偏微分方程数值解

1. 椭圆型 PDE 的有限差分法

2. PDE 初值问题的解析与数值解

考虑一阶常微分方程（ODE，作为 PDE 特例）：

u′=1−2tu,u(0)=0

解析解：通过**积分因子法**求解，方程变形为 u′+2tu=1，积分因子为 e∫2tdt=et2，两边乘积分因子得：

(uet2)′=et2⟹uet2=∫0tes2ds⟹u(t)=e−t2∫0tes2ds.

数值解（中心差分）：对 u′(ti)，用**中心差分格式**近似（步长 h）：

u′(ti)≈2hui+1−ui−1+O(h2)

（O(h2) 为截断误差，中心差分具有二阶精度）；更高阶导数（如 u′′(ti)）可通过类似差分格式近似。

考虑椭圆型偏微分方程（以一维为例）：

−dx2d2u+g(x)u=f(x)

通过**有限差分法**离散化（步长 h，网格点 ui≈u(xi)），二阶导数用中心差分近似：

h2ui+1−2ui+ui−1+giui=fi

（推广到高维椭圆方程 −∇⋅(p∇u)+r⋅∇u+gu=f 时，需用梯度与散度的差分近似，核心是通过离散化将 PDE 转化为代数方程组 Lhu=f）。

3. 逼近解的存在性定理（抛物型 PDE）

定理1（逼近解的存在性）

对每个 $ \varepsilon \in (0,1) $，存在**唯一的解 $ u^\varepsilon $**，且满足： [ u^\varepsilon \in L^\infty(0,T; H^1(\mathbb{R}^n; \mathbb{R}^m)), \quad u^{\varepsilon\prime} \in L^2(0,T; L^2(\mathbb{R}^n; \mathbb{R}^m)) ]

证明步骤

定义解映射与线性方程

设空间 $ X = L^\infty(0,T; H^1(\mathbb{R}^n; \mathbb{R}^m)) $。对任意 $ v \in X $，考虑**线性抛物型方程组**： [ \begin{cases} u_t - \varepsilon \Delta u = f - \sum_{j=1}^n B_j v_{x_j}, & \text{在 } \mathbb{R}^n \times (0,T] \text{ 中}, \ u = g^\varepsilon, & \text{在 } \mathbb{R}^n \times {t=0} \text{ 上}. \end{cases} ]

由**热传导方程的基本解**（§2.3.1），该方程存在唯一解 $ u $，且 $ u \in L^\infty(0,T; H^1) $、$ u^\prime \in L^2(0,T; L^2) $，故可定义映射 $ \mathcal{F}: X \to X $，即 $ \mathcal{F}\,(v) = u $。

作差与估计式推导

取 $ \tilde{v} \in X $，设 $ \tilde{u} = \mathcal{F}\,(\tilde{v}) $，令 $ \tilde{u} = u - \tilde{u} $，则 $ \tilde{u} $ 满足： [ \begin{cases} \tilde{u}t - \varepsilon \Delta \tilde{u} = - \sum, \ \tilde{u} = 0, & \text{在 } \mathbb{R}^n \times {t=0} \text{ 上}. \end{cases} ]}^n B_j \tilde{v}_{x_j}, & \text{在 } \mathbb{R}^n \times (0,T] \text{ 中

结合热传导基本解与Sobolev空间估计，得**范数估计**： [ \text{ess sup}{0 \leq t \leq T} |\tilde{u}(t)| ]}^n)} \leq C(\varepsilon) T^{1/2} |\tilde{v}|_{L^\infty(0,T; H^1)

Banach不动点定理的应用

取 $ T > 0 $ 足够小，使 $ C(\varepsilon) T^{1/2} \leq 1/2 $，则映射 $ \mathcal{F}: X \to X $ 满足**压缩性**： [ |\mathcal{F}\,(v) - \mathcal{F}\,(\tilde{v})|_X \leq \frac{1}{2} |v - \tilde{v}|_X ]

由**Banach不动点定理**，$ \mathcal{F} $ 存在唯一不动点 $ u^\varepsilon \in X $，即 $ u^\varepsilon = \mathcal{F}\,(u^\varepsilon) $，故 $ u^\varepsilon $ 是原方程的解。

关键要点

空间选择：$ X = L^\infty(0,T; H^1(\mathbb{R}^n; \mathbb{R}^m)) $ 为合适的函数空间
线性化技巧：将非线性问题转化为线性抛物型方程求解
压缩映射：通过时间区间 $ T $ 的适当选取获得压缩性
存在唯一性：Banach不动点定理保证逼近解的存在唯一性

4. Lax等价定理与差分格式

微分方程与差分格式

考虑**二阶常微分方程**： [ -\frac{d^2 u}{dx^2} + g u = f ] 用**中心差分**近似二阶导数，构造差分格式： [ u_{i+1} - 2u_i + u_{i-1} \quad (\text{对应 } -\frac{d^2 u}{dx^2} \text{ 的差分近似，步长隐含为 } h) ]

