主题
微分方程与动力学建模
方法速览
- 主要用途 描述连续时间内的状态演化,模拟初值或外部输入改变后的轨迹。
- 必要输入 状态、变化率方程、初值、必要参数和外部输入。
- 适用条件 变化率有机理依据,时间尺度和量纲可以核对。
- 典型不适用情况 状态主要由离散事件改变,或关键空间差异无法忽略却只用单一状态。
- 最低限度的验证方式 检查量纲、初值及守恒关系,减半步长并与观测或解析解对照。
什么时候用动力学过程描述
若题目需要解释状态怎样随时间演化,并有依据描述状态的变化率,可用常微分方程。例如温度随时间变化、容器进出流量共同决定存量。有明确初值及时间尺度,才能完成可复核模拟。若同一时间不同空间位置的状态差异很重要,应考虑空间分区或偏微分方程。若状态只在离散事件发生时变化,差分模型或离散事件模拟可能更直接。
从状态和变化率写起
先选能概括当前系统的状态向量
每个导数项必须有“状态单位除以时间单位”的量纲。做存量平衡时,变化率通常等于流入减流出。一个常见数值起点是显式欧拉,即
用冷却过程做一次假设算例
设一个小物体的净降温速率与物体和空气的温差成正比,空气恒为
五分钟后约为
和经验预测模型怎么比
只关心下一个时点且缺少机理数据时,可以先用指数平滑或 ARIMA。微分方程适合解释已建模的过程、比较不同初值及输入,前提是外推时机理与参数仍成立。若有空间差异、随机冲击或传输滞后,分别检查是否需要分区、随机或延迟模型。参数很多而只测得一个输出时,要先判断是否存在多组参数给出几乎相同的轨迹。
容易发生的错误
冷却项少一个负号会将向环境靠近写成远离。把秒数据直接配分钟参数会导致变化率偏离。用初值或终值去重复拟合、再以同一批数据宣称可外推,也会高估有效性。合理的连续模型可能因求解步长太大出现负存量,优先区分离散误差和方程设定问题。
第一次验证的三类对照
先验算守恒量、初值、平衡点和极端条件。再将步长减半或收紧误差容限,比较关键时刻数值是否稳定,有解析解时优先对照。最后拿不同初值、时间段或输入条件的观测核对参数和轨迹。如果模拟与实测仍偏离,回看输入、参数或机理,并把测量误差和机理偏差分别记录。
双语言实验:同一冷却模型算三次
冷却方程可以先去掉平衡温度。令
这能解释数值越界。取
实验在相同单位和初值下计算解析解、两个步长的欧拉解和自适应 Runge–Kutta 解。左图比轨迹,右图比各自网格上与解析解的绝对差。运行后核对 5 分钟温度。解析值约 47.07277 °C,欧拉步长为 1 和 0.5 时依次是 44.66080 °C 和 45.92071 °C。误差随缩小步长下降。Python 和 MATLAB 的自适应求解器内部步长与插值可能不同,按相同返回时刻比较误差,可分别用 rk45_max_abs_error < 1e-6 验证。
Python 版运行前安装 python -m pip install numpy scipy matplotlib,然后在下载目录运行 python mmf_differential_equations.py。solve_ivp 的 y 以状态为行,以时间为列。MATLAB 版面向 R2020a 及更新版本,使用基础 MATLAB,不需要额外工具箱。把文件放在当前文件夹,运行 result = mmf_differential_equations(),ode45 的解矩阵以时间为行、状态为列。GNU Octave 兼容性未验证。 SciPy solve_ivp · MathWorks ode45
用显式欧拉法在四步内近似冷却方程,每步按当前斜率更新温差。终点温度约 31.328,可与解析解 32.358 比较。
最简版依赖 Python:无第三方依赖。MATLAB:基础功能,无需额外工具箱。
在源码所在目录运行 python mmf_min_differential_equations.py
py
下载当前源码import json
from math import exp
ambient = 25
temperature = 45.0
h = 0.5
rate = 0.5
trajectory = [temperature]
for _ in range(4):
# Newton 冷却定律:温度变化率与当前温差成正比,方向指向环境温度。
derivative = -rate * (temperature - ambient)
temperature += h * derivative
trajectory.append(temperature)
exact = ambient + (trajectory[0] - ambient) * exp(-rate * 4 * h)
assert all(ambient < b < a for a, b in zip(trajectory, trajectory[1:]))
assert abs(temperature - exact) < 1.1
result = {"trajectory": trajectory, "exact_final": exact, "absolute_error": abs(temperature - exact)}
print("LAB_RESULT " + json.dumps(result, ensure_ascii=False))练习 把细步长减至 0.25 分钟,再计算末端温度。同时预测冷却率为
展开参考解答
细步长为 0.25 时,5 分钟走 20 步,温度为