高等数学 / 系统课时
欧拉数值法
欧拉数值法
欧拉法把微分方程在当前点的导数当作局部斜率,用一小段切线预测下一时刻的状态。学完本课,你将能把初值问题离散为可执行步骤,并判断步长对误差和稳定性的影响。
学习目标
- 理解欧拉法由局部线性近似得到的更新公式
- 能用 Python 实现一阶常微分方程的逐步求解
- 能根据误差与稳定性要求选择更合理的步长
从初值问题到离散更新
考虑一阶初值问题:
解析解要求直接求出整个函数,而数值法只计算一组离散点。设步长为 ,网格点满足 。在当前点 ,导数 给出了曲线的瞬时斜率,因此可以用切线预测下一点:
这就是显式欧拉公式。“显式”表示右侧只依赖已经知道的 和 ,不需要求解额外方程。

算法执行过程
每一步只做三件事:在当前点计算斜率,乘以步长得到状态增量,再更新横坐标和状态值。若要求从 推进到 ,步数通常取 ,并确认该结果为整数或妥善处理最后一个不足步长的区间。
每步计算一次 。固定状态维度和每次 的成本时,执行 步的时间为 ;只保留当前状态的存储与步数无关,保存全轨迹则需要与 成正比的存储。
Python 主示例
下面求解初值问题 、,以步长 推进到 。程序同时计算该问题的精确解,用于观察数值误差。
import math
def f(x: float, y: float) -> float:
return y - x**2 + 1
x = 0.0
y = 0.5
h = 0.2
steps = 5
print("step x y")
print(f"{0:>4} {x:.1f} {y:.6f}")
for step in range(1, steps + 1):
# 使用当前点的斜率预测下一步状态
y = y + h * f(x, y)
x = x + h
print(f"{step:>4} {x:.1f} {y:.6f}")
# 精确解仅用于评估误差,不参与欧拉迭代
exact = (x + 1) ** 2 - 0.5 * math.exp(x)
print(f"absolute_error={abs(exact - y):.6f}")预期输出
step x y
0 0.0 0.500000
1 0.2 0.800000
2 0.4 1.152000
3 0.6 1.550400
4 0.8 1.988480
5 1.0 2.458176
absolute_error=0.182683输出表明算法确实沿网格向前推进,但在 处仍有明显误差。原因不是代码错误,而是欧拉法只使用区间起点的一次斜率估计,忽略了该步内部斜率的变化。
步长、误差与稳定性
若解足够光滑,且右端对状态的变化满足 Lipschitz 控制,一步从精确状态出发的误差是 ,固定时间区间上的累计误差是 。把本例的 h 改为 0.1、steps 改为 10,终点仍是 ,误差从 降到约 。
精度之外还要检查稳定性。对 (),欧拉更新是 。数值幅度会随步数衰减的条件是 ,即 。当 时,结果会交替变号但幅度仍下降;当 时幅度反而增大。比如 时,每步乘以 ,真实解则持续衰减。这个测试解释了为什么刚性问题有时需要换用更稳定的求解器。
常见错误
更新顺序是最容易出错的地方。计算 时必须使用旧的 和 ;若先更新 再计算斜率,就变成了另一种算法。另一个常见问题是只看最终数值,不做步长缩小实验,导致把离散误差误认为真实行为。
当状态是向量时,公式保持不变,只需让 和 返回向量,并保证各分量使用同一时刻的旧状态同步更新,不能逐分量覆盖后再计算其他分量。