条件稳定和绝对稳定

第一部分：我们为什么要讨论“稳定性”？

在数值分析中，我们常常需要求解微分方程，特别是常微分方程的初值问题：

\frac{d y}{d t} = f (t, y), y (t_{0}) = y_{0}

绝大多数情况下，我们无法得到精确的解析解，必须使用数值方法来近似求解。这些方法（如欧拉法、龙格-库塔法等）是离散化的：我们把时间区间分成小段，步长为 $h$ ，然后一步步地从 $t_{n}$ 计算 $t_{n + 1}$ 处的近似值 $y_{n + 1}$ 。

这里就产生了一个根本问题：

在一步步计算的过程中，每一步都会引入微小的误差（舍入误差、截断误差）。这些误差会在后续计算中被放大还是衰减？

“稳定性”研究的就是这个误差传播的行为。一个不稳定的方法会让微小的初始误差像雪球一样越滚越大，最终结果完全失真，即使方法在理论上是“精确”的。

第二部分：测试方程——稳定性的“试金石”

为了研究稳定性，数学家们找到了一个完美的模型方程，它能抓住稳定性问题的本质：

\frac{d y}{d t} = λ y, y (0) = y_{0}, λ \in C

为什么选择这个方程？

简单可解：精确解为 $y (t) = y_{0} e^{λ t}$ 。
代表性强：
- 如果 $Re (λ) < 0$ ，解指数衰减 → 真实物理过程是稳定的（如热传导、阻尼振动）。
- 如果 $Re (λ) > 0$ ，解指数增长 → 真实过程本身就不稳定。
- 如果 $Re (λ) = 0$ ，解振荡（如纯虚数 $λ = iω$ 对应简谐振动）。
局部近似：对于一般方程 $y^{'} = f (t, y)$ ，在某个点附近线性化（泰勒展开），其雅可比矩阵的特征值 $λ$ 就决定了该点附近的局部行为。因此，研究这个测试方程就相当于研究了一般方程在局部线性近似下的稳定性。

稳定性研究的基本问题：

对于一个给定的数值方法，当应用于测试方程 $y^{'} = λ y$ （其中 $Re (λ) < 0$ ，即真解衰减）时，它计算出的数值解 $y_{n}$ 是否也能保持有界（或衰减）？这对步长 $h$ 和参数 $λ$ 有什么要求？

第三部分：显式欧拉法——条件稳定的典范

让我们以显式欧拉法为例，进行完整的推导。

3.1 方法公式

对于一般方程 $y^{'} = f (t, y)$ ，显式欧拉法的迭代格式是：

y_{n + 1} = y_{n} + h f (t_{n}, y_{n})

其中 $h = t_{n + 1} - t_{n}$ 是步长。

3.2 应用于测试方程

将 $f (t_{n}, y_{n}) = λ y_{n}$ 代入：

y_{n + 1} = y_{n} + h (λ y_{n}) = (1 + hλ) y_{n}

这是一个简单的递推关系（等比数列）。假设初始值 $y_{0}$ 给定，那么：

y_{n} = (1 + hλ)^{n} y_{0}

3.3 稳定性分析

精确解在 $t_{n} = nh$ 处的值为： $y (t_{n}) = y_{0} e^{λnh} = y_{0} (e^{λh})^{n}$ 。

比较一下：

精确解的“一步放大因子”： $e^{λh}$ （注意：当 $Re (λ) < 0$ 时， $∣ e^{λh} ∣ < 1$ ）
数值解的“一步放大因子”： $R (z) = 1 + z$ ，其中 $z = hλ$ 。这个 $R (z)$ 称为方法的稳定函数或放大因子。

