5.2 微分方程与动力系统

5.2 微分方程与动力系统：时间的数学

本节摘要：微分方程刻画"变化率由当前状态决定"的系统，是物理、生物、金融建模的共同语法。本节从两个可解析求解的类型（可分离变量、一阶线性）入手，转向动力系统的核心问题——平衡点及其稳定性（线性化判据），用数值仿真重现捕食者—猎物的周期振荡，并延伸到混沌：确定性如何生出不可预测。

从牛顿到生态：同一种语法

牛顿第二定律"加速度等于力除以质量"是最早的微分方程：知道现在的位置与速度，加上作用力的规律，未来的轨道就被完全决定。两百年后沃尔泰拉把亚得里亚海渔场数据写成同样的语法：鱼的变化率由当前鱼量与捕食者数量共同决定。语法相同，对象从行星换成了沙丁鱼——微分方程是"变化如何产生"的通用语言，5.1 节的人口模型已用过它最简单的句式。

可解析求解的类型先备两种。可分离变量：把 dy/dx 拆成两边各自积分（逻辑斯蒂方程即此类的成员）。一阶线性方程 y' + p(x)y = q(x)：乘以积分因子后左边凑成乘积导数，积分即得。

import sympy as sp
x = sp.symbols('x')
y = sp.Function('y')

# 可分离变量例：y' = x*y，分离后积分得 y = C*e^(x^2/2)
sol1 = sp.dsolve(sp.Derivative(y(x), x) - x * y(x), y(x), ics={y(0): 2})
print(sol1)   # y(x) = 2*exp(x^2/2)

# 一阶线性例：y' + 2y = e^(-x)，积分因子 e^(2x)
sol2 = sp.dsolve(sp.Derivative(y(x), x) + 2 * y(x) - sp.exp(-x), y(x),
                 ics={y(0): 0})
print(sp.simplify(sol2.rhs))   # 含 exp(-x) 与 exp(-2x) 两项的稳态加暂态结构
# 稳态项 e^(-x)/3 是输入驱动的长期行为，暂态项按 e^(-2x) 衰减——线性系统的标准解剖
​

平衡点与稳定性：系统性格分析

多数微分方程没有解析解，动力系统理论绕开解的显式表达，直接研究定性的性格：系统静止在哪里（平衡点），受扰后回不回得来（稳定性）。判据来自线性化——在平衡点处把方程泰勒展开（第 3 章）只留线性项，特征值（第 2 章）的实部符号一锤定音：全负则稳定（扰动衰减）、有正则不稳定（扰动放大）、纯虚则中心（周期振荡）。线性代数与分析在微分方程里会师：

import sympy as sp

# 例子：阻尼振子 m*x'' + c*x' + k*x = 0，取 m=1, c=0.6, k=9
lam = sp.symbols('lam')
A = sp.Matrix([[0, 1], [-9, -0.6]])      # 状态空间形式的一阶方程组
print(A.eigenvals())
# 输出两个负实部的复特征值：欠阻尼振荡衰减——小球弹几下停住的数学刻画
# 把 c 换成 0：纯虚特征值，永不停振荡；c 换成 -0.6：正实部，振荡放大失稳
​

平衡点类型与特征值符号的对应

捕食者—猎物：振荡从哪来

洛特卡—沃尔泰拉方程组：猎物 x 的增长被捕食者 y 压制，捕食者的增长以猎物为食。数值仿真（欧拉法，下一节的主角先用起来）重现经典相位关系：

def lotka_volterra(a=1.0, b=0.1, c=1.5, d=0.075, x0=40, y0=9,
                   T=30, dt=0.001):
    # x' = a*x - b*x*y   猎物：自然增长减被捕食
    # y' = -c*y + d*x*y  捕食者：饥饿死亡加捕食获益
    xs, ys, t = [x0], [y0], 0
    while t < T:
        x, y = xs[-1], ys[-1]
        xs.append(x + (a*x - b*x*y) * dt)
        ys.append(y + (-c*y + d*x*y) * dt)
        t += dt
    return xs, ys

xs, ys = lotka_volterra()
print(f"猎物峰值约 {max(xs):.0f}（初始 40）")
print(f"末段猎物 {xs[-1]:.1f} 捕食者 {ys[-1]:.1f}")
# 周期可从相邻两次猎物峰值的时间差读出，约 5 个时间单位一循环
# 输出示例：猎物峰值约 65-70，两物种相位错开四分之一周期
# 机制：猎物多 -> 捕食者增长 -> 猎物锐减 -> 捕食者饥饿 -> 循环重启
# 平衡点在 (c/d, a/b) = (20, 10)，线性化为纯虚特征值：中心，对应中性周期轨道
​

渔场传奇的数学注脚：战争期间捕捞减少，沃尔泰拉模型预言捕食者（鲨鱼）占比会上升——因为捕捞相当于同时削弱两物种，但对捕食者的相对伤害更大。数据支持了模型，微分方程第一次在生态学赢下声望。

混沌：确定的规则，不可预测的结果

把捕食模型换成逻辑斯蒂的离散版本 x(n+1) = r x(n) (1 - x(n))，参数 r 越过约 3.57 后，轨道不再收敛也不周期，对初值极端敏感——初始误差千分之一，二十步后轨道完全分道扬镳。蝴蝶效应的数学本体就是这种敏感依赖性：系统完全确定（无随机项），长期预测原则上不可能。这不是数值误差的锅，是系统的结构性质：

def logistic_map(r, x0, steps=40):
    x = x0
    traj = [x]
    for _ in range(steps):
        x = r * x * (1 - x)
        traj.append(x)
    return traj

a = logistic_map(3.9, 0.500)
b = logistic_map(3.9, 0.501)     # 初值仅差千分之一
for n in [10, 20, 30]:
    print(n, f"{a[n]:.4f} vs {b[n]:.4f}  差 {abs(a[n]-b[n]):.4f}")
# 输出：前几步几乎重合，20 步后差异达到 0.3+ 量级——轨道完全失耦
# 对比 r=3.2：两条轨道都收敛到同一点，敏感性与参数挂钩（倍周期分岔通向混沌）
​

⚠️ 数值警告：混沌系统上做长期仿真没有意义，误差指数放大（李雅普诺夫指数为正）；工程对策是集成预报（多条扰动初值并行跑，看分布而非单轨）与短期滚动预测。天气预报正是这么做的。

本节要点回顾

• 微分方程是变化的语法：可分离变量与一阶线性两型有公式解，多数方程转定性分析；
• 线性化加特征值判定平衡点性格：实部定稳定、虚部定振荡、异号即鞍点；
• 捕食—猎物模型用中性周期解释生态振荡，渔场案例验证了模型的预测力；
• 混沌 = 确定规则加初值敏感，长期不可预测是结构性质而非计算失误；
• 工程对策是集成预报与滚动预测，向混沌要分布、不要单轨。

方程在手，下一节直面计算的现实：浮点误差、截断与舍入的博弈，以及如何选一个又准又稳的数值方法。