Lax等价定理的核心性质

截断误差与收敛条件

对差分格式，**截断误差收敛**需满足：当初值**充分光滑**时，存在常数 $ K $，使 [ T \sum_{\ell=0}^{m-1} | T^\ell | \to 0 \quad (\text{其中 } T(h) \to 0 \text{ 当步长 } h \to 0, \forall m \leq t_{\text{max}}) ] （$ T $ 为差分算子，$ T^\ell $ 表示算子的 $ \ell $ 次复合，和式刻画累积误差的衰减）。

若初值**非光滑**，需通过"函数替换"将问题转化为光滑情形分析。

5. 差分格式的稳定性与矩阵范数估计

差分格式的稳定性设定

考虑**有限维向量**下的差分格式，形式为： [ B_1 V^{m+1} = B_0 V^m + F^m ] （$ B_0, B_1 $ 为系数矩阵，$ V^m $ 为第 $ m $ 步数值解，$ F^m $ 为右端项）。

稳定性定义：若存在常数 $ K $，对任意初值 $ V^0, W^0 $，有 [ | V^m - W^m | \leq K | V^0 - W^0 | ] （初值小扰动下，数值解的扰动被控制）。

矩阵逆与递推范数估计

由差分格式解出 $ V^{m+1} = B_1^{-1} B_0 V^m + B_1^{-1} F^m $，作差得： [ V^{m+1} - W^{m+1} = B_1^{-1} B_0 (V^m - W^m) ] 递推得 $ \| V^m - W^m \| \leq \| (B_1^{-1} B_0)^m \| \| V^0 - W^0 \| $，故需估计 $ \| (B_1^{-1} B_0)^m \| $ 的增长性。

矩阵范数的指数估计

引入**误差项 $ E(t) $（如截断误差对应的矩阵），考虑含扰动的矩阵 $ B_1^{-1} B_0 + T E(t) $，利用**二项式展开**估计其 $ m $ 次幂的范数： [ \begin{align*} | (B_1^{-1} B_0 + T E(t))^m | &\leq \sum_{j=0}^m \binom{m}{j} | (B_1^{-1} B_0)^j | | (T E(t))^{m-j} | \ &\leq K_1 \sum_{j=0}^m \binom{m}{j} K_1^j (T K_2)^{m-j} \quad (\text{设 } | (B_1^{-1} B_0)^j | \leq K_1^j, | E(t) | \leq K_2) \ &= K_1 (1 + T K_1 K_2)^m \end{align*} ] 再由**指数函数的单调性（$ 1 + x \leq e^x $ 对 $ x \geq 0 $），得： [ K_1 (1 + T K_1 K_2)^m \leq K_1 e^{T m K_1 K_2} ]

与偏微分方程的关联

上述差分格式对应**抛物型偏微分方程**的半离散化形式： [ \frac{\partial u}{\partial t} = L(u(x,t)) + f ] （$ L $ 为微分算子，差分格式通过时间离散、空间差分近似 $ L $）。数值解 $ U^m $ 与真解 $ u^m $ 的误差满足： [ | U^m - u^m | \leq K K_1 T \sum_{\ell=0}^{m-1} | (B_1^{-1} B_0)^\ell | | T^\ell | ] （$ T^\ell $ 为截断误差项，和式刻画累积误差的传播）。

6. 双曲型方程与CFL条件

二阶双曲方程的一阶拆分

对**二阶线性双曲方程**，通过变量替换转化为**一阶双曲方程组**：令 $ v_0 = u_t $，$ v_1 = u_x $，则原方程可化为形式： [ v_t + \sum_{i} A_i v_{x_i} + B v = \psi ] （$ A_i, B $ 为系数矩阵/函数，$ \psi $ 为非齐次项，实现"二阶→一阶"的降阶）。

特征线与CFL条件的核心思想

考虑**一阶线性双曲方程** $ \frac{\partial u}{\partial t} + a \frac{\partial u}{\partial x} = 0 $，其**特征线**满足常微分方程： [ \frac{dx}{dt} = a(x,t) ] 沿特征线，解满足 $ \frac{du}{dt} = \frac{\partial u}{\partial t} + a \frac{\partial u}{\partial x} = 0 $（即 $ u $ 沿特征线为常数）。

CFL条件（Courant-Friedrichs-Lewy条件）：数值解的依赖区域需包含真解的依赖区域（保证数值格式能"捕捉"真解的传播特性）。

迎风格式与CFL条件的验证

以**迎风格式**为例，格式形式为： [ u_j^{m+1} - u_j^m = \frac{a \tau}{h} (u_j^m - u_{j-1}^m) ] （$ \tau $ 为时间步长，$ h $ 为空间步长，$ u_j^m $ 为第 $ m $ 步 $ x_j $ 处的数值解）。

分析**依赖区域**：$ u_j^{m+1} $ 依赖 $ u_j^m, u_{j-1}^m $（当 $ a > 0 $ 时，特征线向右传播，迎风取左侧节点）。为满足CFL条件，需保证"真解依赖的区域被数值依赖区域包含"，即： [ \left| \frac{a \tau}{h} \right| \leq 1 ] （控制时间步长与空间步长的比例，使数值格式稳定）。

7. 双曲型方程的数值格式与截断误差

特征线与数值格式的关联

考虑双曲型方程的**特征线**满足： [ \frac{dx}{dt} = a(u), \quad \frac{du}{dt} = u ] （$ a(u) $ 为特征速度，反映解的传播方向）。

