Functional Equation
引言
真實世界的物理現象,物理學家習慣寫成函數方程式。想要用電腦模擬真實世界,設計函數方程式、解函數方程式是必備技能。
比方說,記錄物體所在位置。根據人類目前所知,物體不會分身,不會同時出現在兩個位置,符合函數的概念;物體不會瞬移,不會瞬時出現在遙遠位置,符合連續的概念。因此物體所在位置可以表示成一個連續函數x(t),簡寫成x。
數學家創造了函數、連續,主要是為了符合人類認知。如果影分身之術、飛雷神之術成真,那麼數學家勢必要創造其他數學元件,以符合新認知。
位置的變化多寡,稱作速度,符合微分的概念。因此物體當前速度可以表示成d/dt x(t),簡寫成x′。
物理課教過等速運動。物體速度是40,可以列出等式x′ = 40。大家把40視作一個函數,而非一個實數。
速度也可以忽快忽慢。自訂速度v,可以列出等式x′ = v。
速度的變化多寡,稱作加速度,符合二次微分的概念。因此物體當前加速度可以表示成 d²/dt² x(t),簡寫成x″。
物理課教過等加速度運動。自由落體,加速度是重力加速度g,g是一個常數約9.8,可以列出等式x″ = -g。如果又有空氣阻力f,得到加速度a = f/m,可以列出等式x″ = -g + f/m。
加速度也可以不斷變化。彗星撞地球,加速度是引力加速度g = -Gm₁m₂ / r²,G是萬有引力常數約6.7e-11,m₁ m₂是質量,r是距離。地心座標定成0,可以列出等式x″ = -Gm₁m₂ / x²。
我們的目標就是解x,知道物體的所在位置。
Functional Equation
方程式:已知數、未知數全是實數。實數運算有加減乘除。
x² + 2xy + 2y = 1
函數方程式:已知數、未知數全是函數。函數運算有加減乘除微積代入複合。
d g(x+2) ∫ f(x) dx + 2 = —— f(g(x)) + —————— dx f(x)
函數方程式當中的實數,其實是函數,稱作「常數函數」。
Functional
函數:輸入、輸出全是實數。
f(x, y) = x² + 2xy + 2y - 1
泛函數:輸入、輸出全是函數。函數的函數。
d g(x+2) L(f(x), g(x)) = ∫ f(x) dx + 2 - —— f(g(x)) - —————— dx f(x)
我不清楚數學家為何故意讓「泛函數(名詞)」跟「函數的(形容詞)」撞名。
Symbolic Solution / Numeric Solution
方程式的解,區分為符號解、數值解。
符號解外觀宛如公式、宛如定律,深受數學家喜愛。
操作科學計算軟體、查閱工程數學書籍,推導符號解。
solve ax² + bx + c = 0 | solve f(x) + f′(x) = 0 _________ | -b ± V b² - 4ac | -x x = ——————————————— | f(x) = e 2a |
數值解外觀宛如陣列、宛如資料,深受計算學家喜愛。
操作數值模擬軟體、查閱數值分析書籍,演算數值解。
solve 3x² + 12x + 8 = 0 | solve f(x) + f′(x) = 0 x = -0.7790 | f(x) = [7.4, 2.7, 1.0, 0.4, 0.1]
古代沒有計算機,古人只找符號解。導致數學課本只教符號解,不教數值解。大部分的方程式,沒人知道符號解,只好改找數值解。
符號解計算工具如Symbolab。數值解計算工具如sundials。
符號解的詳細分類
符號組成式子,式子細分為代數式、閉合式、解析式、……。大家口語上不說符號解,而是說代數解、閉合解、解析解、……。
algebraic solution:只有四則運算。 closed-form solution:包含以上項目,而且多了三角函數。 analytic solution:包含以上項目,而且多了無窮級數。
許多方程式已被證明不存在代數解、閉合解、解析解、……。
Kepler's Equation:橢圓軌道運動,已知座標位置(x,y),求時刻t,沒有閉合解。 Bézier Curve:加權平均數曲線,已知座標位置(x,y),求參數t,沒有閉合解。
Differential Equation
Differential Equation
「微分方程式」。函數方程式,只有四則運算、微分運算。
d f(x) + 2 = —— f(x) + 2 g(x) dx
符號解數學公式
微分等於零。解是任意的常數函數。
d —— f(x) = 0 ---> f(x) = c dx
微分等於原本函數。解是ex。原理是ex微分之後還是ex。
d x —— f(x) = f(x) ---> f(x) = e dx
數學家以此為基礎,讓方程式漸趨複雜,發展各種求解技巧。由於這不是我的專長,就不多提了。例如彈簧位置符號解:
符號解演算法(Least Squares Method)(Regression)
函數方程式重新整理成「泛函數等於零」的格式。
