108
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − + − 一维连续[[动力系统]]的研究起源于 19 世纪末对常[[微分方程]]定性理论的探索。法国数学家亨利·庞加莱（Henri Poincaré）在其著作《天体力学新方法》（1892）中提出了通过几何方法研究[[微分方程]]解整体行为的思想，确立了[[相空间]]、轨道、平衡点与稳定性等基本概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref> 在这一框架下，一维[[动力系统]]通常以自治常[[微分方程]]+ − 为基本形式，其研究重点集中于平衡点的存在性、稳定性及解的定性结构。这些思想构成了低维[[动力系统]]理论的基础。<ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>+ − + − 在研究含参数的一维连续[[动力系统]]时，人们发现系统的定性结构可能随参数变化而发生突变，例如[[平衡点]]的产生、消失或稳定性的改变。这类现象被统一描述为[[分岔]]（bifurcation）。一维系统在[[分岔]]理论的发展中起到了核心作用，典型[[分岔]]类型包括鞍结[[分岔]]、跨临界[[分岔]]和叉形[[分岔]]，一维[[动力系统]]由此成为研究非线性系统结构变化的标准模型。<ref name="Katok1995" /><ref name="Strogatz1994" />+ − 除连续时间模型外，一维离散[[动力系统]]作为相关研究方向逐渐发展。典型例子包括 [[logistic 映射]]+ − + − + − 一维动力学主要的研究对象是一阶自治[[微分方程]]<math>\dot{x}=f(x)</math>，及其解的长期行为。由于模型形式简单，我们可以绘制 <math>f(x)</math> 的函数曲线，横坐标为 <math>>x</math>，纵坐标为 <math>\dot{x}</math>。鉴于此，我们可以将系统视为在一条直线（[[相空间]]）上流动的流体，函数定义了该流体的速度场（[[向量场]]）。通过该速度场我们可以立即看出系统的稳定和不稳定的[[不动点]]，并立即判定处在任意位置为初始状态的解的行为。+ 第27行：
第27行： − + 第52行：
第52行： − + − + − + − 右图给出了一个一维自治系统的 <math>f(x)</math> 函数图像，横轴的箭头表示相流的流向。如图所示，函数 <math>f(x)</math> 有两个零点，这意味着系统有两个[[不动点]]。左侧的[[不动点]]是稳定的，当 <math>x</math> 位于左侧不动点的左侧少许时，其速度向右；当 <math>x</math> 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。+ 第67行：
第67行： − 除了图形化稳定性判据，还可以从严格的数学角度判定该不动点的稳定性。在[[不动点]]<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>，若 <math>f'(x^*) > 0</math>，该[[不动点]]是稳定[[不动点]]；若 <math>f'(x^*) < 0</math>，该[[不动点]]是不稳定[[不动点]]。定义特征时间尺度<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在[[不动点]] <math>x^*</math> 邻域内发生显著变化的时间。+ − + − + 第98行：
第98行： − + − 转化为逐步更新的递推关系，从而在离散时间点上近似计算系统轨道随时间演化的方法<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref><ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>。在[[动力系统]]问题中，解析解往往难以获得，而[[相图]]与轨道结构的定性研究又依赖对轨道的生成与比较，因此数值积分成为研究与数值实验中的基础工具之一<ref name="Strogatz1994" />。+ − 从几何直觉上看，数值积分等价于在状态空间中用有限的时间步长 <math>h</math> 逐步逼近真实轨道：步长越小，局部逼近通常越好，但计算量也随之增加；步长过大则可能引入显著的截断误差，甚至导致数值轨道在定性行为上偏离真实解（例如出现错误的发散或虚假的稳定性）<ref name="Hairer1993" />。因此实际计算常需要在精度、稳定性与计算成本之间进行权衡<ref name="Burden2011" />。+ − + − + − + 第126行：
第126行： − + − + − 从动力学角度看，逻辑斯谛方程刻画了种群数量在规模较小时近似呈指数增长，而随着资源竞争加剧，增长速度逐渐减慢并最终趋向某一稳定上限（环境承载量）的典型过程。这种由正反馈与负反馈共同作用所产生的 S 型增长行为，使该模型成为理解非线性反馈如何改变增长规律的入门范例，并在生态学、流行病学以及更一般的生物动力学建模中得到广泛应用<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>。+ − + − 在最常见的连续时间形式中，逻辑斯谛方程写为+ 第138行：