经典数值格式如 Lax-Wendroff格式、Beam-Warming格式，需结合**CFL条件**（$ \left| a \frac{\tau}{h} \right| \leq 1 $，$ \tau $ 为时间步长，$ h $ 为空间步长）保证稳定性。

格式的离散与插值展开

以某差分格式为例，形式为： [ u_j^{m+1} = -\frac{u_j^{m+1} - 2u_j^m}{2h} + \text{高阶修正项} ] （含一阶差分项，刻画时间/空间的变化率）。

通过**二次函数插值**细化展开，利用节点 $ x_{j-1}, x_j, x_{j+1} $ 构造插值多项式： [ u_j^m + \frac{1}{2}(u_j^{m+1} - u_j^m) \cdot \frac{(x - x_{j-1})(x - x_j)}{(x_{j+1} - x_j)(x_{j+1} - x_{j-1})} + \dots ] （通过插值近似解的光滑性，推导格式的截断误差）。

截断误差的系数展开

引入参数 $ \nu = \frac{a\tau}{h} $（CFL数），展开截断误差的系数项： [ \frac{(h - a\tau)a\tau}{h \cdot 2h}, \quad \frac{a\tau (h + a\tau)}{2h^2} ] （分别对应不同传播方向或高阶导数的贡献）。

格式的离散项可进一步表示为： [ \frac{(1 - \nu)\nu}{2} u_j^{m+1} + \frac{\nu(1 + \nu)}{2}(u_j^{m+1} - u_j^m) ] （通过 $ \nu $ 统一刻画时间-空间步长的比例，简化误差分析）。

8. 微分方程数值解与Fourier方法

微分不等式与初值估计

考虑**微分不等式**： [ \frac{d}{dt} \left( u e^{-ct} \right) \leq F(t) e^{-ct} ] 两边积分并结合初值 $ u(0) $，可得 $ u(t) $ 的上界估计（用于分析解的增长性或稳定性）。

有限差分法的"三性"

有限差分法需满足**相容性、稳定性、收敛性**： - 相容性：差分格式与原微分方程的截断误差趋于0； - 稳定性：初值小扰动下，数值解的扰动被控制（范数估计如 $ \| B_0 \| \leq K $，$ \| u_m - v_m \| \leq \| B_0^m \| K $，其中 $ B_0, B_1 $ 为差分格式的系数矩阵）； - 收敛性：数值解逼近真解。

典型差分格式形式： [ B_0 u^{m+1} = B_1 u^m + F^m ] （$ u^m $ 为第 $ m $ 步数值解，$ F^m $ 为右端项）。

Fourier方法分析对流扩散方程

以**对流扩散方程** $ \frac{\partial u}{\partial t} + a \frac{\partial u}{\partial x} = 0 $（初值 $ u(x,0) = g(x) $）为例，用Fourier方法分析数值格式：

数值格式近似：构造差分格式近似时间与空间导数，如 [ u(x, t_{m+1}) \approx u(x, t_m) - a\lambda \left[ u(x, t_m) - u(x - h, t_m) \right] ] （$ \lambda = \frac{\tau}{h} $，$ \tau $ 为时间步长，$ h $ 为空间步长）。
局部近似与Fourier变换：将数值解 $ u_j^{m+1} $ 局部近似为 $ u(x, t_{m+1}) $ 在区间 $ [x_j - \frac{h}{2}, x_j + \frac{h}{2}] $ 上的代表值，再通过**Fourier变换**分析格式的频率特性（如增长因子、稳定性条件），Fourier变换形式为： [ \frac{1}{\sqrt{m}} \int \hat{u}(x, t_m) e^{itx} dx ]

9. Sobolev嵌入与一阶双曲型方程组

Sobolev空间的嵌入算子

考虑**算子 $ T $**：$ W^{k,p}(U) \to L^q(\Omega) $（$ U $ 为定义域，$ \Omega $ 为目标区域），若 $ u \in W^{k,p}(U) \cap C(\bar{U}) $，则 $ Tu = u|_\Omega $（将 $ u $ 限制到 $ \Omega $ 上）。

嵌入性质：存在**有界线性算子 $ T $**，满足范数估计： [ | Tu |{L^q(\Omega)} \leq C | u | ] （即Sobolev空间 }(U)$ W^{k,p}(U) $ 可"嵌入"到 $ L^q(\Omega) $ 空间，由Sobolev不等式保证）。

一阶双曲型方程组

考虑**一阶线性双曲型方程组**： [ u_t + \sum_{j=1}^n B_j(x, t) u_{x_j} = f(x, t), \quad u|_{t=0} = g(x) ] 其中 $ u: \mathbb{R}^n \times (0, +\infty) \to \mathbb{R}^m $（$ m $ 维向量值函数），$ B_j(x, t) $ 为 $ m \times m $ 矩阵。

