高等数学 7.7常系数齐次线性微分方程

news/2024/10/22 18:40:38

在二阶齐次线性微分方程

\[y'' + P(x)y' + Q(x)y = 0 \tag{1} \]

中,如果 \(y', y\) 的系数 \(P(x), Q(x)\) 均为常数,即 \((1)\) 式成为

\[y'' + py' + qy = 0 \tag{2} \]

其中 \(p, q\) 是常数,那么称 \((2)\)二阶常系数齐次线性微分方程。如果 \(p, q\) 不全为常数,就称 \((1)\)二阶变系数齐次线性微分方程

要找微分方程 \((2)\) 的通解,可以先求出它的两个解 \(y_1, y_2\) ,如果它们之比不为常数,即 \(y_1\)\(y_2\) 线性无关,那么 \(y = C_1 y_1 + C_2 y_2\) 就是方程 \((2)\) 的通解。

\(r\) 为常数时,指数函数 \(y = \mathrm{e}^{rx}\) 和它的各阶导数都只相差一个常数因子。由于指数函数有这个特点,因此用 \(y = \mathrm{e}^{rx}\) 来尝试,看能否选取适当的常数 \(r\) ,使 \(y = \mathrm{e}^{rx}\) 满足方程 \((2)\)

\(y = \mathrm{e}^{rx}\) 求导,得到

\[y' = \mathrm{e}^{rx}, \quad y'' = r^2 \mathrm{e}^{rx} \]

\(y, y'\) 代入方程 \((2)\) ,得

\[(r^2 + pr + q) \mathrm{e}^{rx} = 0 \]

由于 \(\mathrm{e}^{rx} \neq 0\) ,所以

\[r^2 + pr + q = 0 \tag{3} \]

由此可见,只要 \(r\) 满足代数方程 \((3)\) ,函数 \(y = \mathrm{e}^{rx}\) 就是微分方程 \((2)\) 的解。代数方程 \((3)\) 叫做微分方程 \((2)\)特征方程

特征方程 \((3)\) 的两个根 \(r_1, r_2\) 可以用公式

\[r_{1, 2} = \cfrac{-p \pm \sqrt{p^2 - 4q}}{2} \]

求出。它们有三种不同的情形:
(1)当 \(p^2 - 4q > 0\) 时,\(r_1, r_2\) 是两个不相等的实根

\[r_1 = \cfrac{-p + \sqrt{p^2 - 4q}}{2}, \quad r_2 = \cfrac{-p - \sqrt{p^2 - 4q}}{2} \]

(2)当 \(p^2 - 4q = 0\) 时,\(r_1, r_2\) 是两个相等的实根

\[r_1 = r_2 = - \cfrac{p}{2} \]

(3)当 \(p^2 - 4q < 0\) 时,\(r_1, r_2\) 是一对共轭复根

\[r_1 = \alpha + \beta \mathrm{i}, \quad r_2 = \alpha - \beta \mathrm{i} \]

其中

\[\alpha = - \cfrac{p}{2}, \quad \beta = \cfrac{\sqrt{4q - p^2}}{2} \]

相应地,微分方程 \((2)\) 的通解也有三种不同的情_形。
(1)特征方程有两个不相等的实根:\(r_1 \neq r_2\)
由上面的讨论可知,\(y_1 = \mathrm{e}^{r_1x}, y_2 = \mathrm{e}^{r_2x}\) 是微分方程 \((2)\) 的两个解,并且 \(\cfrac{y_2}{y_1} = \cfrac{\mathrm{e}^{r_2x}}{\mathrm{e}^{r_1x}} = \mathrm{e}^{(r_2 - r_1)x}\) 不是常数,因此微分方程 \((2)\) 的通解为

\[y = C_1 \mathrm{e}^{r_1x} + C_2 \mathrm{e}^{r_2x} \]

(2)特征方程有两个相等的实根:\(r_1 = r_2\)
这时,只得到微分方程 \((2)\) 的一个解

\[y_1 = \mathrm{e}^{r_1x} . \]

