λ。受到我们示例的启发,我们尝试一种形式的解:

Y ( t ) = e λ t V 0 + t e λ t V 1 . Y(t) = e^{\lambda t} V_0 + t e^{\lambda t} V_1. Y(t)=eλtV0+teλtV1.

注意到 Y ( 0 ) = V 0 Y(0) = V_0 Y(0)=V0,这是 Y ( t ) Y(t) Y(t) 的初始条件。

给定这种形式的 Y ( t ) Y(t) Y(t),我们计算方程 d Y d t = A Y \frac{dY}{dt} = AY dtdY=AY 的两边。对于左边,我们使用乘积法则对 Y ( t ) Y(t) Y(t) 进行微分。我们得到:

d Y d t = λ e λ t V 0 + e λ t V 1 + t λ e λ t V 1 = e λ t ( λ V 0 + V 1 ) + t e λ t ( λ V 1 ) . \frac{dY}{dt} = \lambda e^{\lambda t} V_0 + e^{\lambda t} V_1 + t \lambda e^{\lambda t} V_1 = e^{\lambda t} (\lambda V_0 + V_1) + t e^{\lambda t} (\lambda V_1). dtdY=λeλtV0+eλtV1+tλeλtV1

这篇关于微分方程(Blanchard Differential Equations 4th)中文版Section3.5的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1105245

相关文章

JavaEE7 Servlet 3.1(JSR 340)规范中文版

http://www.iteye.com/news/27727-jinnianshilongnian     Jave EE 7中的部分规范已正式获得批准通过,其中包括JSR340 Java Servlet 3.1规范,去年翻译了该规范,在此分享出来,希望对某些朋友有所帮助,不足之处请指正。   点击直接下载    在线版目录   Servlet3.1规范翻译

Python中差分进化differential_evolution的调用及参数说明

在场景应用中,要求我们的函数计算结果尽可能的逼近实际测量结果,可转化计算结果与测量结果的残差,通过最小化残差,便可求出最优的结果。但使用最小二乘等方法来计算时,常常会使迭代的结果显然局部最优点而导致结算错误。 差分进化原理 差分进化(Differential Evolution,DE)是一种基于群体差异的进化算法,其计算思想主要包括以下几个方面: 一、初始化种群 首先,随机生成一个初始种群

Differential Diffusion,赋予每个像素它应有的力量,以及在comfyui中的测试效果

🥽原论文要点 首先是原论文地址:https://differential-diffusion.github.io/paper.pdf 其次是git介绍地址:GitHub - exx8/differential-diffusion 感兴趣的朋友们可以自行阅读。 首先,论文开篇就给了一个例子: 我们的方法根据给定的图片和文本提示,以不同的程度改变图像的不同区域。这种可控性允许我们再现

MACS bdgdiff: Differential peak detection based on paired four bedGraph files.

参考原文地址:[http://manpages.ubuntu.com/manpages/xenial/man1/macs2_bdgdiff.1.html](http://manpages.ubuntu.com/manpages/xenial/man1/macs2_bdgdiff.1.html) 文章目录 一、MACS bdgdiff 简介DESCRIPTION 二、用法

深度学习中的可微编程:从微分方程到物理模拟

引言 可微编程(Differentiable Programming)是深度学习领域的一个新兴概念,旨在将传统编程中的数学模型(如微分方程)与深度学习模型结合,构建出更加灵活、可解释的模型。这一技术为物理模拟、科学计算等领域带来了新的可能性,使得深度学习不仅能够进行预测,还能融入复杂的物理规律进行精确模拟。本篇博文将探讨可微编程的基本原理、常见应用场景,特别是在物理模拟中的实践,以及未来的发展方

OWASP ZAP2.4.3使用指南(中文版)

OWASP ZAP是一款开源的web安全工具,它简单易用,与burp suite相似,主要功能包含了:代理、数据拦截修改、主动扫描、被动扫描、主动攻击、爬虫、fuzzing、渗透测试等。在国外安全圈和渗透测试领域应用非常广泛,在youtube上有许多关于ZAP的视频资料。与burp suite相比,前者是一款商业渗透测试工具,部分功能不能使用,国内的大部分使用者都使用的破解版,而ZAP是开源免费的

fl studio24.1.1.4285中文版怎么破解?FL Studio 2024安装破解使用图文教程

fl studio24.1.1.4285中文破解版是一款功能强大的编曲软件,也就是众所熟知的水果软件。它可以编曲、剪辑、录音、混音,让您的计算机成为全功能录音室。除此之外,这款软件功能非常强大,为用户提供了许多音频处理工具,包含了编排,录制,编辑,混音和掌握专业品质音乐所需的一切,支持多音轨录音时间拉伸和音高移动原始音频编辑。本身也可以作为VSTi或DXi的插件,Cubase、Logic、Orio

算法导论书本第3版_中文版和英文版_完整版本_带目录_PDF

整理的算法导论资源,下载链接: 中文版: http://download.csdn.net/download/u013359794/10231906 英文版: http://download.csdn.net/download/u013359794/10232121

一阶微分方程的解的存在唯一性定理

本篇笔记的内容来源 常微分方程(第四版) (王高雄,周之铭,朱思铭,王寿松) 高等教育出版社 利普希茨(Lipschitz)条件 考虑导数已解出的一阶微分方程 d y d x = f ( x , y ) (1) \frac{\mathrm{d}y}{\mathrm{d}x}=f(x,y)\tag{1} dxdy​=f(x,y)(1) 其中 f ( x , y ) f(x,y) f(

Windows Server 2019 中文版、英文版下载 (updated Aug 2024)

Windows Server 2019 中文版、英文版下载 (updated Aug 2024) Windows Server 2019 Version 1809 请访问原文链接:https://sysin.org/blog/windows-server-2019/,查看最新版。原创作品,转载请保留出处。 本站将不定期发布官方原版风格月度更新 ISO。 Windows Server