双曲性与变分形式

双曲性条件：定义方向矩阵 $ B(t, x; t, y) = \sum_{j=1}^n y_j B_j(x, t) $（$ y \in \mathbb{R}^n $）。若对任意 $ x, t, y $，$ B(t, x; t, y) $ 有 $ m $ 个**实特征值** $ r_1(x, t; y), \dots, r_m(x, t; y) $，则方程组是双曲型的。
变分形式：取测试函数 $ v \in H^1(\mathbb{R}^n) $，通过分部积分得弱形式： [ \langle u', v \rangle + B[u, v; t] = \langle f, v \rangle, \quad \forall v \in H^1 ] 其中双线性形式 $ B[u, v; t] $ 为： [ B[u, v; t] = \int_{\mathbb{R}^n} \sum_{j,i=1}^n B_{ji}(x, t) u_{x_j} v_i \, dx ]

正则化方法（消去法）

为处理原方程的奇性，引入小参数 $ \varepsilon > 0 $，构造**正则化方程组**： [ u_t^\varepsilon - \varepsilon \Delta u^\varepsilon + \sum_{j=1}^n B_j(x, t) u_{x_j}^\varepsilon = f(x, t), \quad u^\varepsilon|_{t=0} = g^\varepsilon(x) ] （添加Laplace项 $ -\varepsilon \Delta u^\varepsilon $ 使方程"正则化"，便于分析解的存在性与收敛性）。

10. PDE弱解与Sobolev空间插值

守恒律方程的积分形式

考虑**守恒律方程** $ u_t + (f(u))_x = 0 $，对时间区间 $ [t_a, t_b] $ 积分得： [ \int_{\mathbb{R}} u(t_b, x) dx - \int_{\mathbb{R}} u(t_a, x) dx = \int_{t_a}^{t_b} \int_{\mathbb{R}} \frac{\partial}{\partial x} f(u(t, x)) dx dt ] （体现"积分守恒"：区间内总量的变化等于边界通量的累积）。

Céa引理与弱解误差

**Céa引理**用于有限元法的误差分析：将**真解 $ u $**与**数值解 $ u_h $**的范数误差 $ \| u - u_h \| $，转化为"逼近误差"（依赖于有限元空间 $ V_h $ 对真解的近似能力）。

数学物理方程复习

1. 波动方程（双曲型）- 弦振动方程

方程形式： $$\frac{\partial^2 u}{\partial t^2} = a^2 \frac{\partial^2 u}{\partial x^2}$$

定解条件： - 初始条件：$u(x,0) = \varphi(x)$，$u_t(x,0) = \psi(x)$ - 边界条件：$u(0,t) = u(l,t) = 0$（两端固定）

解法：分离变量法、D'Alembert公式

2. 热传导方程（抛物型）

方程形式： $$\frac{\partial u}{\partial t} = a^2 \frac{\partial^2 u}{\partial x^2}$$

定解条件： - 初始条件：$u(x,0) = \varphi(x)$ - 边界条件：$u(0,t) = u_1(t)$，$u(l,t) = u_2(t)$

解法：分离变量法、Fourier变换

3. Laplace方程（椭圆型）

方程形式： $$\frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2} = 0$$

或记作：$\Delta u = 0$

边值问题： - Dirichlet问题：$u|_{\Gamma} = f(s)$ - Neumann问题：$\frac{\partial u}{\partial n}|_{\Gamma} = g(s)$

4. Poisson方程

方程形式： $$\frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2} = f(x,y)$$

或记作：$\Delta u = f$

与Laplace方程的关系：非齐次情形

补充：三角级数的恒等变形

1. 三角级数的恒等变形

考虑三角级数 $\displaystyle \sum_{n=1}^{\infty} \frac{2^n \sin nx}{}$，引入辅助级数 I(x) 并利用和角公式： $$\sin(n+2)x + \sin nx = 2\sin(n+1)x\cos x$$

因此，级数可变形为： $$I(x) = \sum_{n=1}^{\infty} \frac{2^n [\sin(n+2)x + \sin nx]}{} = 2\cos x \sum_{n=1}^{\infty} \frac{2^n \sin(n+1)x}{}$$

（通过和角公式将两项正弦和转化为乘积形式，便于级数求和）。

泊松方程的 Neumann 边界条件数值解

1. 问题模型（泊松方程与 Neumann 边界条件）

考虑**泊松方程**结合**Neumann 边界条件**的边值问题：

\[\begin{cases} -\Delta u = f & \text{（区域内部）} \\ \frac{\partial u}{\partial n} = g & \text{（区域边界，} n \text{ 为外法向）} \end{cases}\]

2. 内部节点的有限差分格式

对**内部网格点** (i, j)，拉普拉斯算子 Δu 用**二阶中心差分**近似：

\[\Delta u \approx \frac{u_{i+1,j} + u_{i-1,j} + u_{i,j+1} + u_{i,j-1} - 4u_{i,j}}{h^2}\]

（h 为网格步长，u_{i,j} 表示网格点 (ih, jh) 处的数值解）。

代入泊松方程 -Δu = f，得内部节点的离散方程：

\[\frac{u_{i+1,j} + u_{i-1,j} + u_{i,j+1} + u_{i,j-1} - 4u_{i,j}}{h^2} = f_{i,j}\]

3. 边界节点的 Neumann 条件离散

对**边界网格点**（以 (0, j) 为例，位于左边界 x = 0），Neumann 条件 ∂u/∂x = g 用**一阶中心差分**近似：

\[\frac{\partial u}{\partial x}(0,j) \approx \frac{u_{1,j} - u_{-1,j}}{2h} = g_{0,j}\]

