1.1 什么是偏微分方程

1.1 什么是偏微分方程

本节摘要：偏微分方程（PDE）是联系多元未知函数与其偏导数的等式。本节给出可操作的判定定义，讲清阶、线性性、齐次性三个描述维度，解释为什么 PDE 的解是一张曲面而非一列数，并带你亲手验证一个解。这是全册所有内容的语法基础。

从常微分到偏微分：多了一个变量，换了一个人间

设想一根细长金属杆，杆上每一点都有自己的温度。要描述"杆的温度如何随时间演化"，你需要一个二元函数 u(x,t)：x 标记杆上的位置，t 标记时刻。温度沿空间有梯度，随时间有变化率，而物理规律（后面会从守恒律推出）说的是"某点温度的时间变化率，正比于温度分布在这一点空间曲率"。写成记号就是 ∂u/∂t = a² ∂²u/∂x²。这一条含偏导数的等式，就是偏微分方程。

对比常微分方程（ODE）：dy/dx = f(x) 的解是一元函数 y(x)，初值定了，解就是平面上的一条曲线。PDE 的解 u(x,t) 是二元函数，几何上是三维空间里的一张曲面；定了初始时刻的整条温度分布，解才唯一。多了一个自变量，解的空间维度、条件的给法、求解的难度全部升级。这也是为什么 PDE 自成一門学科，而不是 ODE 课程的附庸。

判断一条等式是不是 PDE、是什么样的 PDE，靠三个描述维度。记住这三个词，后面所有章节的讨论都靠它们定位：

线性性是最要紧的分水岭。线性方程满足叠加原理：两个解之和仍是解，解乘常数仍是解。第三章分离变量法之所以能成立，全靠叠加原理把无穷多个简单解拼成一般解。而非线性方程里，解与解互相"打架"，叠加失效，激波、孤子这些第二章之后才登场的角色也因此出现。

学习目标

1. 给定一条等式，30 秒内判断它是否为 PDE，并说出阶数、线性性、齐次性；
2. 解释 PDE 的通解为什么通常包含任意函数而非任意常数；
3. 亲手验证一个给定函数是某条方程的解；
4. 说清"通解 + 定解条件 = 唯一解"与 ODE 情形的异同。

通解的模样：任意函数登场

解 ODE 时，一阶方程的通解带一个任意常数，n 阶带 n 个。PDE 的通解更"奢侈"：一阶线性方程的通解往往带一个任意函数。看最简单的一例：

设 u = u(x,y)，方程为 ∂u/∂x = 0。它要求 u 对 x 的偏导恒为零——也就是说，u 不随 x 变。那么 u 可以是任何只依赖 y 的函数：u = y²、u = sin(y)、u = e^y + ln(y) 都行。通解写成 u = F(y)，其中 F 是任意可微函数。一个任意函数，而不是任意常数。

再进一步，波动方程 u_tt = c²u_xx 的达朗贝尔通解（第三章细推）是 u = F(x − ct) + G(x + ct)，带两个任意函数，分别代表向右与向左跑的波。这个特征值得焊在脑子里：PDE 通解中的自由度是函数级，这也解释了为什么必须靠初始/边界条件来"钉死"解——要确定的是函数，条件自然也得是整条函数（比如初始时刻的温度分布），而不是几个数。

亲手验证一个解

"验证 u 是方程的解"是本章最该练熟的技能：求通解难，验证易，而数值方法的正确性检查归根到底也是这件事。以热传导方程 ∂u/∂t = a² ∂²u/∂x² 为例，取候选解 u(x,t) = sin(πx)·exp(−a²π²t)。用 Python 的符号计算按部就班地验证：

import sympy as sp

x, t, a = sp.symbols('x t a', positive=True)
u = sp.sin(sp.pi * x) * sp.exp(-a**2 * sp.pi**2 * t)

du_dt = sp.diff(u, t)            # 时间偏导
d2u_dx2 = sp.diff(u, x, 2)       # 空间二阶偏导

residual = sp.simplify(du_dt - a**2 * d2u_dx2)
print(residual)                  # 输出 0，说明 u 精确满足方程
​

运行后残差为零，验证通过。这个解的形态本身也值得端详：空间上是半个正弦波的形状，时间上按指数衰减，衰减率是 a²π²。形状不变、幅度衰减——这正是热传导"高频成分先冷掉"的缩影，第三章分离变量法会把它推广成完整的解。

机器代验之外，手算一遍更踏实：∂u/∂t = −a²π²·sin(πx)e^(−a²π²t)；∂²u/∂x² = −π²·sin(πx)e^(−a²π²t)；两边比较系数，恰好相差一个 a²。等式成立。

图解：ODE 与 PDE 的世界对照

下图把两者放在同一视角下对照：解的几何形态、确定解所需条件、典型应用问题，一图看全。

ODE 与 PDE 对照示意

常见误区与判定的边界

第一个误区是把"含多个变量的等式"当成 PDE。判定标准是等式中必须出现未知函数的偏导数：u(x,t) = x + t 是多元函数，但没有偏导数，它不是方程，更不是 PDE 的解方程。第二个误区是见偏导数就说是二阶方程——阶数看最高阶，u_xx + u_x = 0 里虽有二阶导，它是二阶方程；u_x + u_y = 0 则是一阶。

第三个误区最值得展开：认为"验证出残差不为零就一无是处"。工程上大量使用"近似满足方程"的解——第四章有限元法的核心思想，恰恰是在一个函数空间里找使残差"按加权平均意义最小"的函数。残差不为零但加权平均为零，正是弱解思想的雏形，第二章会正式定义它。

💡 关键直觉：PDE 的通解自由度是"任意函数级"，所以定解条件也必须是函数级的输入。这个对偶关系是理解一切定解问题的钥匙。

本节要点

• 定义：联系多元函数与偏导数的等式；三个描述维度是阶数、线性性、齐次性；
• 线性是命门：叠加原理只在线性方程成立，解析方法几乎全部建立在其上；
• 解的形态：PDE 的解是多元函数、几何上是曲面；通解含任意函数；
• 定解条件是函数：初始分布、边界分布，而非有限个常数；
• 验证优先：拿到候选解先验证残差，机器代验加手算复核是可靠习惯。

下一节回到弦上：那场关于"什么算解"的百年争论，会把这些抽象语法变成一段鲜活的历史。