函數方程式。 d —— f(x) = f(x) + 1 dx 等量減法公理,兩邊同減一樣多的東西。(移項) d —— f(x) - f(x) - 1 = 0 dx 整理成泛函數的模樣。 d L(f(x)) = —— f(x) - f(x) - 1 dx 省略括號,簡化符號,比較好讀。 L(f) = f′ - f - 1
推定解是自訂函數,係數待求。
assume f(x) = ax² + bx + c find a,b,c
自訂函數代入泛函數。通常不是零,通常有誤差。
L(f(x)) = (2a + b) - (ax² + bx + c) - 1
平方誤差盡量小:函數每一處的平方,總和盡量小。
-∞累計到+∞,誤差無限大。因此大家只累計一小段區間。
argmin L(f(x)) dot L(f(x)) 點積風格 a,b,c argmin ∫ L(f(x))² dx 積分風格 a,b,c
最小值位於一次微分等於零的地方。對各個係數偏微分。
{ ∂/∂a ∫ L(f(x))² dx = 0 { ∂/∂b ∫ L(f(x))² dx = 0 { ∂/∂c ∫ L(f(x))² dx = 0
如果積分很難算,可以偷工減料,對輸入取樣。
let x = -2, -1, 0, 1, 2 ⎧ ∂/∂a L(f(-2))² + L(f(-1))² + L(f(0))² L(f(1))² + L(f(2))² = 0 ⎨ ∂/∂b L(f(-2))² + L(f(-1))² + L(f(0))² L(f(1))² + L(f(2))² = 0 ⎩ ∂/∂c L(f(-2))² + L(f(-1))² + L(f(0))² L(f(1))² + L(f(2))² = 0
整件事情宛如迴歸。一筆資料:輸入值、輸出值(零)。迴歸函數:自訂函數代入泛函數。
data: { (-2,0), (-1,0), (0,0), (1,0), (2,0) } regression function: L(f(x)) = (2a + b) - (ax² + bx + c) - 1
自訂函數可以推廣成自訂函數網路。函數網路末端接上泛函數,即是代入。大量資料拿來訓練函數網路。
符號解演算法(Galerkin Method)(Linearization)
推定解是自訂函數的加權總和(基底的線性組合),係數待求。
assume f(x) = w₀ φ₀(x) + w₁ φ₁(x) + w₂ φ₂(x)
再推定泛函數與自訂函數的點積等於零。
可以想成施測。挑選數個函數,進行投影,必須為零。
⎧ L(f(x)) dot φ₀(x) = 0 ⎨ L(f(x)) dot φ₁(x) = 0 ⎩ L(f(x)) dot φ₂(x) = 0
值得一提的是,一次微分方程式,得到一次方程組,容易求解。
符號解演算法(Parker–Sochacki Method)(Approximation)
推定解是多項式函數(例如泰勒級數),係數待求。
多項式函數容易微分、容易移項。
數值解演算法(Backward Euler Method)(Dynamic Programming)
函數方程式離散化,移項整理,得到遞迴公式,依序填值。
d —— f(x) = f(x) + 1 dx
(f(x) - f(x - Δx)) / Δx = f(x) + 1 1st-order backward derivative (f[i] - f[i-1] ) / Δx = f[i] + 1 implicit method f[i] - f[i-1] = f[i] Δx + Δx f[i] - f[i] Δx = f[i-1] + Δx f[i] (1 - Δx) = f[i-1] + Δx f[i] = (f[i-1] + Δx) / (1 - Δx) recurrence
數值解演算法(Forward Euler Method)(Extrapolation)
難以移項整理的情況下,不得不修改索引值。恰是右邊差分。
d —— f(x) = x sqrt(f(x)) dx
(f(x) - f(x - Δx)) / Δx = x sqrt(f(x)) 1st-order backward derivative (f[i] - f[i-1] ) / Δx = (i-1) sqrt(f[i-1]) explicit method f[i] = f[i-1] + (i-1) sqrt(f[i-1]) Δx recurrence
(f(x + Δx) - f(x)) / Δx = x sqrt(f(x)) 1st-order forward derivative (f[i+1] - f[i]) / Δx = i sqrt(f[i]) f[i+1] = f[i] + Δx i sqrt(f[i]) same recurrence
畫成函數圖形,宛如外插。利用原處斜率,求得下一處函數值。
斜率取自微分方程式的右式,完全不需要移項整理。
f(xₙ₊₁) = f(xₙ) + Δx f′(xₙ)