（u_{-1,j} 为 "虚构网格点" (-h, jh) 处的数值，需通过边界条件消去）。

结合内部格式，对边界点 (0, j) 推导得离散方程：

\[u_{0,j+1} + u_{0,j-1} + u_{1,j} + u_{-1,j} - 4u_{0,j} = -2hg_{0,j} + f_{0,j}h^2\]

再由 Neumann 条件的差分近似 u_{-1,j} = u_{1,j} - 2hg_{0,j}，代入后可消去虚构点 u_{-1,j}，得到仅含真实网格点的方程。

4. 角点的边界条件处理

对**角点**（如 (0, 0)），需同时处理两个方向的 Neumann 条件（∂u/∂x = g_x，∂u/∂y = g_y），离散为：

\[u_{-1,0} = u_{1,0} - 2hg_{x,0,0}, \quad u_{0,-1} = u_{0,1} - 2hg_{y,0,0}\]

添加时间: 2026-04-07

有限体积法（Finite Volume Method）

1. 有限体积法的核心方程（泊松方程）

对泊松方程 Δu = f，**有限体积法**通过 "对偶单元积分" 建立离散格式：

构造围绕节点 i 的**对偶控制体** Ω_i；
对 Ω_i 积分泊松方程，得

$$\iint_{\Omega_i} \Delta u \, dx = \iint_{\Omega_i} f \, dx$$

由散度定理（高斯公式），左边体积分转化为**边界通量积分**：

$$\iint_{\Omega_i} \Delta u \, dx = \int_{\partial\Omega_i} \frac{\partial u}{\partial n} \, dx$$

（∂u/∂n 是 u 沿边界外法向的方向导数，即 "通量密度"）。

2. 对偶单元与边界通量离散

对偶单元构造：通过 "垂直于三角形边的线段" 构造对偶单元边界（如 Q_iQ_{i+1} ⊥ P_0P_{i+1}，利用几何垂直性保证通量方向）；
通量的离散近似：对边界边 Q_iQ_{i+1}，法向通量积分近似为

$$\int_{Q_iQ_{i+1}} \frac{\partial u}{\partial n} \, dS(x) \approx \sum \frac{|P_0P_{i+1}|}{q_iq_{i+1}} \cdot P_0P_{i+1} [u(P_m) - u(P_0)] + \text{高阶小项}$$

（通过 "节点值的差" 近似通量，q_iq_{i+1} 与 P_0P_{i+1} 的几何关系决定权重）。

3. 边界条件的处理（Neumann 边界）

若边界给定**Neumann 条件** ∂u/∂n = g，则边界边的通量积分直接替换为：

\[\int_{\text{边界边}} \frac{\partial u}{\partial n} \, dS = \int_{\text{边界边}} g \, dS\]

添加时间: 2026-04-07

线性多步法的误差分析

1. 线性多步法的算子表示

考虑线性多步法的离散格式，设 u_n 为**数值解**，真解为 u(t_n)，将格式表示为算子形式：

\[u_{n+1} = L_h u_n\]

（其中 L_h 是由差分格式诱导的线性算子，示例为二阶中心差分的抛物型方程格式：τ(u_j^{n+1} - u_j^n) = h²(u_{j+1}^n - 2u_j^n + u_{j-1}^n)，对应 u_j^{n+1} = (h²/τ)(u_{j+1}^n - 2u_j^n + u_{j-1}^n) + u_j^n，即 L_h 对网格函数的作用为包含邻点的线性组合）。

2. 真解的算子方程与误差源

真解 u(t) 满足 "带余项的算子方程"：

\[u(t_{n+1}) = L_h u(t_n) + R_n\]

（其中 R_n 是**局部截断误差**，源于差分格式对微分方程的近似误差）。

3. 误差的递推估计

设 e_n = u(t_n) - u_n 为**第 n 步的误差**，则误差满足递推关系：

\[e_{n+1} = u(t_{n+1}) - u_{n+1} = (L_h u(t_n) + R_n) - L_h u_n = L_h e_n + R_n\]

由算子范数的性质（‖L_h e_n‖ ≤ ‖L_h‖ ‖e_n‖），递推得：

\[e_{n+1} \leq \|L_h\| e_n + R_n\]

4. 整体误差的几何级数估计

通过递推关系迭代展开，结合**几何级数求和**，可得整体误差上界：

若 ‖L_h‖ < 1，则递推误差满足：

$$e_{n+1} \leq \frac{1 - \|L_h\|^n}{1 - \|L_h\|} R_h$$

（其中 R_h 是局部截断误差的上界）；

更一般地，误差可表示为局部截断误差的 "累积和"：

$$e_n \leq \sum_{k=0}^{n-1} \|L_h\|^{n-1-k} R_k$$

添加时间: 2026-04-07

极值原理与差分格式稳定性

1. 极值原理与内部性态

对椭圆型方程（或其差分近似），**最大值原理**是核心工具：若 u′′+gu′>0，则函数的最大值 "只在边界处" 达到（内部无极大值）。

对内部点 P，若满足 ∇u(P)=0（梯度为 0，疑似极值点），则需 Δu(P)≤0（Hessian 负定或半负定，保证是极大值点而非极小值点）；若方程为 Δu+g⋅∇u=0，则内部点的 Laplace 算子与梯度的组合需满足 "无正定性"，从而保证极值在边界。

