常微分方程(ODE)：从基础理论到最新应用的全面解析

常微分方程描述单变量函数的导数关系，是动力学系统建模的核心工具。

定义

$\frac{dy}{dt}=f(t,y),y(t_0)=y_0$

分类

类型	形式
一阶ODE	$y^{\prime }=f(t,y)$
二阶ODE	$y^{\prime \prime }=f(t,y,y^{\prime })$
线性ODE	$y^{\prime }+p(t)y=g(t)$
非线性ODE	一般形式

数值解法

方法	精度	特点
欧拉法	一阶	简单快速
龙格-库塔法	四阶	精度高
隐式法	可变	适合刚性方程

Python 实现

from scipy.integrate import odeint
import numpy as np
 
def dydt(y, t):
    return -y  # y' = -y
 
t = np.linspace(0, 5, 100)
y = odeint(dydt, y0=1, t=t)

应用场景

• 物理系统动力学
• 生物种群模型
• 神经ODE
• 传染病模型

常微分方程描述单变量函数的导数关系，是动力学系统建模的核心工具。

定义

一般形式： $\frac{dy}{dt}=f(t,y),y(t_0)=y_0$

其中 $y$ 是未知函数，$t$ 是自变量，$f$ 是已知函数，$y_0$ 是初值条件。

与 PDE 的区别

类型	自变量	典型应用
ODE	单一变量	动力学系统、电路分析
PDE	多个变量	热传导、流体力学

数值解法

方法	精度	特点
欧拉法	一阶	简单但精度低
龙格-库塔法	四阶	精度高，工业标准
隐式法	可变	适合刚性方程

应用场景

• 物理系统：牛顿力学、电磁学
• 生物模型：种群动力学、传染病模型
• 神经网络：神经ODE、连续深度模型
• 控制理论：最优控制、系统辨识