數值解演算法(Multistep Method)(Adams–Bashforth Method)
指數函數、三角函數、非線性函數,函數曲線斜率變化極大。只取一處斜率,往往不夠精準。因此取多處斜率,求加權平均數。取先前計算過的斜率,節省計算時間。宛如線性遞迴公式。
斜率數量、斜率地點、權重大小,可以自由設定,但是必須滿足一致性、滿足泰勒近似。一致性留待後面章節介紹。
經典的設定方式是AB2。取兩處斜率:原處、上一處。其兩個權重:3/2、-1/2。
另外還有很多花招,例如AM4、BDF2,這裡就不介紹了。
⎰ f(xₙ₊₁) = f(xₙ) + Δx sₙ ⎱ sₙ = 3/2 f′(xₙ) - 1/2 f′(xₙ₋₁)
f(xₙ) = f(xₙ₋₁) + 3/2 Δx f′(xₙ₋₁) - 1/2 Δx f′(xₙ₋₂)
數值解演算法(Multistage Method)(Runge–Kutta Method)
方才取左方多處斜率。現在取右方多處斜率。畢竟目的是右方函數值。
右方各處斜率未知,需要一一計算,甚至反覆計算。遞增法改成遞推法。從原處斜率開始,遞推下一處斜率。即時採用最新斜率,更加精準。
斜率數量、斜率地點、權重大小,可以自由設定,但是必須滿足一致性、滿足泰勒近似。一致性留待後面章節介紹。
經典的設定方式是RK4。取四處斜率:原處、半步、半步、一步。其四個權重:1/6、1/3、1/3、1/6。
另外還有很多花招,例如BS23、RKF45,這裡就不介紹了。
Differential Equation (Numerical Simulation)🚧
Numerical Simulation
數值模擬。函數方程式,求得數值解。
Numerical Iteration:數值遞推。建立遞迴公式,逐步遞推求得數值解。 Numerical Error:數值誤差。數值遞推過程,數值解與符號解的差距。 Numerical Convergence:數值收斂。數值遞推過程,數值解與符號解相符。 Numerical Scheme:數值方案。精心設計的遞迴公式,使得數值收斂。
Numerical Iteration
數值遞推。製作遞迴公式,求得微分方程式的數值解。
據我所知,數值模擬目前只有這一套手法,沒有其他手法了。這一套手法基於Euler Method,建立遞迴公式,依序填值。
方才處理單變數函數。現在處理多變數函數,衍生大量細節。
為了做成動畫,時間變化放在左式,空間變化放在右式。
為了做成動畫,左式採用backward difference。
Recurrence
離散化。三種版本差分。
計算過程,建立表格,依序填值,得到數值解。
symbolic solution | numeric solution ------------------------------------| ---------------- f(t, x) | f[⋅][⋅] f(t₀, x₀) | f[0][0] f(tₙ, xᵢ) = f(t₀ + n Δt, x₀ + i Δx) | f[n][i]
符號解、數值解,數學符號改寫成遞推風格。
symbolic solution | numeric solution ------------------| ----------------- f⁽˙⁾(⋅) | f̂⁽˙⁾(⋅) f⁽⁰⁾(x₀) | f̂⁽⁰⁾(x₀) f⁽ⁿ⁾(xᵢ) | f̂⁽ⁿ⁾(xᵢ)
Boundary
邊界。計算範圍。輪廓形狀。
我們通常只關心一小塊範圍,而不是從負無限大到正無限大。
邊界形狀視實際問題而定。例如矩形、圓形、特殊造型。
其中最棒的形狀是一維區間、二維矩形、三維立方體,恰好符合程式語言的陣列格式。
f(t) 5 ≤ t ≤ 10 time interval zero-dimensional space = interval boundary f(t,x) 5 ≤ t ≤ 10 time interval -10 ≤ x ≤ +10 space interval = rectangle boundary f(t,x,y) 5 ≤ t ≤ 10 time interval x² + y² ≤ 10 circular space = cylinder boundary
Initial Value / Boundary Value
數值模擬當中,變數被分成時間變數與空間變數,邊界被分成初始值與邊界值。
Initial Value:初始值。時刻是t₀的時間變數邊界。 Boundary Value:邊界值。空間變數邊界。
數值模擬當中,問題被分成初始值問題與邊界值問題,邊界值被分成不是指定數值與是指定數值。前者較簡單,演算法請見上個章節。後者較困難,演算法更加複雜,此處省略。
Initial Value Problem:初始值問題。邊界值不是指定數值。取決於鄰居數值。 Boundary Value Problem:邊界值問題。邊界值是指定數值。
初始值視實際問題而定。例如零函數、脈衝函數、隨機函數。