2. 函数极小值的二阶条件

若函数 f(x,y) 在 x0 处取**极小值**，则需满足：

一阶条件：∂x∂f=0，∂y∂f=0（梯度为 0）；
二阶条件：∂x2∂2f>0，∂y2∂2f>0，且 Hessian 矩阵正定：

(∂x2∂2f)(∂y2∂2f)−(∂x∂y∂2f)2>0

（保证是 "严格极小值"，而非鞍点或极大值）。

3. 差分格式的稳定性

对椭圆型方程的**差分格式**Lhuh=f，稳定性通常通过 "算子的强制性" 或 "范数估计" 证明：

若存在常数 C,δ>0，使对任意网格函数 uh，有

C∥Lhuh−Lhvh∥≥δ∥uh−vh∥

（Lh 是差分算子），则格式稳定（扰动的解误差被扰动的右端项控制）。

结合 "解误差与右端项误差的范数关系"，可进一步推导：

∥uh,i−ui∥≤∥Lhuh,i−Lhui∥⋅∥Lh−1∥

（若 Lh 可逆且逆算子范数有界，则格式稳定）。

4. 差分格式的极值原理框架

考虑椭圆型方程的**差分格式** Lhuh=f，其中 Lh 是离散椭圆算子（如五点差分算子）。设**误差项** e_i = u_i - u_h_i（ui 为真解，u_h_i 为数值解），需证明 Lhei≤0，且边界误差 e0=en=0。

5. 极值的边界性（反证法）

假设误差 ei 在**内部点**取到正的最大值（或负的最小值），通过差分算子的离散形式推导矛盾：

对五点差分格式（二维 Laplace 算子），若 ei 在内部点 (i,j) 取最大值，则需满足：

Δh ei,j = (ei+1,j + ei-1,j + ei,j+1 + ei,j-1 - 4ei,j)/h² ≤ 0

（离散 Laplace 算子非正）；

但若 ei,j 是严格最大值，则四个邻点的误差均小于 ei,j，导致 Δh ei,j > 0，矛盾；
故误差的最大值只能在边界达到，结合边界条件 e0=en=0，得 ei≤0（所有内部点）。

通过类似论证，可证误差的最小值也在边界，从而 ei=0（所有点），即数值解收敛到真解。

添加时间: 2026-04-08

Richardson 差分格式与截断误差分析

1. 时间导数的泰勒展开近似

对函数 $u(x,t)$ 关于时间 $t$ 做**泰勒展开**（中心差分近似 $u_t$）：

\[u(x,t+\tau)=u(x,t)+\tau u_t(x,t)+\frac{\tau^2}{2!} u_{tt}(x,t)+\frac{\tau^3}{3!} u_{ttt}(x,t)+O(\tau^4)\]

\[u(x,t-\tau)=u(x,t)-\tau u_t(x,t)+\frac{\tau^2}{2!} u_{tt}(x,t)-\frac{\tau^3}{3!} u_{ttt}(x,t)+O(\tau^4)\]

两式相减并整理，得**时间导数的中心差分近似**：

\[\frac{u(x,t+\tau)-u(x,t-\tau)}{2\tau}=u_t(x,t)+\frac{\tau^2}{6}u_{ttt}(x,t)+O(\tau^4)\]

2. 空间导数的泰勒展开近似

对函数 $u(x,t)$ 关于空间 $x$ 做**泰勒展开**（中心差分近似 $u_{xx}$）：

\[u(x+h,t)=u(x,t)+hu_x(x,t)+\frac{h^2}{2!}u_{xx}(x,t)+\frac{h^3}{3!}u_{xxx}(x,t)+\frac{h^4}{4!}u_{xxxx}(x,t)+O(h^5)\]

\[u(x-h,t)=u(x,t)-hu_x(x,t)+\frac{h^2}{2!}u_{xx}(x,t)-\frac{h^3}{3!}u_{xxx}(x,t)+\frac{h^4}{4!}u_{xxxx}(x,t)+O(h^5)\]

两式相加并整理，得**空间二阶导数的中心差分近似**：

\[\frac{u(x+h,t)-2u(x,t)+u(x-h,t)}{h^2}=u_{xx}(x,t)+\frac{h^2}{12}u_{xxxx}(x,t)+O(h^4)\]

3. Richardson 格式的截断误差

Richardson 格式通常用于近似波动方程等双曲型方程（如 $u_t=u_{xx}$ 类方程），将"时间、空间的中心差分近似"代入格式，组合后分析**截断误差**：

格式的截断误差由时间和空间近似的误差共同决定，由于时间近似的主误差项是 $O(\tau^2)$，空间近似的主误差项是 $O(h^2)$，因此 Richardson 格式的截断误差为二阶（即 $O(\tau^2+h^2)$），当 $\tau,h\to0$ 时，误差随 $\tau^2$ 和 $h^2$ 衰减。

稳定性估计与比较原理

1. 稳定性的核心估计

考虑差分算子 $L_h$，若误差 $e_n$ 满足 $L_h e_n = R_h$（$R_h$ 为残差项），则**稳定性估计**为：

\[\|e_n\|_\infty \leq C\|R_h\|_\infty\]

