预测-校正法 VS 步长减半+Richardson外推

你的观察非常敏锐！预测-校正法确实和步长减半在某些方面有相似之处，但本质上它们是不同原理的两种策略。让我详细对比分析。

---

一、表面相似：都是”粗估→精修”的过程

1. 步长减半法（Richardson外推思想）

• 第一次计算：用步长 $h$ 从 $t_n$ 到 $t_{n+1}$，得近似值 $y_h$
• 第二次计算：用步长 $h/2$ 两步从 $t_n$ 到 $t_{n+1}$，得近似值 $y_{h/2}$
• 比较/组合：用两个结果估计误差或构造更精确解

2. 预测-校正法

• 预测：用低阶（显式）方法得近似值 $y^{(P)}$
• 校正：用高阶（隐式）方法基于 $y^{(P)}$ 得改进值 $y^{(C)}$

---

二、本质区别

区别1：数学原理不同

步长减半法：

• 基于同一个数值格式，不同步长
• 利用截断误差的渐近展开： $$y_h=y^{\ast }+C{h}^p+O(h^{p+1})$$ $$y_{h/2}=y^{\ast }+C(h/2{)}^p+O(h^{p+1})$$ 其中 $y^{\ast }$ 是精确解，$p$ 是方法的阶
• Richardson外推： $$y_{improved}=\frac{2^p{y}_{h/2}-y_h}{2^p-1}=y^{\ast }+O(h^{p+1})$$ 精度提高一阶

预测-校正法：

• 基于两个不同的数值格式（不同阶）
• 预测器和校正器有不同的截断误差
• 不是通过外推公式组合，而是用预测值估计隐式项
• 校正后的阶 = 校正器的阶（通常比预测器高一阶）

---

区别2：计算成本不同

步长减半法（显式欧拉为例）：

假设原步长 $h$，要算到 $t_{n+1}$：

1. 大步长：1次函数求值 → $y_h$
2. 小步长：2次函数求值（步长 $h/2$ 需要两步） → $y_{h/2}$
3. 总计算量：3次函数求值

预测-校正法（如Heun方法 = 显式欧拉预测 + 梯形法校正一次）：

1. 预测（显式欧拉）：1次函数求值 → $y^{(P)}$
2. 校正（梯形法）：需要 $f(t_{n+1},y^{(P)})$ → 再加1次函数求值
3. 总计算量：2次函数求值
   预测-校正更高效：2次 vs 3次函数求值。

---

区别3：稳定性影响不同

步长减半法：

• 不改变方法的稳定区域
• 显式欧拉步长减半后还是显式欧拉，稳定条件：$h\le 2/|\lambda |$
• 只是更精确地满足了稳定性条件

预测-校正法：

• 可能扩大稳定区域
• 例如：显式欧拉（预测）不稳定时，梯形法（校正）可能稳定
• Heun方法的稳定区域比显式欧拉大

---

区别4：误差估计的本质不同

步长减半法：

• 误差估计：$\text{error}\approx |y_{h/2}-y_h|$
• 这是全局误差的可靠估计（基于同一个方法）

预测-校正法：

• 误差估计：$\text{error}\approx |y^{(C)}-y^{(P)}|$
• 这是局部截断误差的估计（基于两个不同方法）

三、具体数值对比

考虑方程：

$$y^{\prime }=-y,y(0)=1,h=0.5$$

精确解：$y(0.5)=e^{-0.5}\approx 0.60653066$

方法1：显式欧拉 + 步长减半

大步长 $h=0.5$：

$$y_h=1+0.5\times (-1)=0.5$$

小步长 $h/2=0.25$：

• 第一步：$y_{0.25}=1+0.25\times (-1)=0.75$
• 第二步：$y_{0.5}=0.75+0.25\times (-0.75)=0.5625$ $$y_{h/2}=0.5625$$

Richardson外推（p=1）：

$$y_{extrap}=\frac{2^1\times 0.5625-0.5}{2^1-1}=1.125-0.5=0.625$$

误差：

• $y_h$: 误差 = 0.1065
• $y_{h/2}$: 误差 = 0.0440
• 外推值: 误差 = 0.0185

方法2：预测-校正（Heun方法）

预测（显式欧拉）：

$$y^{(P)}=1+0.5\times (-1)=0.5$$

求 $f_P$：

$$f_P=f(0.5,0.5)=-0.5$$

校正（梯形法）：

$$y^{(C)}=1+\frac{0.5}{2}(-1+(-0.5))=1+0.25\times (-1.5)=0.625$$

与步长减半法的外推值相同！

• Heun方法结果：0.625
• 步长减半外推：0.625

但注意：这是巧合！只对线性问题和特定方法成立。

---

四、深入分析：为什么会有这种巧合？

对于线性方程 $y^{\prime }=\lambda y$：

Heun方法（预测-校正）：

预测：$y_P=y_n(1+h\lambda )$
校正：$y_C=y_n+\frac{h}{2}[\lambda y_n+\lambda y_P]=y_n[1+h\lambda +\frac{(h\lambda {)}^2}{2}]$