(1) Zero Initial Condition 零初始條件(一律是零) (2) Delta-pulse Initial Condition 脈衝初始條件(一處非零) (3) Random Initial Condition 隨機初始條件(亂數)
其中最難纏的初始值是隨機函數。必須謹慎內插適當數值,以確保邊界內部數值連續。一種替代方案是【尚待確認】:函數值是隨機弦波疊加。
邊界值(不是指定數值)視實際問題而定。例如無界函數、對稱函數、週期函數。
(1) Open Boundary Condition 開放邊界條件:無限空間 (2) Symmetric Boundary Condition 對稱邊界條件:牆面反彈 (3) Periodic Boundary Condition 週期邊界條件:無限循環
其中最難纏的邊界值是無界函數。必須謹慎外插適當數值,以確保邊界內緣數值不受影響。一種替代方案是Sponge Layer:海綿層置於邊界外緣,海綿層的函數值快速衰減至零。
邊界值(指定數值)視實際問題而定。例如函數值、函數導數值。
(1) Dirichlet Boundary Condition 函數值 (2) Neumann Boundary Condition 函數導數值(的邊界法線分量) (3) Cauchy Boundary Condition 上述兩者 (4) Robin Boundary Condition 上述兩者的加權總和
這些邊界值都一樣難纏。一種替代方案是Shooting Method:亂槍打鳥、試誤法。邊界值問題簡化為初始值問題。嘗試各種初始值(發射地點),各自進行數值遞推(行進軌道),檢查邊界值是否恰好符合指定數值(恰好射中邊界值)。
實際問題還有各式各樣的初始條件與邊界條件,但是目前尚未形成一套知識體系,無法為大家介紹。例如零散時間零散地點已知數值、外力即時影響數值。等你發表論文。
Numerical Error
數值誤差。符號解與數值解的差距。分為兩個階段。
local error: distance of 1st iteration of a symbolic solution and a numeric solution. ‖f⁽¹⁾ - f̂⁽¹⁾‖ ≡ distance(f⁽¹⁾(x), f̂⁽¹⁾(x)) ≡ distance(f(t₁, ⋅), f[1][⋅]) global error: distance of nth iteration of a symbolic solution and a numeric solution. ‖f⁽ⁿ⁾ - f̂⁽ⁿ⁾‖ ≡ distance(f⁽ⁿ⁾(x), f̂⁽ⁿ⁾(x)) ≡ distance(f(tₙ, ⋅), f[n][⋅])
局部誤差:遞推一步,符號解、數值解兩者差距。 全域誤差:遞推n步,符號解、數值解兩者差距。
順帶一提,累加n處local error並不等於global error。
Error Metric
局部誤差、全域誤差的距離函數,通常設定成平方距離。
沒有空間變數:兩個數字的距離。通常設定成absolute-value norm。 擁有空間變數:兩個函數的距離。通常設定成Hibert norm。
‖f⁽ⁿ⁾ - g⁽ⁿ⁾‖₂ = | f(tₙ) - g(tₙ) | ‖f⁽ⁿ⁾ - g⁽ⁿ⁾‖₂ = √ ∫ (f(tₙ,x) - g(tₙ,x))² dx ‖f⁽ⁿ⁾ - g⁽ⁿ⁾‖₂ = √ ∫∫ (f(tₙ,x,y) - g(tₙ,x,y))² dxdy
兩個離散化函數的距離:如法炮製。黎曼積分改成黎曼和。
我們習慣在邊界取樣,導致黎曼和在左右邊界各多出½Δx寬度。無傷大雅。如果你很在意,你可以扣掉它。
‖f̂⁽ⁿ⁾ - ĝ⁽ⁿ⁾‖₂ = √ sum (f̂⁽ⁿ⁾(xᵢ) - ĝ⁽ⁿ⁾(xᵢ))² Δx = √ sum (f[i] - g[i])² Δx
一個函數與一個離散化函數的距離:大家採用兩個離散化函數的距離,事情比較簡單。
‖f⁽ⁿ⁾ - f̂⁽ⁿ⁾‖₂ = √ sum (f⁽ⁿ⁾(xᵢ) - f̂⁽ⁿ⁾(xᵢ))² Δx
Differential Equation (Implementation)🚧
一階微分方程式。implicit。
d —— f(t) = f(t) + 1 dt
(f(t) - f(t-Δt)) / Δt = f(t) + 1 (f[i] - f[i-1]) / Δt = f[i] + 1 f[i] - f[i-1] = f[i] ⋅ Δt + Δt f[i] - f[i] ⋅ Δt = f[i-1] + Δt f[i] ⋅ (1 - Δt) = f[i-1] + Δt f[i] = (f[i-1] + Δt) / (1 - Δt)
一階微分方程式。explicit。
d —— f(t) = f(t) + 1 dt
