帶你走進微積分的堂學習:一階線性微分方程式的基礎原理

2020-12-05 電子通信和數學

一階線性微分方程式是微分方程中最簡單的也是基本的,雖然看上去比較枯燥,但其背後的數學原理值得我們去學習和借鑑,本篇就來學習和探討下。希望對大家有所幫助。

設一階微分方程式

的右端函數f(x,y)關於y是一次線性的,設其中函數a(x)與b(y)在區間α<x<β上是連續的,此時,相應的微分方程可以寫成

像這類的微分方程稱之為一階線性微分方程,不是線性的微分方程稱之為非線性微分方程。

下面的一階微分方程式叫做一階線性微分方程式

下面的一階微分方程式叫做非線性微分方程式

本篇內容是求解一階線性微分方程式(1)

設b(x)=0,則線性微分方程式(1)變成

(2)式稱之為齊次線性微分方程式,這個方程也是變量分離的方程,因此,採用變量法求出它的通解為(夥伴們可以試著去算下,很簡單的)

其中C是一個任意常數,為了誘導出一般線性微分方程(1)的解法,我們對齊次線性微分方程(2)的通解做一點分析,上式寫成

再對x求導數,即得

令如下式子,

則得:

或得到:

由於μ(x)不等於0,所以得到

這個微分方程實際上就是齊次線性微分方程式(2),因此如果把上面的步驟逆推而上,那麼就得到線性微分方程式(7)的一種新的解法,即:根據(7),用函數μ(x)(線性微分方程7的積分因子)乘以(7)的兩端,即得方程(6),從而方程(5)成立,再取不定積分,就得到微分方程(7)的通積分(4),用這種積分因子乘方程的方法求解齊次線性微分方程式,其優點是可以用類似的程序求解一般的線性微分方程式(1)。