第138行： − + − 在给定初值条件下，该方程可写出解析解+ 第149行：
第149行： − 除连续时间形式外，逻辑斯谛方程在离散时间建模中也有一个极其重要的对应物：'''[[逻辑斯谛映射]]'''（logistic map）+ 第155行：
第155行： − 该映射在参数变化下可呈现从稳定定点到周期轨道、再到倍周期[[分岔]]与[[混沌]]的丰富动力学行为，因此常被作为一维离散动力系统与[[混沌理论]]的经典示例<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>。+ − 逻辑斯谛模型及其变体广泛用于生态学中的种群增长描述，也常作为更复杂模型（例如加入时间延迟、空间扩散或随机扰动）的基准框架；此外，其 S 型增长形态也被借用到社会科学中的技术扩散与增长过程刻画中，并在形式上与统计学中的逻辑斯谛回归等方法产生联系<ref name="Murray2002" />。+ − + 第165行：
第165行： − + 第183行：
第183行： − + 第199行：
第199行： − + 第205行：
第205行： − + 第211行：
第211行： − 可见等号右侧的函数是一个截距为正，斜率为负的直线，有一个稳定不动点 <math>Q = V_{0}C</math>。另外，从该函数也可明显的看出上面的结论：当电容初始电量为零时，依该函数，其电量会一直增长，无限趋于稳定不动点。+ 第227行：
第227行： − 这是一个典型的一阶惯性环节，电容开始无电量，电压恒定的情况相当于系统的[[阶跃响应]]，而一阶[[惯性系统]]的阶跃响应总是稳定、无震荡的。其响应值达到稳态值的约 <math>63.2\%</math> 所需时间为时间常数 <math>\tau</math>。由[[控制论]]的工具出发，还可以分析 RC 电路在不同输入电压（如脉冲、交流电）下的不同响应（输出电压）。+ − + − 现在考虑输入为单相交流电的情形。假设输入电压随时间变化为 <math>V_{\text{in}}(t) = \sin(\omega t)</math>，其对应的[[拉普拉斯变换]]为 <math>\displaystyle \tilde{V}_{\text{in}}(s) = \frac{\omega}{s^{2} + \omega^{2}}</math>，由系统的[[传递函数]]，可得输出电压的[[拉普拉斯变换]]为+ 第243行：
第243行： − + − + − + 第256行：
第256行： − + − + − 上式被称为企业普适生长方程（General growth equation)+ − 上式方程直接积分，难以给出资产随时间的显式解析表达式，但可以给出企业资产生长轨迹的隐式解+ 第269行：
第269行： − + − + 第285行：
第285行： − + − 分析企业生长方程的动力学性质，我们可知，方程只有一个不动点<math>A = 0</math>，该点意味着企业的资产为0，考虑到企业资产往往不会出现为0的情况，该点并无实际的经济意义。+
添加关键词链接
“直线上的流”研究一维自治[[动力系统]]的几何理论，其[[微分方程]]形式为<math>\displaystyle \frac{\mathrm{d} x}{\mathrm{d} t} = f(x)</math>，其中 <math>f</math> 是定义在实数域（直线）上的函数。其主要通过绘制相图，即 <math>f(x)</math> 的图像，辅以较严格的稳定性分析方法分析系统的行为。该系统虽然简单，但其连续或离散的形式在各领域中均有广泛应用，如[[企业增长模型]]、[[Logistic 映射]]、[[RC 电路]]等等。
“直线上的流”研究一维自治[[动力系统]]的几何理论，其[[微分方程]]形式为<math>\displaystyle \frac{\mathrm{d} x}{\mathrm{d} t} = f(x)</math>，其中 <math>f</math> 是定义在[[实数]]域（直线）上的函数。其主要通过绘制[[相图]]，即 <math>f(x)</math> 的图像，辅以较严格的稳定性分析方法分析系统的行为。该系统虽然简单，但其[[连续]]或离散的形式在各领域中均有广泛应用，如[[企业增长模型]]、[[Logistic 映射]]、[[RC 电路]]等等。
=历史=
=历史=
一维[[连续]][[动力系统]]的研究起源于 19 世纪末对常[[微分方程]]定性理论的探索。法国[[数学]]家亨利·[[庞加莱]]（[[Henri Poincaré]]）在其著作《天体力学新方法》（1892）中提出了通过几何方法研究[[微分方程]]解整体行为的思想，确立了[[相空间]]、轨道、[[平衡点]]与稳定性等基本概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref> 在这一框架下，一维[[动力系统]]通常以自治常[[微分方程]]
<math>\frac{dx}{dt} = f(x)</math>
<math>\frac{dx}{dt} = f(x)</math>
为基本形式，其研究重点集中于[[平衡点]]的存在性、稳定性及解的定性结构。这些思想构成了低维[[动力系统]]理论的基础。<ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