(f(t) - f(t-Δt)) / Δt = f(t) + 1 (f[i] - f[i-1]) / Δt = f[i-1] + 1 (f[i] - f[i-1]) = (f[i-1] + 1) ⋅ Δt f[i] = f[i-1] + (f[i-1] + 1) ⋅ Δt
二階微分方程式。explicit。
d² d ——— f(t) = —— f(t) - f(t) dt² dt
(f(t+Δt) - 2f(t) + f(t-Δt)) / (Δt)² = (f(t) + f(t-Δt)) / Δt - f(t) (f[i+1] - 2f[i] + f[i-1]) / (Δt)² = (f[i] + f[i-1]) / Δt - f[i] f[i+1] = (2f[i] - f[i-1]) + (f[i] + f[i-1]) ⋅ Δt - f[i] ⋅ (Δt)² f[i] = (2f[i-1] - f[i-2]) + (f[i-1] + f[i-2]) ⋅ Δt - f[i-1] ⋅ (Δt)²
一階微分方程組。
Lotka–Volterra Equation: ⎰ d/dt x(t) = 1.1 x(t) - 0.4 x(t) y(t) ⎱ d/dt y(t) = 0.1 x(t) y(t) - 0.4 y(t)
高階微分方程式。化作各階微分方程組。
d³ d² d ——— f(t) = 6 ——— f(t) + 7 —— f(t) + 8 f(t) + 9 dt³ dt² dt
錯誤方式 ⎧ f = f ⎡ f ⎤ ⎡ 0 1 0 0 ⎤ ⎡ 1 ⎤ ⎨ f′ = f′ ⎢ f′ ⎥ ⎢ 0 0 1 0 ⎥ ⎢ f ⎥ ⎪ f″ = f″ ---> ⎢ f″ ⎥ = ⎢ 0 0 0 1 ⎥ ⎢ f′ ⎥ ⎩ f‴ = 6f″ + 7f′ + 8f + 9 ⎣ f‴ ⎦ ⎣ 9 8 7 6 ⎦ ⎣ f″ ⎦ 正確方式 ⎧ (f )′ = f′ ⎧ f₀′ = f₁ ⎨ (f′)′ = f″ ---> ⎨ f₁′ = f₂ ⎩ (f″)′ = 6f″ + 7f′ + 8f + 9 ⎩ f₂′ = 6f₂ + 7f₁ + 8f₀ + 9
一階偏微分方程式。explicit。
Advection Equation: ∂ ∂ —— f(t,x) = -0.4 —— f(t,x) ∂t ∂x
(f(t,x) + f(t-Δt,x)) / Δt = -0.4 ⋅ (f(t,x) - f(t,x-Δx)) / Δx (f[i][j] + f[i-1][j]) / Δt = -0.4 ⋅ (f[i-1][j] - f[i-1][j-1]) / Δx f[i][j] = f[i-1][j] - 0.4 ⋅ (f[i-1][j] - f[i-1][j-1]) ⋅ Δt / Δx f[i][j] = f[i-1][j] - k ⋅ (f[i-1][j] - f[i-1][j-1]) where k = 0.4 ⋅ Δt / Δx
一階偏微分方程式。explicit。
Heat Equation: ∂ ∂² ∂² —— f(t,x,y) = 0.1 ( ——— f(t,x,y) + ——— f(t,x,y) ) ∂t ∂x² ∂y²
離散化:右邊版本的微分、中間版本的laplace。方便起見Δx = Δy,兩項合併。 (f[t+1][x][y] - f[t][x][y]) / Δt = 0.1 ⋅ (f[t][x][y+1] + f[t][x][y-1] + f[t][x+1][y] + f[t][x-1][y] - 4 ⋅ f[t][x][y]) / Δx / Δy 以時間當作主軸:左式是t+1,右式是t。 f[t+1][x][y] = f[t][x][y] + 0.1 ⋅ (f[t][x][y+1] + f[t][x][y-1] + f[t][x+1][y] + f[t][x-1][y] - 4 ⋅ f[t][x][y]) / Δx / Δy ⋅ Δt 兩個陣列輪流使用。 fnext[x][y] = f[x][y] + 0.1 ⋅ (f[x][y+1] + f[x][y-1] + f[x+1][y] + f[x-1][y] - 4 ⋅ f[x][y]) / Δx / Δy ⋅ Δt 簡寫成k和laplace,比較清爽。 fnext[x][y] = f[x][y] + k ⋅ laplace(f[x][y]) where k = 0.1 ⋅ Δt / Δx / Δy
一階偏微分方程式。implicit。
Heat Equation: ∂ ∂² ∂² —— f(t,x,y) = 0.1 ( ——— f(t,x,y) + ——— f(t,x,y) ) ∂t ∂x² ∂y²
取新值。 fnext[x][y] = f[x][y] + k ⋅ laplace(fnext[x][y]) 移項整理,新值通通挪至左式。 fnext[x][y] = f[x][y] + k ⋅ (sum - 4 fnext[x][y]) (1 + 4k) fnext[x][y] = f[x][y] + k ⋅ sum (1 + 4k) fnext[x][y] - k ⋅ sum = f[x][y] 一次方程組 A fnext = f,已知 A 和 f,求解 fnext。 心裡邊想想就好,不必真的去建立大型稀疏矩陣、大型向量。 採用鬆弛法,得到遞推更新式子。 fnext[x][y] = (f[x][y] + k ⋅ sum) / (1 + 4k)