2)設b(x)不等於0,則稱線性微分方程式(1)為非齊次的,為了採用上述的積分因子法,我們把(1)寫成與它等價的形式

再用積分因子

乘以方程(8)的兩端,則得

亦的

兩邊取積分,則得到通積分

其中C是任意常數,因此,方程(8)的通解為

例子:求解如下微分方程式

其中K,ω,p都是正的常數。

這是一個非齊次的一階線性微分方程式,它的積分因子為

用它乘微分方程式的兩端,則得到

再取不定積分,得

從而求得微分方程式的通解為

再通過對右邊不定積分的計算,則得

其中C是任意常數。

希望大家感興趣和討論。

相關焦點

  • 常微分方程:線性微分方程解的三個重要特徵
    前一篇《帶你走進微積分的堂學習:一階線性微分方程式的基礎原理》詳細討論了線性微分方程的結構以及通解特性,本篇我們藉此機會指出一階線性微分方程解的三個重要特徵1)有一階線性微分方程>的通解是可以看出,它等於(1)的一個特解(對應於上式的C=0)再加相應的齊次線性(2)的通解,因此如果求得非齊次線性微分方程(1)的一個特解為y=φ1(x)和相應的齊次線性方程(2)的通解,則(1)的通解為2)設a(x)和b(x)在區間α<x<β上連續,則由上述通解公式可知
  • 一階線性微分方程
    可是看到這個標題你是不是就地下了頭,沒見過啊,沒聽過啊!      做數學題有三種難:有一種難叫我想不起來了,有一種難叫我知道不會算,還沒有一種難就是我壓根不知道;一階線性微分方程就是最後一種,是不是很多小夥伴有這種感覺!別激動這個玩意,屬於大學微積分的知識,數學招教考試中會考嗎?菏澤的小夥伴要注意嘍!趕快學起來吧!
  • 微分方程3,一階線性微分方程,絕對值可以不加
    微分方程3,一階線性微分方程
  • 2016考研:教你搞定一階線性微分
    下面就帶著各位同學分析一下高等數學中常見的一階微分方程及解法。      例題講解:   對於微分方程而言,主要考查的是一階以及二階微分方程的求解,今天我們主要討論常見的一階微分方程及其求解。     3、一階線性微分方程
  • 微分方程05 一階線性方程01
    叫做一階線性微分方程    是一階線性微分方程 是一階線性微分方程 不是一階線性微分方程其中一階線性微分方程是為數不多的一些能直接給出確定解法的微分方程。
  • 了解高階線性微分方程——初識二階線性微分方程
    題目在小編的上一篇文章:我要把你變弱——可降階的高階微分方程。做這部分的題目,首先要分清楚每道題是三種類型中的哪一種,然後才可下手做題。小編是這樣判斷的,首先看看方程中有沒有y,如果有y,那麼肯定是第三類,如果沒有,那就是第一或者第二類。
  • 物理競賽中的微積分基礎
    本文主要介紹物理競賽中的微積分基礎,主要包括以下內容。
  • 常微分方程中的重要方程:黎卡提方程(一階二次非線性微分方程)
    前面我們了解了什麼是一階線性微分方程,可分離變量微分方程,以及齊次微分方程,本篇講升上一個高度,一階微分方程中的二次微分方程義大利數學家在17世紀提出了著名的「黎卡提方程」,這個方程看上去挺簡單的,但分析起來相當複雜
  • 微積分學習技巧-結合幾何意義
    因此在學習微積分的重要學習技巧之一就是事實掌握函數的圖像以及函數的代數表達之間的所有關係。就能共容易理解和學習微積分的奧義。(一)熟練掌握基礎函數的性質。在學習微積分之前,其實已經學習過很多基礎函數。這些基礎函數是學習微積分的基礎。他們是求解極限、微分以及積分計算的時候的基礎。既要結合他們的代數表達式,也要結合他們所具有的特殊的圖像。
  • 001一階微分方程
    定義 含有未知函數的導數階數為一的方程即為一階微分方程 (3)一階線性方程 若由 解法 換元化為一階線性方程令 得 (一階線性方程一階線性微分方程
  • 微積分原理之辨析
    複合函數確實存在,但連簡單函數尚未搞定,你還想研究複雜函數?況且在簡單函數的微分概念明確後,複合函數,包括反函數,隱函數的微分計算都是水到渠成的事。在這裡,dy和dx都是線性主部,只不過dy是針對y=f(x)而言的,x是針對x=x而言的。2、利用鏈式求導法則導出一階微分形式不變性,找到微分在無法明確x是自變量抑或中間函數的函數。用作者自己的話說就是「在簡單函數的微分概念明確後,複合函數,包括反函數,隱函數的微分計算都是水到渠成的事。
  • 機器學習會取代數學建模嗎?讓我們假設一個微積分落後但深度學習...
    假設我們正處於一個微積分落後但深度學習發達的科技文明中。  基於線性模型的方法  從數據看來,他們期望的函數是非線性的,而且線性模型不可能將結果預測得很準確。但是,線性模型並非完全沒有價值,在很多應用場景下它是一種基礎模型,所以這兩位科學家決定先用個線性模型試試。
  • 《常見一階微分方程》類型及其一般求解思路與步驟
    一、《高等數學》一階微分方程分類:第一類:可分離變量的微分方程及其分離變量的求解方法,包括齊次微分方程(換元法)。 第二類:一階線性微分方程,其中齊次線性微分方程的求解歸結為可分離變量的微分方程;而非齊次線性微分方程基於常數變易法,或稱為待定函數法,直接得到非齊次線性微分方程的通解或者基於線性微分方程解的結構求得其一個特解來求通解:非齊次線性微分方程的特解
  • 黃老師聊數學(214)微積分入門的一些基礎知識
    微積分或數學分析,是一門研究函數的數學分支,它的理論工具是極限理論,建立在實數理論上,研究對象是微分學,積分學和級數理論。
  • 「AI白身境」入行AI需要什麼數學基礎:左手矩陣論,右手微積分
    所以一看見數學,我們就想起符號,方程式,簡單點比如這個。複雜的比如這個代數是數學的一個分支,它的研究對象是向量,涵蓋線、面和子空間,起源於對二維和三維直角坐標系的研究。因為現在X的維度太低了,比如這個朋友是不是本來就是小氣鬼或者本來就喜歡請人吃飯,比如是來我家附近吃還是他家附近吃,比如他吃飯帶不帶女孩等等。上面提到了一些隨機性,比如權重W的隨機性,0.001或者-0.001,X本身的噪聲α,β,γ。是不是很複雜,現實問題本來就很複雜嘛。不過如果你沒有經濟問題,那就可以簡單點,不管這個模型,只問你今天想不想吃飯,是就去,不想吃就不去。
  • 持續學習:數學分析之微分與導數
    今天,我們就來學習微積分中的微分與導數。我們可以看出,微分是一個增量的線性函數,微分dy 與增量Δy 與高階無窮小o(Δx)存在關係:Δy = dy + o(Δx)。注意這裡可微是點態的可微-連續定理:若f(x)在x0可微,則函數在x0連續。
  • 我要把你變弱——可降階的高階微分方程
    1.這種題都是把y的最高次冪除了,然後列出一階線性微分方程的標準形式即可,其實小編感覺這部分的題主旨就一個字——「湊」,把它們湊成一階線性微分方程,當中無非就是變量替換之類的。還有就是這裡的積分要用到分部積分法,比較繁瑣。2.這裡也是一樣的。
  • AP微積分考試5分必會詞彙,考前趕緊過一遍(附AP微積分BC5大高頻考點免費視頻課連結)
    Second Derivative Test :二階導數試驗法Second partial derivative :二階偏導數Sector :扇形Sequence :數列Series :級數Set :集合Shell method :剝殼法Sine function :正弦函數
  • 拆分——線性微分方程的解的結構
    話不多說,這篇文章算是微分方程這一章難點的開頭了。我們現在來複習線性微分方程的解的結構。這裡主要討論二階線性方程,並且考試中也只會出現二階,不會考到三階及其以上線性方程的。二階線性微分方程分為兩類:一:齊次方程(又叫做非齊次方程所對應的齊次方程)二:非齊次方程這二者的區別就是整理成:y'',y',y的形式後,等式右邊是不是為0。
  • 微積分、線性代數、概率論,這裡有份超詳細的ML數學路線圖
    深入挖掘一下,你會發現,線性代數、微積分和概率論等都和機器學習背後的算法息息相關。機器學習算法背後的數學知識你了解嗎?在構建模型的過程中,如果想超越其基準性能,那麼熟悉基本細節可能會大有幫助,尤其是在想要打破 SOTA 性能時,尤其如此。機器學習背後的原理往往涉及高等數學。例如,隨機梯度下降算法建立在多變量微積分和概率論的基礎上。