随着[[动力系统]]理论的发展，一维连续系统逐渐成为研究非线性现象的重要模型。研究者系统地建立了相线分析、线性化方法以及稳定性判据，使得在不求显式解的情况下，也能够判断系统的长期行为。一维[[动力系统]]因此被广泛用于阐释非线性常[[微分方程]]的基本定性特征，并成为更高维系统研究的入门模型。<ref name="Strogatz1994">Strogatz, S. H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>
随着[[动力系统]]理论的发展，一维[[连续]]系统逐渐成为研究[[非线性]]现象的重要模型。研究者系统地建立了相线分析、[[线性化]]方法以及稳定性判据，使得在不求显式解的情况下，也能够判断系统的长期行为。一维[[动力系统]]因此被广泛用于阐释[[非线性]]常[[微分方程]]的基本定性特征，并成为更高维系统研究的入门模型。<ref name="Strogatz1994">Strogatz, S. H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>
在研究含参数的一维[[连续]][[动力系统]]时，人们发现系统的定性结构可能随参数变化而发生突变，例如[[平衡点]]的产生、消失或稳定性的改变。这类现象被统一描述为[[分岔]]（bifurcation）。一维系统在[[分岔]]理论的发展中起到了核心作用，典型[[分岔]]类型包括鞍结[[分岔]]、跨[[临界]][[分岔]]和叉形[[分岔]]，一维[[动力系统]]由此成为研究[[非线性系统]]结构变化的标准模型。<ref name="Katok1995" /><ref name="Strogatz1994" />
除[[连续]]时间模型外，一维离散[[动力系统]]作为相关研究[[方向]]逐渐发展。典型例子包括 [[logistic 映射]]
<math>x_{n+1} = r x_n(1 - x_n)</math>，
<math>x_{n+1} = r x_n(1 - x_n)</math>，
其在参数变化下可表现出倍周期[[分岔]]与[[混沌]]行为。<ref name="May1976">May, R. M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref> 尽管离散系统与连续一维动力系统在数学结构与动力学性质上存在显著差异，但二者在[[分岔]]机制、非线性分析思想以及复杂行为的产生方式上具有重要联系，离散一维系统通常被视为连续[[动力系统]]理论的补充研究方向。<ref name="Devaney1986">Devaney, R. L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>
其在参数变化下可表现出倍周期[[分岔]]与[[混沌]]行为。<ref name="May1976">May, R. M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref> 尽管离散系统与[[连续]]一维[[动力系统]]在[[数学]]结构与[[动力学]]性质上存在显著差异，但二者在[[分岔]][[机制]]、[[非线性]]分析思想以及复杂行为的产生方式上具有重要联系，离散一维系统通常被视为[[连续]][[动力系统]]理论的补充研究[[方向]]。<ref name="Devaney1986">Devaney, R. L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>
在现代[[动力系统]]理论中，一维连续[[动力系统]]被视为理解非线性动力学与定性分析方法的基础模型。其简单的[[相空间]]结构使系统行为能够被完整刻画，为研究稳定性、[[分岔]]以及更高维复杂系统提供了直观的理论起点，并在数学教育、物理建模和生物动力学等领域中被广泛作为非线性系统分析的典型示例。<ref name="Strogatz1994" /><ref name="Katok1995" />
在现代[[动力系统]]理论中，一维[[连续]][[动力系统]]被视为理解[[非线性动力学]]与定性分析方法的基础模型。其简单的[[相空间]]结构使系统行为能够被完整刻画，为研究稳定性、[[分岔]]以及更高维[[复杂系统]]提供了直观的理论起点，并在[[数学]]教育、[[物理]]建模和生物[[动力学]]等领域中被广泛作为[[非线性系统]]分析的典型示例。<ref name="Strogatz1994" /><ref name="Katok1995" />
=简介=
=简介=
一维[[动力学]]主要的研究对象是一阶自治[[微分方程]]<math>\dot{x}=f(x)</math>，及其解的长期行为。由于模型形式简单，我们可以绘制 <math>f(x)</math> 的函数曲线，横坐标为 <math>>x</math>，纵坐标为 <math>\dot{x}</math>。鉴于此，我们可以将系统视为在一条直线（[[相空间]]）上流动的流体，函数定义了该流体的速度场（[[向量场]]）。通过该速度场我们可以立即看出系统的稳定和不稳定的[[不动点]]，并立即判定处在任意位置为[[初始状态]]的解的行为。
=主要内容=
=主要内容=
== 几何思维与相线表示 ==
== 几何思维与相线表示 ==
[[文件:相线.png|缩略图|一维[[动力系统]]中的相线示意图，展示状态变量沿实数轴的演化方向与[[不动点]]结构<ref>{{cite web
[[文件:相线.png|缩略图|一维[[动力系统]]中的相线示意图，展示[[状态变量]]沿[[实数]]轴的演化[[方向]]与[[不动点]]结构<ref>{{cite web