稳定性要求：为了保证数值解 $y_{n}$ 不会随着 $n$ 增大而无限增长（至少在有界性和衰减性上与真解定性一致），我们需要数值解的放大因子满足：

∣ R (z) ∣ = ∣1 + z ∣ \leq 1

并且，当严格不等式 $∣ R (z) ∣ < 1$ 成立时，数值解也会像真解一样指数衰减。

3.4 稳定区域

不等式 $∣1 + z ∣ \leq 1$ 在复数 $z = hλ$ 平面上定义了稳定区域。

设 $z = x + i y$ ，则：

∣1 + x + i y ∣^{2} \leq 1 ⟹ (1 + x)^{2} + y^{2} \leq 1

这是一个圆的方程：圆心在 $(- 1, 0)$ ，半径为 1。

结论：只有当复数 $z = hλ$ 落在这个单位圆盘内时，显式欧拉法才是稳定的。

3.5 关键例子与“条件稳定”的含义

假设 $λ$ 是一个负实数，即 $λ = - a, a > 0$ 。那么 $z = hλ = - ah$ 。
稳定性条件 $∣1 - ah ∣ \leq 1$ 变为：

- 1 \leq 1 - ah \leq 1

右边不等式 $1 - ah \leq 1$ 自然成立（因为 $a, h > 0$ ）。
左边不等式 $- 1 \leq 1 - ah$ 给出： $ah \leq 2$ ，即：

h \leq \frac{2}{a}

这就是“条件稳定”：稳定性是有前提条件的！

你必须让步长 $h$ 小于 $2/∣ λ ∣$ ，计算才是稳定的。
如果 $∣ λ ∣$ 很大（对应变化剧烈的“刚性”分量），那么 $h$ 必须取得非常小，这会导致计算步数急剧增加。
如果你不小心让 $h$ 超过了这个限制，那么 $∣1 + hλ ∣ > 1$ ，误差会以 $(1 + hλ)^{n}$ 的形式指数增长，即使真解正在衰减。计算会“爆炸”，结果完全错误。

定义（条件稳定）：一个数值方法称为条件稳定的，如果它的稳定性（数值解不无界增长）只在步长 $h$ 满足某个特定条件（通常是 $h ∣ λ ∣ < C$ ）时才成立。

第四部分：隐式欧拉法——无条件稳定的典范

4.1 方法公式

隐式欧拉法（后向欧拉法）的迭代格式是：

y_{n + 1} = y_{n} + h f (t_{n + 1}, y_{n + 1})

注意，方程右边依赖于待求的 $y_{n + 1}$ ，所以这是一个隐式方程，通常需要迭代求解（如牛顿法）。

4.2 应用于测试方程

将 $f (t_{n + 1}, y_{n + 1}) = λ y_{n + 1}$ 代入：

y_{n + 1} = y_{n} + hλ y_{n + 1}

整理项，把含 $y_{n + 1}$ 的移到左边：

y_{n + 1} - hλ y_{n + 1} = y_{n}

(1 - hλ) y_{n + 1} = y_{n}

因此：

y_{n + 1} = \frac{1}{1 - hλ} y_{n}

4.3 稳定性分析

隐式欧拉法的稳定函数为：

R (z) = \frac{1}{1 - z}, z = hλ

稳定性要求： $∣ R (z) ∣ = \frac{1}{1 - z} \leq 1$ 。

4.4 稳定区域

求满足 $∣1/ (1 - z) ∣ \leq 1$ 的 $z$ 区域。这等价于 $∣1 - z ∣ \geq 1$ 。

设 $z = x + i y$ ，则 $∣1 - x - i y ∣^{2} \geq 1$ ，即 $(1 - x)^{2} + y^{2} \geq 1$ 。
这是一个圆的外部区域（包括边界）：圆心在 $(1, 0)$ ，半径为 1。

4.5 “绝对稳定”的含义

现在考虑我们最关心的情况：真解衰减，即 $Re (λ) < 0$ 。
这意味着 $z = hλ$ 的实部 $Re (z) = h \cdot Re (λ) < 0$ （因为 $h > 0$ ）。