（$C>0$ 为常数，体现"误差的无穷范数被残差的无穷范数控制"，格式稳定）。

2. 比较原理的应用

对任意网格函数 $v_i$，若存在另一个网格函数 $w_i$ 满足 $L_h w_i \geq |L_h v_i|$，则由**比较原理**可得：

\[\|v_i\|_\infty \leq \|w_i\|_\infty \leq C\|g\|_\infty\]

（$g$ 为右端项，通过"更'大'的函数 $w_i$ 控制 $v_i$ 的范数"，将复杂函数的范数估计转化为简单函数）。

3. 网格函数的构造与验证

为应用比较原理，构造显式网格函数（以圆形区域为例）：

\[w_i = w(x_i) = 2k(R^2 - x_i^2)\]

（$R$ 为区域半径，$x_i$ 为网格点坐标，$k$ 为与算子相关的参数）。

验证该函数满足 $L_h w_i \geq \max |L_h v_i|$（即 $w_i$ 能"支配"任意 $v_i$ 的差分算子作用结果），进而推导得：

\[\|w_i\|_\infty \leq C \max |L_h v_i|\]

（结合比较原理，完成对 $v_i$ 范数的上界估计）。

Lax-Miligram表示定理

a(x,y)=

差分格式的唯一性与极值原理

1. 差分格式的唯一性（极值原理）

对椭圆型差分方程（如 $-Δu=0$ 的差分近似），利用**极值原理**证明解的唯一性：

若差分格式的解 $u$ 满足"内部点的极值由边界点决定"（即若 $u\geq0$，则内部 $u\leq0$，极值只在边界取），则"零边值下只有零解"，从而格式**存在唯一解**。

2. 稳定性与辅助函数构造

为分析稳定性，构造辅助函数 $\phi(x,y)$（如 $\phi(x,y)=\sum x^2$，其 Laplace 算子 $Δ\phi=2$），令 $u_{i,j}+k\phi_{i,j}$ 满足：

\[Δ u_{i,j} + k\phi_{i,j} \geq 0\]

结合极值原理，可确保"区域内的最大值不超过边界最大值"，即：

\[\max_\Omega u_{i,j} \leq \max_{\partial\Omega} u_{i,j}\]

3. 误差界的推导

设误差 $e=u-u_h$（$u$ 为真解，$u_h$ 为数值解），利用辅助函数与极值原理，推导**无穷范数下的误差界**：

\[\|e\|_\infty \leq C\|Δe\|_\infty\]

（$C$ 为常数，体现"误差的无穷范数被误差 Laplace 算子的无穷范数控制"，格式稳定）。

进一步，通过更精细的辅助函数（如 $\phi_{i,j}=\frac{1}{4}(x^2+y^2)$），可将误差界与右端项 $f$ 关联，得到 $\|u+k\phi_{i,j}\|_\infty \leq \max_\Omega |f|$，完成稳定性分析。

矩阵稳定性证明

稳定性的概念

证明过程：

添加时间: 2026-04-11

FitzHugh-Nagumo 神经动力学模型

FitzHugh (1961) 和 Nagumo-Arimoto-Yoshizawa (1962) 提出的神经动力学模型，用于描述神经元在外部注入电流 $I$ 下的行为。

1. 模型方程

\[\begin{cases} \frac{dV}{dt} = V - \frac{1}{3}V^3 - W + I \\ \frac{dW}{dt} = \frac{1}{\tau}(V + a - bW) \end{cases}\]

$V$：膜电位（membrane potential）
$W$：恢复电流（由离子通道开闭产生的电流）
$I$：外部注入电流
参数：$a=0.7,\; b=0.8,\; \tau=\frac{1}{3}$

2. 平衡点分析

通用分析逻辑：分析最终解是否趋于稳定，即 $V, W$ 趋于常数，对应 $\frac{dV}{dt}=\frac{dW}{dt}=0$。

平衡点方程： $$V - \frac{1}{3}V^3 - W + I = 0, \quad W = \frac{V+a}{b}$$

代入第一式，得 $V_0$ 满足： $$-\frac{1}{3}V_0^3 + V_0 - \frac{V_0+a}{b} + I = 0$$

$I=0$ 时平衡点的定量计算：

平衡点满足 $dW/dt=0$，即 $W = \frac{V+a}{b}$。代入 $I=0$：

\[V - \frac{1}{3}V^3 - \frac{V+a}{b} = 0\]

乘以 $b=0.8$ 并整理：

\[0.8V - 0.8 \cdot \frac{1}{3}V^3 - V - 0.7 = 0 \implies -\frac{0.8}{3}V^3 - 0.2V - 0.7 = 0\]

即： $$V^3 + 0.75V + 2.625 = 0$$

因 $f'(V) = 3V^2 + 0.75 > 0$，函数单调递增，方程有唯一实根。试值得 $V^* \approx -1.199$，对应 $W^* \approx -0.624$。

$V$-零倾线的分支判定： $V$-零倾线 $W = V - \frac{1}{3}V^3$ 的极值点出现在 $1-V^2=0$，即 $V=\pm 1$。因 $V^* \approx -1.199 < -1$，平衡点严格位于**左支**，是**稳定结点**（对应神经元的静息状态）。