|title=Phase line (mathematics)
|title=Phase line (mathematics)
|url=https://en.wikipedia.org/wiki/Phase_line_(mathematics)
|url=https://en.wikipedia.org/wiki/Phase_line_(mathematics)
===[[不动点]]的定义===
===[[不动点]]的定义===
对于一般的映射 <math>g</math>, 满足 <math>g(x^*)=0</math>的点 <math>x^*</math> 成为 <math>g</math> 的[[不动点]]。可以验证对[[不动点]] <math>x^*</math>，有 <math>g(g(x^*)) = g(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。在一维动力学 <math>\displaystyle \frac{\mathrm{d} x}{\mathrm{d} t} = f(x)</math> 中，如果系统处在[[不动点]]的位置，那么系统状态将不再改变，也即 <math>\displaystyle \frac{\mathrm{d} x}{\mathrm{d} t} = 0 = f(x)</math>，因此我们只需研究 <math>f(x)</math> 的零点即可。
对于一般的映射 <math>g</math>, 满足 <math>g(x^*)=0</math>的点 <math>x^*</math> 成为 <math>g</math> 的[[不动点]]。可以验证对[[不动点]] <math>x^*</math>，有 <math>g(g(x^*)) = g(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。在一维[[动力学]] <math>\displaystyle \frac{\mathrm{d} x}{\mathrm{d} t} = f(x)</math> 中，如果系统处在[[不动点]]的位置，那么[[系统状态]]将不再改变，也即 <math>\displaystyle \frac{\mathrm{d} x}{\mathrm{d} t} = 0 = f(x)</math>，因此我们只需研究 <math>f(x)</math> 的零点即可。
===图形化稳定性判据===
===图形化稳定性判据===
如果画出 <math>f(x)</math> 的图像，可以注意到有三种零点。前两种中 <math>f(x)</math> 的图像穿过实轴，在零点两侧函数值异号；第三种零点两侧的函数值同号。根据 <math>f(x)</math> 的几何意义，可以得出下面的三种[[不动点]]：
如果画出 <math>f(x)</math> 的图像，可以注意到有三种零点。前两种中 <math>f(x)</math> 的图像穿过实轴，在零点两侧函数值异号；第三种零点两侧的函数值同号。根据 <math>f(x)</math> 的几何意义，可以得出下面的三种[[不动点]]：
* 稳定[[不动点]]（[[吸引子]]/汇）： 零点左侧为正，右侧为负；向量场箭头从两边指向该点。
* 稳定[[不动点]]（[[吸引子]]/汇）： 零点左侧为正，右侧为负；[[向量场]]箭头从两边指向该点。
* 不稳定[[不动点]]（排斥子/源）： 零点右侧为正，左侧为负；向量场箭头从该点指向两边。
* 不稳定[[不动点]]（排斥子/源）： 零点右侧为正，左侧为负；[[向量场]]箭头从该点指向两边。
* 半稳定[[不动点]]： 零点的两侧同号；从一侧吸引，从另一侧排斥。
* 半稳定[[不动点]]： 零点的两侧同号；从一侧吸引，从另一侧排斥。
右图给出了一个一维[[自治系统]]的 <math>f(x)</math> 函数图像，横轴的箭头表示相流的流向。如图所示，函数 <math>f(x)</math> 有两个零点，这意味着系统有两个[[不动点]]。左侧的[[不动点]]是稳定的，当 <math>x</math> 位于左侧[[不动点]]的左侧少许时，其速度向右；当 <math>x</math> 位于它的右侧少许时，其速度向左。右侧[[不动点]]和左侧相反：向左侧或右侧扰动都会使[[系统状态]]远离右侧的不[[稳定不动点]]。
[[File:fixed_point_1.png|400px|thumb|right|稳定[[不动点]]和不稳定[[不动点]]，引自__PROTECTED_12__]]
[[File:fixed_point_1.png|400px|thumb|right|稳定[[不动点]]和不稳定[[不动点]]，引自__PROTECTED_12__]]
===线性稳定性分析（定量方法）===
===线性稳定性分析（定量方法）===
除了图形化稳定性判据，还可以从严格的[[数学]]角度判定该[[不动点]]的稳定性。在[[不动点]]<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其[[线性化]]方程为<math>\dot{u} \approx f'(x^*)u</math>，若 <math>f'(x^*) > 0</math>，该[[不动点]]是稳定[[不动点]]；若 <math>f'(x^*) < 0</math>，该[[不动点]]是不稳定[[不动点]]。定义特征时间尺度<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在[[不动点]] <math>x^*</math> 邻域内发生显著变化的时间。
