news 2026/4/15 13:32:09

会求解一阶齐次线性微分方程

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
会求解一阶齐次线性微分方程

一阶线性齐次微分方程的形式如下:

dy dx + P ( x ) y = 0 \frac{\text{dy}}{\text{dx}} + P\left( x \right)y = 0dxdy+P(x)y=0

这同样是一种特殊、相对简单的常微分方程,只是比可分离变量方程、齐次微分方程稍显复杂那么一点点。

要想看更多有趣的微积分故事、知识,请参见清华大学出版社的《人人可懂的微积分——用动态、微观、累加的观点来看待微积分》(邓子云著)。

首先,从名称上来理解这种方程。所谓**“一阶”**是指导数只有一阶,不涉及二阶导数和更高阶的导数。

所谓**“齐次”**也具有两层含义。第一层含义看形式。从外观上来看,方程的右边为0,左边除了dy dx \frac{\text{dy}}{\text{dx}}dxdyP ( x ) y P\left( x \right)yP(x)y外,再没有其它的项。第二层含义看实质。这与此前学习的齐次微分方程类似。

如果x xxy yy如果同时乘以常数k ( k ≠ 0 ) k(k \neq 0)k(k=0),可得:

d ( k y ) d ( k y ) + P ( kx ) k y = 0 ⟹ dy dx + P ( kx ) k y = 0 \frac{d(ky)}{d(ky)} + P\left( \text{kx} \right)ky = 0 \Longrightarrow \frac{\text{dy}}{\text{dx}} + P\left( \text{kx} \right)ky = 0d(ky)d(ky)+P(kx)ky=0dxdy+P(kx)ky=0

从形式上来看,它仍然是一个一阶齐次线性微分方程。

所谓**“线性”**就是指没有只有有关y的一次方多项式,不会出现有关y 2 y^{2}y2y dy dx y\frac{\text{dy}}{\text{dx}}ydxdy( dy dx ) 2 \left( \frac{\text{dy}}{\text{dx}} \right)^{2}(dxdy)2等形式的二次方及以上多项式。

**学习点拨:**一阶线性微分方程中也不会出现有关x的二次方及以上多项式,但是P ( x ) P\left( x \right)P(x)中可以出现关于x的二次方及以上多项式。

接下来,看如何求解一阶齐次线性微分方程。

dy dx + P ( x ) y = 0 ⟹ dy dx = − P ( x ) y ⟹ 1 y d y = − P ( x ) d x ⟹ ∫ 1 y dy = − ∫ P ( x ) dx \frac{\text{dy}}{\text{dx}} + P\left( x \right)y = 0 \Longrightarrow \frac{\text{dy}}{\text{dx}} = - P\left( x \right)y \Longrightarrow \frac{1}{y}dy = - P\left( x \right)dx \Longrightarrow \int_{}^{}{\frac{1}{y}\text{dy}} = - \int_{}^{}{P\left( x \right)\text{dx}}dxdy+P(x)y=0dxdy=P(x)yy1dy=P(x)dxy1dy=P(x)dx

⟹ ln ⁡ ∣ y ∣ = − ∫ P ( x ) dx + C ⟹ y = ± e − ∫ P ( x ) dx + C \Longrightarrow \ln\left| y \right| = - \int_{}^{}{P\left( x \right)\text{dx}} + C \Longrightarrow y = \pm e^{- \int_{}^{}{P\left( x \right)\text{dx}} + C}lny=P(x)dx+Cy=±eP(x)dx+C

考虑到e ee的指数中有函数,看起来指数上的文字会比较小,容易看错,所以常把e ee的幂次形式写成exp ⁡ ( ) \exp()exp()的形式。

y = ± e xp ( − ∫ P ( x ) dx + C ) ⟹ y = ± e xp ( − ∫ P ( x ) dx ) e x p ( C ) y = \pm e\text{xp}\left( - \int_{}^{}{P\left( x \right)\text{dx}} + C \right) \Longrightarrow y = \pm e\text{xp}\left( - \int_{}^{}{P\left( x \right)\text{dx}} \right)exp\left( C \right)y=±exp(P(x)dx+C)y=±exp(P(x)dx)exp(C)

这个式子中,因为± e x p ( C ) \pm exp\left( C \right)±exp(C)可正、可负,结果仍然是一个常数,且这个常数可表达出的数值范围是任意的正数、负数,所以± e x p ( C ) \pm exp\left( C \right)±exp(C)可以用另一个常数D DD来代替。因此,可以写为:

y = D ∙ e xp ( − ∫ P ( x ) dx ) y = D \bullet e\text{xp}\left( - \int_{}^{}{P\left( x \right)\text{dx}} \right)y=Dexp(P(x)dx)