为了得出微分方程 \((2)\) 的通解,还需求出另一个解 \(y_2\) ,并要求 \(\cfrac{y_2}{y_1}\) 不是常数。设 \(\cfrac{y_2}{y_1} = u(x)\),即 \(y_2 = \mathrm{e}^{r_1x} u(x)\) 。下面来求 \(u(x)\) 。将 \(y_2\) 求导,得

\[\begin{align*} y_2' &= \mathrm{e}^{r_1x}(u' + r_1 u) \\ y_2'' &= \mathrm{e}^{r_1x}(u'' + 2r_1u' + r_1^2 u') \end{align*} \]

\(y_2, y_2'\)\(y_2''\) 代入微分方程 \((2)\) ,得

\[\mathrm{e}^{r_1x}[(u'' + 2r_1 u' + r_1^2 u) + p(u' + r_1 u) + qu] = 0 \]

约去 \(\mathrm{e}^{r_1x}\) ,合并同类项,得

\[u'' + (2r_1 + p)u' + (r_1^2 + pr_1 + q)u = 0 \]

由于 \(r_1\) 是特征方程 \((3)\) 的二重根。因此 \(r_1^2 + pr_1 + q = 0\)\(2r_1 + p = 0\),于是得

\[u'' = 0 \]

因为这里只要得到一个不为常数的解,所以不妨取 \(u = x\) ,由此可得到微分方程 \((2)\) 的另一个解

\[y_2 = x \mathrm{e}^{r_1x} \]

从而微分方程 \((2)\) 的通解为

\[y = C_1 \mathrm{e}^{r_1x} + C_2 x \mathrm{e}^{r_1x} \]

\[y = (C_1 + C_2 x) \mathrm{e}^{r_1x} . \]

(3)特征方程有一对共轭复根:\(r_1 = \alpha + \beta \mathrm{i}, r_2 = \alpha - \beta \mathrm{i}(\beta \neq 0)\)
这时,\(y_1 = \mathrm{e}^{(\alpha + \beta \mathrm{i})x}, y_2 = \mathrm{e}^{(\alpha - \beta \mathrm{i})x}\) 是微分方程 \((2)\) 的两个解,但它们是复值函数形式。为了得到实值函数形式的解,先利用欧拉公式 \(\mathrm{e}^{i \theta} = \cos \theta + \mathrm{i} \sin \theta\)\(y_1, y_2\) 改写为

\[\begin{align*} y_1 &= \mathrm{e}^{(\alpha + \beta \mathrm{i})x} = \mathrm{e}^{\alpha x} \cdot \mathrm{e}^{\beta x \mathrm{i}} = \mathrm{e}^{\alpha x} (\cos \beta x + \mathrm{i} \sin \beta x), \\ y_2 &= \mathrm{e}^{(\alpha - \beta \mathrm{i})x} = \mathrm{e}^{\alpha x} \cdot \mathrm{e}^{- \beta x \mathrm{i}} = \mathrm{e}^{\alpha x} (\cos \beta x - \mathrm{i} \sin \beta x) \end{align*} \]

由于复值函数 \(y_1\)\(y_2\) 之间成共轭关系,因此,取它们的和除以2就得到它们的实部,取它们的差除以 \(2 \mathrm{i}\) 就得到它们的虚部。由于方程 \((2)\) 的解符合叠加原理,所以实值函数

\[\overline{y_1} = \cfrac{1}{2} (y_1 + y_2) = \mathrm{e}^{\alpha x} \cos \beta x, \quad \overline{y_2} = \cfrac{1}{2 \mathrm{i}} (y_1 - y_2) = \mathrm{e}^{\alpha x} \sin \beta x \]

还是微分方程 \((2)\) 的解,且 \(\cfrac{\overline{y_1}}{\overline{y_2}} = \cfrac{\mathrm{e}^{\alpha x} \cos \beta x}{\mathrm{e}^{\alpha x} \sin \beta x} = \cot \beta x\) 不是常数,所以微分方程 \((2)\) 的通解为

\[y = \mathrm{e}^{\alpha x} (C_1 \cos \beta x + C_2 \sin \beta x). \]

综上所述,求二阶常系数齐次线性微分方程

\[y'' + py' + qy = 0 \tag{2} \]

的通解的步骤如下:

第一步 写出微分方程 \((2)\) 的特征方程

\[r^2 + pr + q = 0 \tag{3} \]

第二步 求出特征方程 \((3)\) 的两个根 \(r_1, r_2\) .