===势函数===
===[[势函数]]===
除了使用 <math>f(x)</math> 分析外，还可以使用系统的[[势函数]]<math>V(x)</math>进行分析。它由<math>f(x)=-\frac{dV}{dx}</math>定义。通过该定义，系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动。其中系统的稳定[[不动点]] <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷），而不稳定[[不动点]] <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）
除了使用 <math>f(x)</math> 分析外，还可以使用系统的[[势函数]]<math>V(x)</math>进行分析。它由<math>f(x)=-\frac{dV}{dx}</math>定义。通过该定义，系统行为等价于一个过阻尼粒子在[[势能]]景观<math>V(x)</math>中的运动。粒子总是向[[势能]]减小 (<math>\frac{dV}{dt}\leq 0</math>) 的[[方向]]运动。其中系统的稳定[[不动点]] <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（[[势能]]谷），而不稳定[[不动点]] <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（[[势能]]峰）
==解的性质==
==解的性质==
==数值积分方法==
==数值积分方法==
'''数值积分方法'''（numerical integration methods）是通过将连续时间离散化，把常[[微分方程]]
'''数值积分方法'''（numerical integration methods）是通过将[[连续]]时间离散化，把常[[微分方程]]
<math>\frac{dx}{dt}=f(x,t)</math>
<math>\frac{dx}{dt}=f(x,t)</math>
转化为逐步更新的[[递推关系]]，从而在[[离散时间]]点上近似计算系统轨道随时间演化的方法<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref><ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>。在[[动力系统]]问题中，[[解析解]]往往难以获得，而[[相图]]与轨道结构的定性研究又依赖对轨道的生成与比较，因此数值积分成为研究与数值实验中的基础工具之一<ref name="Strogatz1994" />。
从几何直觉上看，数值积分等价于在[[状态空间]]中用有限的时间步长 <math>h</math> 逐步逼近真实轨道：步长越小，局部逼近通常越好，但计算量也随之增加；步长过大则可能引入显著的截断误差，甚至导致数值轨道在定性行为上偏离真实解（例如出现错误的发散或虚假的稳定性）<ref name="Hairer1993" />。因此实际计算常需要在精度、稳定性与计算成本之间进行[[权衡]]<ref name="Burden2011" />。
数值积分方法可按更新结构与稳定性特征粗略分为以下类别：
数值积分方法可按更新结构与稳定性特征粗略分为以下类别：
* '''显式方法'''：下一步状态由已知的当前信息直接计算，如[[欧拉法]]与各类 [[Runge–Kutta 方法]]；实现简单、计算效率高，但在刚性问题或强敏感系统中可能受到稳定性限制<ref name="Hairer1993" /><ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>。
* '''显式方法'''：下一步状态由已知的当前信息直接计算，如[[欧拉法]]与各类 [[Runge–Kutta 方法]]；实现简单、计算效率高，但在刚性问题或强敏感系统中可能受到稳定性限制<ref name="Hairer1993" /><ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>。
* '''隐式方法'''：下一步状态需通过求解代数方程获得，通常具有更好的稳定性，因此常用于刚性系统或需要较大步长的情形<ref name="Hairer1993" />。
* '''隐式方法'''：下一步状态需通过求解[[代数]]方程获得，通常具有更好的稳定性，因此常用于刚性系统或需要较大步长的情形<ref name="Hairer1993" />。
* '''多步方法'''：利用多个历史时间点的信息更新（如 Adams–Bashforth 与 Adams–Moulton 系列），在长时间积分中可提高效率，但对初始步的生成与误差传播较敏感<ref name="Hairer1993" />。
* '''多步方法'''：利用多个历史时间点的信息更新（如 Adams–Bashforth 与 Adams–Moulton 系列），在长时间积分中可提高效率，但对初始步的生成与误差传播较敏感<ref name="Hairer1993" />。
