“平均法”的版本间的差异
（建立内容为“{{#seo: |keywords=平均法,弱非线性振荡,摄动法 |description=平均法是动力系统中用于分析弱非线性振荡极限环振幅与稳定性的近…”的新页面） |
（没有差异）
|
2026年5月8日 (五) 16:42的最新版本
在动力系统理论中，平均法（averaging method）是分析弱非线性振荡极限环的主要近似工具，适用于含小参数 [math]\displaystyle{ \varepsilon \ll 1 }[/math] 的系统。其核心思想是：对于慢变量，用其在快速振荡周期上的平均值代替瞬时值，从而将原方程化为更易分析的平均方程。[1]
弱非线性振荡
当非线性参数较小时，系统可视为在线性谐振子基础上的小扰动，此类极限环称为弱非线性振荡（weakly nonlinear oscillation）。对于形如
[math]\displaystyle{ \ddot{x} + x + \varepsilon f(x, \dot{x}) = 0, \quad 0 \lt \varepsilon \ll 1 }[/math]
的系统，极限环振幅与频率均可展开为 [math]\displaystyle{ \varepsilon }[/math] 的幂级数。在最低阶近似下，假设解的形式为 [math]\displaystyle{ x(t) \approx a\cos(t + \phi) }[/math]，其中振幅 [math]\displaystyle{ a }[/math] 随时间缓慢变化。将此形式代入方程，利用消除久期项的条件，可得振幅满足的慢变方程：[2]
[math]\displaystyle{ \dot{a} = -\frac{\varepsilon}{2\pi} \int_0^{2\pi} f(a\cos\psi,\ -a\sin\psi)\sin\psi\, d\psi }[/math]
令 [math]\displaystyle{ \dot{a} = 0 }[/math] 即可求得极限环振幅的一阶近似值。
示例：Van der Pol 振子（[math]\displaystyle{ \varepsilon = \mu \ll 1 }[/math]，[math]\displaystyle{ f = -(1-x^2)\dot{x} }[/math]）
代入上式积分后得： [math]\displaystyle{ \dot{a} = \frac{\mu}{2}a\left(1 - \frac{a^2}{4}\right) }[/math]
令 [math]\displaystyle{ \dot{a} = 0 }[/math] 解得 [math]\displaystyle{ a = 2 }[/math]，即极限环振幅的一阶近似为 2，与数值结果在小 [math]\displaystyle{ \mu }[/math] 极限下高度吻合。[2]
平均方程
对于标准形式的弱非线性系统，引入变分换元 [math]\displaystyle{ x = a(t)\cos\theta(t) }[/math]、[math]\displaystyle{ \dot{x} = -a(t)\sin\theta(t) }[/math]（其中 [math]\displaystyle{ \theta = t + \phi(t) }[/math]），可将原方程改写为振幅 [math]\displaystyle{ a }[/math] 与相位 [math]\displaystyle{ \phi }[/math] 的慢变方程组。对这两个方程在一个周期 [math]\displaystyle{ [0, 2\pi] }[/math] 上取平均，得到平均方程（averaged equations）：[3]
[math]\displaystyle{ \dot{a} = \frac{\varepsilon}{2\pi}\int_0^{2\pi} g(a,\psi)\,d\psi }[/math]
[math]\displaystyle{ \dot{\phi} = \frac{\varepsilon}{2\pi}\int_0^{2\pi} h(a,\psi)\,d\psi }[/math]
其中 [math]\displaystyle{ g }[/math]、[math]\displaystyle{ h }[/math] 为由原方程非线性项导出的函数，[math]\displaystyle{ \psi = \theta \bmod 2\pi }[/math]。平均方程的不动点对应原系统的极限环，其稳定性可由平均方程线性化的特征值判定。
精度与推广
平均法定理保证：在 [math]\displaystyle{ O(1/\varepsilon) }[/math] 的时间尺度上，平均方程的解与原系统的解之间的误差为 [math]\displaystyle{ O(\varepsilon) }[/math]。[3] 当需要更高精度时，可通过多尺度展开（multiple scales method）将渐近展开推进至更高阶，系统性地消除各阶的久期项。