第三步 根据特征方程 \((3)\) 的两个根的不同情形,按照下列表格写出微分方程 \((2)\) 的通解:

特征方程 \(r^2 + pr + q = 0\) 的两个根 \(r_1, r_2\) 微分方程 \(y'' + py' + qy = 0\) 的通解
两个不相等的实根 \(r_1, r_2\) \(y = C_1 \mathrm{e}^{r_1 x} + C_2 \mathrm{e}^{r_2 x}\)
两个相等的实根 \(r_1 = r_2\) \(y = (C_1 + C_2 x)\mathrm{e}^{r_1 x}\)
一对共轭复根 \(r_{1, 2} = \alpha \pm \beta \mathrm{i}\) \(y = \mathrm{e}^{\alpha x} (C_1 \cos \beta x + C_2 \sin \beta x)\)

二阶常系数齐次线性微分方程所用的方法以及方程的通解的形式,可以推广到 \(n\) 阶常系数齐次线性微分方程,简单地叙述如下:
\(n\) 阶常系数齐次线性微分方程的一般形式是

\[y^{(n)} + p_1 y^{(n - 1)} + p_2 y^{(n - 2)} + \cdots + p_{n - 1}y' + p_n y = 0 \tag{4} \]

其中 \(p_1, p_2, \cdots, p_{n - 1}, p_n\) 都是常数。

有时我们用记号 \(\mathrm{D}\) (叫做微分算子)表示对 \(x\) 求导的运算 \(\cfrac{\mathrm{d}}{\mathrm{d}x}\) ,把 \(\cfrac{\mathrm{d}y}{\mathrm{d}x}\) 记作 \(\mathrm{D}y\), 把 \(\cfrac{\mathrm{d}^n y}{\mathrm{d}x^n}\) 记作 \(\mathrm{D}^n y\),并把方程 \((4)\) 记作

\[(\mathrm{D}^n + p_1 \mathrm{D}^{n - 1} + \cdots + p_{n - 1} \mathrm{D} + p_n)y = 0 \tag{5} \]

\[L(\mathrm{D}) = \mathrm{D}^n + p_1 \mathrm{D}^{n - 1} + \cdots + p_{n - 1} \mathrm{D} + p_n \]

\(L(\mathrm{D})\) 叫做微分算子 \(\mathrm{D}\)\(n\) 次多项式。于是方程 \((5)\) 可记作

\[L(\mathrm{D})y = 0 \]

如同讨论二阶常系数齐次线性微分方程那样,令 \(y = \mathrm{e}^{rx}\) 。由于 \(\mathrm{D}\mathrm{e}^{rx} = r \mathrm{e}^{rx}, \cdots, \mathrm{D}^n \mathrm{e}^{rx} = r^n \mathrm{e}^{rx}\) ,故 \(L(\mathrm{D}) \mathrm{e}^{rx} = L(r) \mathrm{e}^{rx}\)。因此把 \(y = \mathrm{e}^{rx}\) 代入方程 \((5)\),得

\[L(r) \mathrm{e}^{rx} = 0 \]

由此可见,如果选取 \(r\)\(n\) 次代数方程 \(L(r) = 0\)

\[r^n + p_1 r^{n - 1} + p_2 r^{n - 2} + \cdots + p_{n - 1} r + p_n = 0 \tag{6} \]

的根,那么作出的函数 \(y = \mathrm{e}^{rx}\) 就是方程 \((5)\) 的一个解。
方程 \((6)\) 叫做方程 \((5)\) 的特征方程。

根据特征方程的根,可以写出其对应的微分方程的解如下:

特征方程的根 微分方程通解中的对应项
单实根 \(r\) 给出一项:\(C \mathrm{e}^{rx}\)
一对单复根 \(r_{1, 2} = \alpha \pm \beta \mathrm{i}\) 给出两项:\(\mathrm{e}^{\alpha x} (C_1 \cos \beta x + C_2 \sin \beta x)\)
\(k\) 重实根 \(r\) 给出 \(k\) 项:\(\mathrm{e}^{rx} (C_1 + C_2 x + \cdots + C_k x^{k - 1})\)
一对 \(k\) 重复根 \(r_{1, 2} = \alpha \pm \beta \mathrm{i}\) 给出 \(2k\) 项: \(\mathrm{e}^{\alpha x} [(C_1 + C_2 x + \cdots + C_k x^{k - 1}) \cos \beta x + (D_1 + D_2 x + \cdots + D_k x^{k - 1}) \sin \beta x]\)

从代数学知道,\(n\) 次代数方程有 \(n\) 个根(重根按重复数计算),而特征方程的每一个根都对应着通解中的一项,且每项哥含一个任意常数,这样就得到 \(n\) 阶常系数齐次线性微分方程的通解

\[y = C_1 y_1 + C_2 y_2 + \cdots + C_n y_n . \]

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。如若转载,请注明出处:http://www.ryyt.cn/news/74744.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈,一经查实,立即删除!

相关文章

线性代数--线性方程组

线性方程组有解的判定 {x1+x2+x3=1x1−x2−x3=−32x1+9x2+10x3=11系数矩阵:A=(1111−1−12910)增广矩阵:A=(11111−1−1−3291011) n是未知量的个数,m是方程的个数怎么判断秩是否相等步骤:通过方程,写出增广系数矩阵 只做初等行变换,化为阶梯型 看系数矩阵的秩和增广系数…

Python 应用可观测重磅上线:解决 LLM 应用落地的“最后一公里”问题

本文将从阿里云 Python 探针的接入步骤、产品能力、兼容性等方面展开介绍。并提供一个简单的 LLM 应用例子,方便测试。作者:彦鸿 背景 随着 LLM(大语言模型)技术的不断成熟和应用场景的不断拓展,越来越多的企业开始将 LLM 技术纳入自己的产品和服务中。LLM 在自然语言处理…

计算机视觉领域的实际应用有什么

计算机视觉在多个行业和应用场景中有着广泛的实际应用,主要包括医疗图像分析、自动驾驶、物体检测、人脸识别、增强现实(AR)和虚拟现实(VR)、工业自动化、农业监测等。医疗图像分析用于诊断疾病和制定治疗方案,提高医疗服务的质量和效率。其中,自动驾驶是一个相对成熟的…

【八叉树】从上千万个物体中【**瞬间**】就近选取坐标

众里寻他千百度,蓦然回首,那人却在灯火阑珊处前情提要 在某些情况下,我们在场景中创建了数百万个物体,这些物体没有直接的网格或碰撞体(例如,通过GPU绘制的物体),因此无法通过常规的射线检测与碰撞体进行交互。我们仅掌握这些物体的坐标或顶点位置。在这种情况下,我们…

Python 数据分析与可视化有什么区别

在当今的数据驱动时代,Python已成为数据分析和数据可视化的重要工具。尽管这两个领域经常在数据科学项目中相互交织,但它们在功能和目的上存在本质区别。本文旨在详细探讨Python在数据分析和数据可视化方面的差异,包括它们的定义、使用的主要库、应用场景以及在实际项目中的…

python第六章课后习题

点击查看代码print("学号:2023310143028")点击查看代码def prim(graph, start): num_nodes = len(graph) visited = [False] * num_nodes min_heap = [(0, start, -1)] mst_cost = 0 mst_edges = [] while min_heap: weight, u, parent = heapq.heappop(min…

go1.18版本下 beego/bee安装无法生成exe问题已解决

转自: https://www.cnblogs.com/leijiangsheng/p/17392795.html 我原来的项目是教育学习APP使用gin框架,很多东西都是自己原来实现的。最近开发小程序,需要重新独立后台,又重新找了下go框架研究了下,beego确实是个好框架,至少项目能用到的都考虑进去了。 然后发现我本地装…

哈希碰撞

问:两个字符串hashcode相同equals一定相同吗?equals相同hashcode一定相同吗? 答:equals相同hashcode一定相同,hashcode因为哈希碰撞所以equals不一定相同。 Hash如何存数据hash表的本质其实就是数组,hash表中通常存放的是键值对Entry。 如下图:这里的学号是个key,哈希表…