* '''自适应步长方法'''：通过误差估计动态调整步长，在保证误差控制的同时减少不必要的计算，是工程与科学计算中常见的通用策略<ref name="Butcher2016" />。
* '''自适应步长方法'''：通过误差估计动态调整步长，在保证[[误差控制]]的同时减少不必要的计算，是工程与科学计算中常见的通用[[策略]]<ref name="Butcher2016" />。
在[[动力系统]]研究中，数值积分方法常用于生成相轨迹与时间序列、绘制[[相图]]并辅助分析平衡点稳定性与分岔结构；对于[[混沌]]系统，数值结果对初值与误差传播更为敏感，因此通常更适合作为对'''定性结构'''与'''局部行为'''的数值探索工具，而不宜将单条长时间轨道视为精确预测<ref name="Strogatz1994" /><ref name="Devaney1986" />
在[[动力系统]]研究中，数值积分方法常用于生成相轨迹与[[时间序列]]、绘制[[相图]]并辅助分析[[平衡点]]稳定性与[[分岔]]结构；对于[[混沌]]系统，数值结果对初值与误差传播更为敏感，因此通常更适合作为对'''定性结构'''与'''局部行为'''的数值探索工具，而不宜将单条长时间轨道视为精确预测<ref name="Strogatz1994" /><ref name="Devaney1986" />
关于具体算法形式与误差阶数，通常在各方法的独立条目中详细讨论，如[[欧拉方法]]、[[Runge–Kutta 方法]]等<ref name="Burden2011" /><ref name="Butcher2016" />。
关于具体算法形式与误差阶数，通常在各方法的独立条目中详细讨论，如[[欧拉方法]]、[[Runge–Kutta 方法]]等<ref name="Burden2011" /><ref name="Butcher2016" />。
=== 模型背景与动力学意义 ===
=== 模型背景与[[动力学]]意义 ===
'''[[逻辑斯谛方程]]'''（Logistic equation）是一类用于描述有限资源环境下种群增长的常[[微分方程]]模型。该方程由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出，最初用于解释人口增长过程中由资源限制引起的自我抑制现象，被认为是一维[[动力系统]]方法在种群生物学中的早期且经典的应用实例<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>。
'''[[逻辑斯谛方程]]'''（Logistic equation）是一类用于描述有限资源环境下种群增长的常[[微分方程]]模型。该方程由比利时[[数学]]家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出，最初用于解释人口增长过程中由资源限制引起的自我[[抑制]]现象，被认为是一维[[动力系统]]方法在种群[[生物学]]中的早期且经典的应用实例<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>。
从[[动力学]]角度看，[[逻辑斯谛方程]]刻画了种群数量在规模较小时近似呈指数增长，而随着资源竞争加剧，增长速度逐渐减慢并最终趋向某一稳定上限（环境承载量）的典型过程。这种由[[正反馈]]与[[负反馈]]共同作用所产生的 S 型增长行为，使该模型成为理解[[非线性]][[反馈]]如何改变增长规律的入门范例，并在生态学、[[流行病学]]以及更一般的生物[[动力学]]建模中得到广泛应用<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>。
=== 连续时间模型 ===
=== [[连续]]时间模型 ===
在最常见的[[连续]]时间形式中，[[逻辑斯谛方程]]写为
<math display="block">
<math display="block">
</math>
</math>
其中 <math>N(t)</math> 表示时间 <math>t</math> 的种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量。方程右端由两部分构成：<math>rN</math> 对应“数量越多增长越快”的自催化式增长趋势，而因子 <math>1-\frac{N}{K}</math> 则体现资源限制带来的负反馈，使得当 <math>N</math> 接近 <math>K</math> 时增长率趋于零，从而自然产生增长饱和并形成 S 型增长曲线<ref name="Murray2002" />。
其中 <math>N(t)</math> 表示时间 <math>t</math> 的种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量。方程右端由两部分构成：<math>rN</math> 对应“数量越多增长越快”的[[自催化]]式增长趋势，而因子 <math>1-\frac{N}{K}</math> 则体现资源限制带来的[[负反馈]]，使得当 <math>N</math> 接近 <math>K</math> 时增长率趋于零，从而自然产生增长饱和并形成 S 型增长曲线<ref name="Murray2002" />。
在给定初值条件下，该方程可写出[[解析解]]
<math display="block">