Differential Equation (Mathematics)🚧
微分方程式的分類:多變數函數
微分方程式分為兩類。一、常微分方程式:對同一種變數進行微分。二、偏微分方程式:對多種變數進行微分。
Ordinary Differential Equation, ODE: ∂ ∂ ∂ f(x,y) + 2 = —— f(x,y) + 3 —— —— f(x,y) + 2 g(x,y) ∂x ∂x ∂x ∂f ∂²f f + 2 = —— + 3 ——— + 2g 省略括號的部分、合併多次微分的部分 ∂x ∂x² (Leibniz) f + 2 = Dₓf + 3Dₓₓf + 2g 微分簡寫成 Dₓf Dₓₓf (Arbogast) f + 2 = fₓ + 3fₓₓ + 2g 微分簡寫成 fₓ fₓₓ (???) f + 2 = f′ + 3f″ + 2g 微分簡寫成 f′ f″ (Lagrange) f + 2 = ḟ + 3f̈ + 2g 微分簡寫成 ḟ f̈ (Newton)
Partial Differential Equation, PDE: ∂ ∂ ∂ f(x,y) + 2 = —— f(x,y) + 3 —— —— f(x,y) + 2 g(x,y) ∂x ∂x ∂y ∂f ∂²f f + 2 = —— + 3 ——— + 2g 省略括號的部分、合併多次微分的部分 ∂x ∂xy f + 2 = Dₓf + 3Dₓf + 2g 微分簡寫成 Dₓf Dₓf f + 2 = fₓ + 3fₓ + 2g 微分簡寫成 fₓ fₓ
微分方程式的分類:多變量函數
微分方程式分為兩類。一、單變量函數。二、多變量函數:多了梯度、散度、旋度。
Univariate Function: ∂f ∂f ∂²f ∂²f ∂²f f + 2 —— + 3 —— + 5 ———— + 7 ——— + 9 ——— = 0 ∂x ∂y ∂x∂y ∂x² ∂y²
Multivariate Function: ∂Fx ∂Fy ∂Fy ∂Fx ( ——— + ——— ) Fx + ( ——— - ——— ) Fy = 0 ∂x ∂y ∂x ∂y
微分方程式的分類:一次函數
微分方程式分為兩類。一、一次:函數微分視作變數,形成一次函數。二、非一次。
一次微分方程式,可以推導符號解(分離變數法、格林函數)、演算數值解(時域一次方程組、頻域傅立葉轉換)。非一次微分方程式,則是數學界的大難題,至今只有少數特例找到了符號解。
Linear Differential Equation: ∂f ∂f ∂²f ∂²f ∂²f f + 2 —— + 3 —— + 5 ———— + 7 ——— + 9 ——— + 2 = 0 ∂x ∂y ∂x∂y ∂x² ∂y²
Homogeneous Linear Differential Equation: ∂f ∂f ∂²f ∂²f ∂²f f + 2 —— + 3 —— + 5 ———— + 7 ——— + 9 ——— = 0 ∂x ∂y ∂x∂y ∂x² ∂y²
Nonlinear Differential Equation: ∂f ∂f ∂f f² + f —— + —— —— = 0 ∂x ∂x ∂y
微分方程式的分類:分離函數
Separable Differential Equation: ∂f ⎛ ∂f ⎞ ⎛ ∂f ⎞ —— = F⎜ —— ⎟ G⎜ —— ⎟ ∂x ⎝ ∂x ⎠ ⎝ ∂x ⎠
Non-separable Differential Equation: ∂f f —— = — + f x ∂x x
微分方程式的分類:圓錐曲線
二次偏微分方程式分為三類。一、橢圓曲線。二、雙曲線。三、拋物線。
微分方程式的解
微分方程式有多解。舉例來說:
一、常數函數,微分通通是零,答案很多種。 二、散度旋度運算,好比a + b = 1,答案很多種。
微分方程式求解,必須事先確保唯一解。
unisolvence 確保唯一解 convergence 確保求解過程可以得到唯一解
追加限制條件,以確保唯一解。
initial condition 指定解的某處的函數值、導數值 boundary condition 指定解的邊界的位置、函數值、導數值
函數值:確保解的零次項(常數項)、一次項、二次項、……。 導數值:確保解的一次項、二次項、……。
解可以畫成圖形。
time series graph 函數曲線。以時間為主軸。 gradient field plot 移動速度。(dx/dt, dy/dt)向量場。 phase portrait 移動路線。初始條件(x₀,y₀)沿著向量場跑。