显式欧拉步长减半：

大步长：$y_h=y_n(1+h\lambda )$
小步长：$y_{h/2}=y_n(1+\frac{h\lambda }{2}{)}^2=y_n[1+h\lambda +\frac{(h\lambda {)}^2}{4}]$
外推：$y_{extrap}=2y_{h/2}-y_h=y_n[1+h\lambda +\frac{(h\lambda {)}^2}{2}]$
确实相同！

但：这只对线性方程和欧拉法+梯形法这个特定组合成立。

---

五、非线性方程的对比

考虑非线性方程：

$$y^{\prime }=y(1-y),y(0)=0.5,h=0.5$$

方法1：显式欧拉 + 步长减半

大步长 $h=0.5$：

$$f(0,0.5)=0.5\times 0.5=0.25$$ $$y_h=0.5+0.5\times 0.25=0.625$$

小步长 $h/2=0.25$：

• 第一步：$f(0,0.5)=0.25$，$y_{0.25}=0.5+0.25\times 0.25=0.5625$
• 第二步：$f(0.25,0.5625)=0.5625\times 0.4375\approx 0.2461$
  $y_{0.5}=0.5625+0.25\times 0.2461\approx 0.6240$

外推：

$$y_{extrap}=2\times 0.6240-0.625=0.6230$$

方法2：Heun方法（预测-校正）

预测（显式欧拉）：

$$y^{(P)}=0.625(\text{同上})$$

求 $f_P$：

$$f_P=f(0.5,0.625)=0.625\times 0.375=0.234375$$

校正：

$$f_0=f(0,0.5)=0.25$$ $$y^{(C)}=0.5+\frac{0.5}{2}(0.25+0.234375)=0.5+0.25\times 0.484375=0.62109375$$

结果不同了！

• 步长减半外推：0.6230
• Heun方法：0.6211
• 精确解：$y(0.5)\approx 0.6225$

---

六、两种策略的不同应用

步长减半法的主要用途：

1. 误差估计：自适应步长控制
2. 精度提升：Richardson外推
3. 验证收敛性：检查结果是否随步长减小而改善

预测-校正法的主要用途：

1. 实现隐式方法：避免完全迭代
2. 提高效率：比步长减半计算量小
3. 平衡稳定性和精度：结合显式和隐式优点

---

七、在现代软件中的体现

MATLAB的ode45（Runge-Kutta-Fehlberg）：

实际结合了两种思想：

1. 内嵌的预测-校正：4阶和5阶Runge-Kutta对
2. 误差估计：用两个阶的结果差估计误差
3. 步长调整：基于误差估计调整步长

本质是：用两个不同阶的方法（类似预测-校正）估计误差，然后决定是否接受步长或调整步长。

---

八、总结对比表

特性	预测-校正法	步长减半法
核心思想	不同方法（不同阶）组合	同一方法不同步长
计算成本	通常2次函数求值	通常3+次函数求值
数学基础	多步法理论，隐式格式近似	Richardson外推，渐近展开
主要用途	求解推进，平衡显隐式	误差估计，精度验证
稳定性	可能改善稳定性	不改变稳定区域
非线性	一般不同结果	一般不同结果
线性特例	可能等价于外推	外推提高精度
自适应	可结合误差估计	本身就是误差估计方法

---

关键洞察

1. 你的直觉是对的：它们都是”先粗后精”的策略
2. 但原理不同：一个换方法，一个换步长
3. 线性特例的巧合：导致了表面的相似性
4. 实际应用不同：预测-校正用于推进求解，步长减半用于误差控制

更深刻的理解：它们都体现了数值分析中的一个核心哲学——用额外的计算来获取更多信息（无论是通过不同方法还是不同步长），然后用这些信息改进结果。这是数值方法从”蛮力计算”到”智能计算”的进化。

所以，你的观察揭示了数值方法设计中的一种模式，但具体实现时，工程师会根据问题特性选择最合适的策略。预测-校正更注重求解效率，步长减半更注重误差控制。