**学习点拨:**如何是否可以用常数D DD代替含有常数C CC的项?**标准就看替换后是否影响表达的数值范围。**如果不影响就可以替换。后续的学习中还会有很多这样的简化应用。


要想看更多有趣的微积分故事、知识,请参见清华大学出版社的《人人可懂的微积分——用动态、微观、累加的观点来看待微积分》(邓子云著)。

例:求解方程

dy dx + x 2 y = 0 \frac{\text{dy}}{\text{dx}} + x^{2}y = 0dxdy+x2y=0

dy dx + x 2 y = 0 ⟹ dy dx = − x 2 y ⟹ 1 y d y = − x 2 d x ⟹ ∫ 1 y dy = − ∫ x 2 dx \frac{\text{dy}}{\text{dx}} + x^{2}y = 0 \Longrightarrow \frac{\text{dy}}{\text{dx}} = - x^{2}y \Longrightarrow \frac{1}{y}dy = - x^{2}dx \Longrightarrow \int_{}^{}{\frac{1}{y}\text{dy}} = - \int_{}^{}{x^{2}\text{dx}}dxdy+x2y=0dxdy=x2yy1dy=x2dxy1dy=x2dx

⟹ ln ⁡ ∣ y ∣ = − 1 3 x 3 + C ⟹ y = ± e x p ( − 1 3 x 3 + C ) ⟹ y = D ∙ exp ⁡ ( − 1 3 x 3 ) \Longrightarrow \ln\left| y \right| = - \frac{1}{3}x^{3} + C \Longrightarrow y = \pm exp\left( - \frac{1}{3}x^{3} + C \right) \Longrightarrow y = D \bullet \exp\left( - \frac{1}{3}x^{3} \right)lny=31x3+Cy=±exp(31x3+C)y=Dexp(31x3)

版权声明: 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。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/15 13:33:08

中文情感分析快速入门:StructBERT轻量CPU版教程

中文情感分析快速入门:StructBERT轻量CPU版教程 1. 引言:中文情感分析的现实价值 在当今数字化时代,用户生成内容(UGC)如评论、弹幕、社交媒体发言等海量涌现。如何从这些非结构化文本中快速提取情绪倾向&#xff0c…

作者头像 李华
网站建设 2026/4/15 13:33:09

中文情感分析API开发:StructBERT步骤详解

中文情感分析API开发:StructBERT步骤详解 1. 背景与需求:为什么需要中文情感分析? 在当今信息爆炸的时代,用户生成内容(UGC)如评论、弹幕、社交媒体发言等海量涌现。如何从这些非结构化文本中快速提取情绪…

作者头像 李华
网站建设 2026/4/7 18:11:06

无GPU环境部署StructBERT:CPU优化技巧大全

无GPU环境部署StructBERT:CPU优化技巧大全 1. 背景与挑战:中文情感分析的轻量化需求 在自然语言处理(NLP)的实际落地场景中,中文情感分析是一项高频刚需任务。无论是用户评论监控、客服对话情绪识别,还是…

作者头像 李华
网站建设 2026/4/7 13:05:19

【DaisyUI】如何实现优雅的提示(类似Toast方式)?

在 daisyUI 中,Toast(https://daisyui.com/components/toast/)是一个非常特殊的组件,它本质上是一个定位容器(wrapper),专门用来把内容(通常是 alert)堆叠显示在页面角落…

作者头像 李华
网站建设 2026/4/5 19:12:12

StructBERT WebUI优化:提升用户体验的5个技巧

StructBERT WebUI优化:提升用户体验的5个技巧 1. 背景与应用场景 1.1 中文情感分析的实际价值 在当前自然语言处理(NLP)的应用生态中,中文情感分析已成为企业洞察用户反馈、监控舆情动态、优化客户服务的核心技术之一。无论是电…

作者头像 李华
网站建设 2026/4/5 19:49:02

中文情感分析实战:StructBERT模型性能优化与参数详解

中文情感分析实战:StructBERT模型性能优化与参数详解 1. 引言:中文情感分析的应用价值与挑战 随着社交媒体、电商平台和用户评论系统的普及,中文情感分析已成为自然语言处理(NLP)领域的重要应用方向。企业通过分析用…

作者头像 李华