<math display="block">
=== 离散模型与应用拓展 ===
=== 离散模型与应用拓展 ===
除[[连续]]时间形式外，[[逻辑斯谛方程]]在[[离散时间]]建模中也有一个极其重要的对应物：'''[[逻辑斯谛映射]]'''（logistic map）
<math display="block">
<math display="block">
</math>
</math>
该映射在参数变化下可呈现从稳定定点到[[周期轨道]]、再到倍周期[[分岔]]与[[混沌]]的丰富[[动力学]]行为，因此常被作为一维离散[[动力系统]]与[[混沌理论]]的经典示例<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>。
逻辑斯谛模型及其变体广泛用于生态学中的种群增长描述，也常作为更复杂模型（例如加入时间延迟、空间扩散或[[随机]]扰动）的基准框架；此外，其 S 型增长形态也被借用到[[社会科学]]中的技术扩散与增长过程刻画中，并在形式上与[[统计学]]中的[[逻辑斯谛回归]]等方法产生联系<ref name="Murray2002" />。
==RC电路分析==
==RC[[电路]]分析==
===模型定义===
===模型定义===
[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]
[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]
考虑右图所示的 RC 电路，电阻大小为 <math>R</math>，电容量为 <math>C</math>。记左端输入电压为 <math>V_{\text{in}}</math>，电容器两端的电压 <math>V_{C}</math> 为输出电压，电路中的电流为 <math>I</math>。根据基尔霍夫定律，可得下面的方程
考虑右图所示的 RC [[电路]]，电阻大小为 <math>R</math>，电容量为 <math>C</math>。记左端输入[[电压]]为 <math>V_{\text{in}}</math>，电容器两端的[[电压]] <math>V_{C}</math> 为输出[[电压]]，[[电路]]中的电流为 <math>I</math>。根据[[基尔霍夫定律]]，可得下面的方程
<math>
<math>
</math>
</math>
当 <math>V_{\text{in}}</math> 为恒定电压 <math>V_{0}</math> 时，考虑电容 <math>C</math> 上的充电量 <math>Q</math>。有
当 <math>V_{\text{in}}</math> 为恒定[[电压]] <math>V_{0}</math> 时，考虑电容 <math>C</math> 上的充电量 <math>Q</math>。有
<math>
<math>
Q(t) = V_{0}C(1 - e^{-t/RC})
Q(t) = V_{0}C(1 - e^{-t/RC})
</math>
</math>
相应地，也能得到电容器的[[稳态电压]] <math>V_{C}(\infty)</math> 为 <math>V_{0}C</math>，输出电压随时间变化规律为
相应地，也能得到电容器的[[稳态电压]] <math>V_{C}(\infty)</math> 为 <math>V_{0}C</math>，输出[[电压]]随时间变化规律为
<math>
<math>
V_{C}(t) = \frac{Q}{C} = V_{0}(1 - e^{-t/RC}).
V_{C}(t) = \frac{Q}{C} = V_{0}(1 - e^{-t/RC}).
其中 <math>\tau = RC</math> 称为[[时间常数]]，它决定电容器充电的快慢。
其中 <math>\tau = RC</math> 称为[[时间常数]]，它决定电容器充电的快慢。
===势函数的定性视角===
===[[势函数]]的定性视角===
可以将 (RC-1) 写成下面的形式：
可以将 (RC-1) 写成下面的形式：
f(Q) = \dot{Q} = \frac{V_{0}}{R} - \frac{Q}{RC} = -\frac{1}{RC} \cdot Q + \frac{V_{0}}{R}
f(Q) = \dot{Q} = \frac{V_{0}}{R} - \frac{Q}{RC} = -\frac{1}{RC} \cdot Q + \frac{V_{0}}{R}
</math>
</math>
可见等号右侧的函数是一个截距为正，斜率为负的直线，有一个[[稳定不动点]] <math>Q = V_{0}C</math>。另外，从该函数也可明显的看出上面的结论：当电容初始电量为零时，依该函数，其电量会一直增长，[[无限]]趋于[[稳定不动点]]。
===传递函数的视角===
===传递函数的视角===
</math>
</math>
这是一个典型的一阶惯性环节，电容开始无电量，[[电压]]恒定的情况相当于系统的[[阶跃响应]]，而一阶[[惯性系统]]的阶跃响应总是稳定、无震荡的。其响应值达到[[稳态]]值的约 <math>63.2\%</math> 所需时间为时间常数 <math>\tau</math>。由[[控制论]]的工具出发，还可以分析 RC [[电路]]在不同输入[[电压]]（如脉冲、交流电）下的不同响应（输出[[电压]]）。
===频率特性===