3. 脉冲电流响应分析

考虑脉冲 $I(t) = I_0 \delta(t-t_0)$，积分 $dV/dt$ 中的冲击项得：

\[\Delta V = \int_{t_0^-}^{t_0^+} I_0 \delta(t-t_0) dt = I_0\]

脉冲瞬间，$V$ 跳变 $I_0$，而慢变量 $W$ 来不及改变。新状态为 $(V_0', W_0) = (V^*+I_0,\; W^*)$。

阈值判别：系统是否能产生动作电位（全或无的尖峰），取决于扰动后状态是否落在**激发域**内。

近似激发阈值（经验法则）：若扰动将 $V$ 推至超过 $V$-零倾线的局部极大值对应坐标 $V_{\max}=1$，则系统必然跳到右支。即要求：

\[V^* + I_0 \geq V_{\max} = 1\]

代入 $V^* \approx -1.199$，得：

\[I_0 \geq 1 - (-1.199) = 2.199\]

即激发所需的最小脉冲强度 $I_{0,\text{th}} \approx 2.20$。

脉冲响应行为总结： - 当 $I_0 < I_{0,\text{th}} \approx 2.2$：扰动后状态仍在左支吸引域内，系统快速回到静息点，无尖峰（阈下响应）。 - 当 $I_0 > I_{0,\text{th}}$：系统被推至激发域，沿右支产生大幅去极化，随后由慢变量 $W$ 的作用回返，完成一次完整的动作电位后回到静息状态（单次尖峰）。

添加时间: 2026-04-11

抛物型偏微分方程数值解

基本方程

抛物型方程： $$ \frac{\partial u}{\partial t} = a \frac{\partial^2 u}{\partial x^2} + f(x) $$

初始条件：$u(x, 0) = \phi(x)$

差分格式

设 $x$ 方向 $N$ 等分，$t$ 方向 $M$ 等分，$u(x_j, t_k)$ 的数值解记为 $u_j^k$。

显式差分格式： $$ \frac{u_j^{k+1} - u_j^k}{\tau} = \lambda \frac{u_{j+1} - 2u_j + u_{j-1}}{h^2} $$

其中 $\lambda = \frac{a \tau}{h^2}$ 为 Courant 数。

参数关系： - 当 $a \frac{\tau}{h^2} = \frac{1}{3}$ 时，误差阶为 $O(\tau^2 + h^2)$ - 当 $r = \frac{a \tau}{2 h^2} = \frac{1}{6}$ 时，误差为 $O(\tau^2 + h^2)$

误差分析

截断误差展开： $$ \frac{1}{2} \tau^2 \partial_{ttt} u + a \frac{1}{12} h^4 \partial_{xxxx} u $$

\[ \frac{1}{2} \tau \partial_{tt} u + a \frac{1}{12} h^2 \partial_{xxxx} u \]

系数计算： $$ \mu = -\left( \frac{1}{2} - \frac{1}{12 r} \right), \quad r = \frac{a \tau}{h^2} $$

稳定性分析

舍入误差影响： $$ \max |u_{i,j} - \tilde{u}{i,j}| \leq C_h \left( \max |f} - \tilde{f{i,j}| + \max |g| \right) $$} - \tilde{g}_{i,j

其中： - $-\Delta_h \tilde{u}_{i,j} = \tilde{f}_{i,j}$，$\tilde{u}_{i,j} = \tilde{g}_{i,j}$（数值解） - $-\Delta_h u_{i,j} = f_{i,j}$，$u_{i,j} = g_{i,j}$（精确解） - $-\Delta_h v_{i,j} = f_{i,j} - \tilde{f}_{i,j}$（误差方程）

极值原理

离散极值原理： $$ \max_\Omega u_{i,j} \leq \max_{\partial\Omega} u_{i,j} $$

误差界推导：设误差 $e = u - u_h$，利用辅助函数与极值原理： $$ |e|\infty \leq C|\Delta e|\infty $$

其中 $C$ 为常数，体现"误差的无穷范数被误差 Laplace 算子的无穷范数控制"。

双曲型偏微分方程数值解

波动方程

\[ \frac{\partial^2 u}{\partial t^2} = c^2 \frac{\partial^2 u}{\partial x^2} \]

差分格式： $$ \frac{u_j^{k+1} - 2u_j^k + u_j^{k-1}}{\tau^2} = c^2 \frac{u_{j+1}^k - 2u_j^k + u_{j-1}^k}{h^2} $$

CFL 条件

双曲方程的稳定性条件： $$ c \frac{\tau}{h} \leq 1 $$

有限差分法的矩阵形式

一般形式

PDE 的有限差分离散化为： $$ L_h u = f $$

其中 $L_h$ 是差分算子矩阵，$f$ 是右端项向量。

矩阵稳定性

定义：矩阵 $B$ 稳定如果 $\|B^n\| \leq M$ 对所有 $n$

摄动分析：若 $B$ 稳定，$B + C(t)$ 不稳定，因为： $$ |B + \Delta t C(\Delta t)| \leq |B| \cdot |I - \Delta t C(\Delta t)| $$

通过矩阵范数的三角不等式与摄动理论，说明时变摄动可能导致系统不稳定。

添加时间: 2026-04-15