Differential Equation (Physics)🚧
經典的微分方程式:Laplacian
全是人名,紀念古人。
Laplace Equation ∆f = 0 fₓₓ + f = 0 Poisson Equation ∆f = g fₓₓ + f = g Helmholtz Equation ∆f = λf fₓₓ + f = λf
Laplace Equation
「拉普拉斯方程式」。處處梯散為零。
一坨東西的勢力均衡。
Poisson Equation
「泊松方程式」。處處梯散已知。
常見用法是兩邊梯散相同∆f₁ = ∆f₂,f₂已知或∆f₂已知。
兩坨東西的勢力分布相等。其中一坨已知。
梯散反運算。已知梯散g,求得原函數f。
符號解:格林函數疊加而得。
數值解:擁有特殊演算法。時域一次方程組、頻域傅立葉轉換。
Helmholtz Equation
「亥姆霍玆方程式」。梯散運算的特徵函數。
梯散運算的特徵函數f是各種頻率的cos和sin波。
符號解:f(x) = e𝑖√λ‖x‖ / 4π‖x‖。
經典的微分方程式:Diffusion
引入了空間變數、時間變數,以解釋物理現象。
注意到,數學家使用梯散旋符號,偏微分的對象,涵蓋所有變數。物理學家使用梯散旋符號,偏微分的對象,只有空間變數,沒有時間變數。物理學家異於常人,大家必須小心注意。
Helmholtz Equation f = ∆f f = fₓₓ + f Heat Equation ∂/∂t f = ∆f fₜ = fₓₓ + f Wave Equation ∂²/∂t² f = ∆f fₜₜ = fₓₓ + f
Helmholtz Equation
「亥姆霍玆方程式」。
f = ∆f,函數等於位勢差。
f = -k²∆f,添上波數k。
Heat Equation
「熱傳導方程式」。硬生生多出傳導二字。
∂/∂t f = ∆f,變化速度等於位勢差。
∂/∂t f = v∆f,添上擴散速度v。
符號解:f(x) = e-x²/4t / √t。稱作Heat Kernel。
Wave Equation
「波動方程式」。硬生生多出動字。
∂²/∂t² f = ∆f,加速度等於位勢差。位勢差產生彈簧力,彈簧力產生加速度。
∂²/∂t² f = v²∆f,添上傳播速度v,有如彈性係數。
方程式重新整理成:時間微分的特徵函數、空間二次微分的特徵函數。解是兩者聯立,稱為特徵模態(Eigenmode)。物理意義:駐波。
一維空間的符號解:特徵模態f(x,t) = a sin(x+vt) + b sin(x-vt),其中a與b取決於初始條件。物理意義:兩個波,振幅a與b,往反方向傳播,疊加之後形成駐波。
二維空間的符號解:取決於空間造型(邊界條件)。除了少數特殊造型,沒人知道符號解。
一維琴弦振動:直線線段 二維薄膜振動:方形、圓形、L形 三維固體振動:懸臂梁、H型鋼、平板
經典的微分方程式:Transport
引入了物理量、守恆定律。
Continuity Equation ∂/∂t ψ + ∇∙(ψu) = 0 ψₜ + (ψu)ₓ + (ψu) = 0 Advection Equation ∂/∂t ψ + u∙∇ψ = 0 ψₜ + u₁ψₓ + u₂ψ = 0 Incompressibility ∇∙u = 0 (u₁)ₓ + (u₂) = 0
Continuity Equation
「連續方程式」。
∂/∂t ψ + ∇∙ψ = 0,時間變化量等於空間轉移量。
∂/∂t ψ + ∇∙(ψu) = 0,添上每一處的轉移速度u。
Advection Equation
「平流方程式」。
∂/∂t ψ + ∇ψ = 0,時間變化量等於相鄰空間差距。
∂/∂t ψ + u∙∇ψ = 0,添上每一處的轉移速度u。
f(x, t+△t) = f(x - v△t, t)
連續方程式可以拆成兩項:平流與壓縮。
微分的乘法公式:前微後不微、前不微後微。
∂/∂t ψ + ∇∙(ψu) = 0 ∂/∂t ψ + u∙(∇ψ) + ψ(∇∙u) = 0 ^^^^^^ ^^^^ advection compression
∂ ∂ ∂ —— ψ + ( —— ψu₁ + —— ψu₂ ) = 0 u₁是X速度 ∂t ∂x ∂y u是Y速度 ∂ ∂ ∂ ∂ ∂ —— ψ + ( u₁ —— ψ + u₂ —— ψ ) + ψ ( —— u₁ + —— u₂ ) = 0 ∂t ∂x ∂y ∂x ∂y ^^^^^^^^^^^^^^^^^^^^^ ^^^^^^^^^^^^^^^^^ advection compression
平流方程式只有時間變化項、平流項。
有人簡寫成大寫D,稱作「物質導數」。
∂ ∂ ∂ D —— ψ + ( u₁ —— ψ + u₂ —— ψ ) = 0 ---> —— ψ = 0 ∂t ∂x ∂y Dt
平流方程式追加∇∙ψ = 0,則滿足連續方程式,物理量守恆。
平流方程式不追加∇∙ψ = 0,則不一定滿足連續方程式,物理量不一定守恆。