===[[频率]]特性===
现在考虑输入为单相交流电的情形。假设输入[[电压]]随时间变化为 <math>V_{\text{in}}(t) = \sin(\omega t)</math>，其对应的[[拉普拉斯变换]]为 <math>\displaystyle \tilde{V}_{\text{in}}(s) = \frac{\omega}{s^{2} + \omega^{2}}</math>，由系统的[[传递函数]]，可得输出[[电压]]的[[拉普拉斯变换]]为
<math>
<math>
</math>
</math>
称 <math>a(\omega) = \displaystyle \frac{1}{(\omega \tau)^{2}+1}</math> 为系统的[[幅频特性]]，<math>\phi(\omega) = -\arctan(\omega \tau)</math> 为其[[相频特性]]。可以看到当交流电频率增加时，输出电压的幅度降低：这是一个简单的[[低通滤波器]]。
称 <math>a(\omega) = \displaystyle \frac{1}{(\omega \tau)^{2}+1}</math> 为系统的[[幅频特性]]，<math>\phi(\omega) = -\arctan(\omega \tau)</math> 为其[[相频特性]]。可以看到当交流电[[频率]]增加时，输出[[电压]]的幅度降低：这是一个简单的[[低通滤波器]]。
==企业生长模型==
==企业生长模型==
'''企业生长模型'''是[[张江]]团队提出的、基于企业[[规模标度律]]和企业财务平衡方程构建的企业资产变化的[[微分方程]]，刻画企业的平均生长动力学
'''企业生长模型'''是[[张江]]团队提出的、基于企业[[规模标度律]]和企业财务平衡方程构建的企业资产变化的[[微分方程]]，刻画企业的平均生长[[动力学]]
=== 数学形式 ===
=== [[数学]]形式 ===
<math>
<math>
\frac{dA}{dt} = \frac{c_IA^{\beta_I}}{1-c_L \beta_L A^{\beta_L-1}}
\frac{dA}{dt} = \frac{c_IA^{\beta_I}}{1-c_L \beta_L A^{\beta_L-1}}
其中：
其中：
* <math>A</math>是企业的资产
* <math>A</math>是企业的资产
* <math>c_I</math>和<math>\beta_I</math>代表企业的资产和企业净利润<math>I</math>之间幂律关系的参数（<math>I = c_I A^{\beta_I}</math>）
* <math>c_I</math>和<math>\beta_I</math>代表企业的资产和企业净利润<math>I</math>之间[[幂律]]关系的参数（<math>I = c_I A^{\beta_I}</math>）
* <math>c_L</math>和<math>\beta_L</math>代表资产和企业总债务<math>L</math>之间的幂律关系参数（<math>L = c_L A^{\beta_L}</math>）
* <math>c_L</math>和<math>\beta_L</math>代表资产和企业总债务<math>L</math>之间的[[幂律]]关系参数（<math>L = c_L A^{\beta_L}</math>）
上式被称为企业普适生长方程（[[Gene]]ral growth equation)
=== 解的形式 ===
=== 解的形式 ===
上式方程直接积分，难以给出资产随时间的显式解析[[表达式]]，但可以给出企业资产生长轨迹的隐式解
<math>
<math>
</math>
</math>
上式被称为企业通用生产曲线（general growth curve），其中，<math>t</math>是企业的市场年龄。右图展示了个体企业时间轨迹在平均尺度上和模型预测的吻合情况，结果显示，在美国、中国和欧洲的上市企业数据集中，模型表现和数据吻合。
上式被称为企业通用生产曲线（general growth curve），其中，<math>t</math>是企业的市场年龄。右图展示了个体企业时间轨迹在平均尺度上和模型预测的吻合情况，结果显示，在[[美国]]、中国和欧洲的上市企业数据集中，模型表现和数据吻合。
详细介绍见[[文件:企业生长曲线.png|400px|thumb|right|企业生长曲线]]
详细介绍见[[文件:企业生长曲线.png|400px|thumb|right|企业生长曲线]]
当<math>\beta_L \approx 1</math>的时候，可以得到一个极佳的近似，此时企业生长方程的解是一个随时间变化的幂律形式：
当<math>\beta_L \approx 1</math>的时候，可以得到一个极佳的近似，此时企业生长方程的解是一个随时间变化的[[幂律]]形式：
<math>
<math>
A(t) \approx c t^{\gamma}
A(t) \approx c t^{\gamma}
===不动点分析===
===[[不动点]]分析===
分析企业生长方程的[[动力学]]性质，我们可知，方程只有一个[[不动点]]<math>A = 0</math>，该点意味着企业的资产为0，考虑到企业资产往往不会出现为0的情况，该点并无实际的经济意义。
===奇异点分析===
===奇异点分析===