观察稳定区域 $(1 - x)^{2} + y^{2} \geq 1$ ：

在左半平面 $x = Re (z) < 0$ ，点 $(x, y)$ 到点 $(1, 0)$ 的距离 $(1 - x)^{2} + y^{2}$ 总是大于1。
- 因为当 $x < 0$ 时， $1 - x > 1$ ，所以 $(1 - x)^{2} > 1$ ，即使 $y = 0$ 也满足不等式。
- 因此，整个左半平面都包含在隐式欧拉法的稳定区域内。

这就是“绝对稳定”（或称A-稳定）：

对于任意 $h > 0$ 和任意满足 $Re (λ) < 0$ 的 $λ$ ，数值方法都是稳定的。
稳定性对步长 $h$ 没有限制。你可以根据精度需要选择 $h$ ，而不用担心计算过程本身会爆炸。
这对于求解刚性方程（方程中存在 $∣ λ ∣$ 很大且 $Re (λ) < 0$ 的分量）至关重要，因为它允许我们使用相对较大的步长来积分那些快速衰减的分量，而不用被迫使用极小的步长。

定义（A-稳定）：一个数值方法称为A-稳定的，如果它的稳定区域包含整个复数左半平面 $z \in C : Re (z) < 0$ 。A-稳定方法对于衰减问题是无条件稳定的。

第五部分：核心对比与总结

特性	条件稳定	绝对稳定 (A-稳定)
代表方法	显式欧拉法、显式中点法、显式龙格-库塔法（低阶）	隐式欧拉法、梯形法、某些隐式龙格-库塔法
稳定区域	有限区域（如显式欧拉：圆心在-1半径为1的圆盘）	无限区域，包含整个左半平面（或更大）
对步长的要求	有严格要求：必须 $h < C /∣ λ ∣$	无稳定性限制：步长可基于精度自由选择
计算成本/特点	每步计算简单（显式公式），但可能因稳定性需要很小步长，总步数多。	每步计算复杂（需解隐式方程），但可忍受大步长，总步数少。
适用问题	非刚性或弱刚性问题。	刚性方程的首选。
稳定函数 $R (z)$	显式欧拉： $1 + z$	隐式欧拉： $1/ (1 - z)$
几何图示	一个小圆盘。	一个大区域（圆的外部）。

给初学者的核心要点：

稳定性研究的是误差传播，不是方法的精度。一个高阶方法可能精度很高，但如果不稳定，就无法使用。
条件稳定 = 步长有限制。就像骑自行车，速度（步长）太快就会失控（计算爆炸）。
绝对稳定 (A-稳定) = 步长无稳定性限制。就像开汽车，你可以根据路况（精度需求）选择速度（步长），车辆本身是稳定的。
刚性方程是区分两者的关键场景。刚性方程中存在变化极快（ $∣ λ ∣$ 很大）但迅速衰减（ $Re (λ) ≪ 0$ ）的分量。条件稳定方法会因为这些分量而被“绑架”，被迫使用极小的步长；而绝对稳定方法则可以“跨过”这些快速过程，用大步长积分。
隐式方法的代价：虽然稳定性好，但每步需要解方程（非线性时更复杂），计算量大。

进阶概念（了解即可）：

A-稳定：上文已定义，稳定区域包含左半平面。梯形法是A-稳定的。
L-稳定：在A-稳定的基础上，额外要求当 $Re (z) \to - \infty$ 时， $∣ R (z) ∣ \to 0$ 。这能更好地复现刚性分量被瞬间“抹平”的特性。隐式欧拉法是L-稳定的（因为 $lim_{z \to - \infty} 1/ (1 - z) = 0$ ），而梯形法不是（因为 $lim_{z \to - \infty} (1 + z /2) / (1 - z /2) = - 1$ ）。

标签: 数值分析常微分方程数值稳定性条件稳定绝对稳定 a稳定欧拉方法刚性方程

Thinking Notes

探索