符號解:f(x,t) = e-(x+t)²。【尚待確認】
Incompressibility
「不可壓縮」。
∇∙u = 0。出入速度,總和相等。流動順暢,不疾不徐。
經典的微分方程式:Flow
引入了勢、力。
Continuity Equation ∂/∂t ρu + ∇∙(ρu⊗u) = 0 Euler Equation ∂/∂t ρu + ∇∙(ρu⊗u) + ρg + ∇p = 0 Cauchy Equation ∂/∂t ρu + ∇∙(ρu⊗u) + ρg + ∇∙τ = 0 Navier–Stokes Equation ∂/∂t ρu + ∇∙(ρu⊗u) + ρg + ∇p + ∇∙τ = 0
Continuity Equation for Momentum Conservation
「連續方程式之動量守恆」。物理量是動量密度ψ = ρu。
質量m。體積V。密度ρ = m/V。速度u。動量mu。動量密度ρu = mu/V。
二維動量有兩個方向,總共兩道連續方程式,三維動量有三個方向,總共三道連續方程式。有人利用Kronecker product ⊗,簡寫成一道方程式。
連續方程式的由來是泰勒近似。泰勒展開,取零次項與一次項。二次項之後數值極小,物理學家選擇忽略不計。事實上,所有物理公式,其本質都是泰勒展開取到一次項或者取到二次項。
符號解沒有特別取名。
Euler Momentum Equation
「歐拉動量方程式」。重力密度ρg。壓力p。
動量相聚,產生壓力。
重力加速度g。重力mg。重力密度ρg = mg/V。
力f。表面積A。壓力p = f/A。
符號解是Arnold–Beltrami–Childress Flow。
Cauchy Momentum Equation
「柯西動量方程式」。重力密度ρg。應力τ。
動量相撞、動量相擦,產生應力。
重力加速度g。重力mg。重力密度ρg = mg/V。
力f。表面積A。應力τ = f/A。
符號解我不清楚。
Navier–Stokes Equation for Momentum Conservation
「流體方程組之動量守恆」。大家一起上。
重力密度可以視作「每單位面積的重力之空間導數」,使得右式每一項都有導數。然而重力密度是零階張量,不適合改寫成導數。
流體方程組是慣量、動量、能量三種式子聯立。此處只講動量。
流體方程組的原始版本只針對牛頓流體。牛頓流體是流體的特例。此處版本是後人重新歸納而得。
符號解是千禧年大獎難題,跟P/NP問題齊名。
備忘
牛頓第一方程 1. 質量沿著速度方向移動 2. 速度是質量的附庸品,速度也沿著速度方向移動 3. 動量沿著速度方向移動 PV=NRT方程 空間變小,但是動量總和不變 ---> 動量撞牆次數變大,壓力變大 (跟表面積有啥關係?) Bernoulli equation 白努力方程 1. 1/2 dvv + dgh + p = 常數 2. 1/2 mvv + mgh + pV = 常數 動能 位能 nrt 3. Euler equation的特例:無旋(有勢)無散(不可壓縮)純粹諧場 ∂ψ/∂t + 1/2 (∂u²/∂x + ∂v²/∂x) + 1/ρ ∂p/∂x = 0 勢變化
經典的微分方程式:Glow
引入了合體技的概念。
Advection Equation ∂/∂t f = ∇∙f Diffusion Equation ∂/∂t f = ∆f Advection–Diffusion Equation ∂/∂t f = ∆f + ∇∙f Reaction–Diffusion Equation ∂/∂t f = ∆f + R(f) Reaction–Diffusion–Advection Equation ∂/∂t f = ∇∙f + ∆f + R(f)
Reaction–Diffusion–Advection Equation
「反應-擴散-平流方程式」。各式各樣的參數,各式各樣的造型,造就大自然。
Turing Pattern Gray–Scott Model https://pmneila.github.io/jsexp/grayscott/ Kuramoto–Sivashinsky Equations https://twitter.com/thienan496/status/1448514654188228608
https://www.nature.com/articles/ncomms1289
經典的微分方程式:Attractor
亂繞圓圈的路線。
Lorenz Equation 大氣對流 Lorenz–Emanuel System 大氣對流 Rabinovich–Fabrikant Equation 雙角
經典的微分方程式:Wave
造型奇特的波。
Burgers' Equation 衝擊波 Korteweg–de Vries Equation 淺水波 de Saint-Venant Equation 淺水波
Burgers' Equation
wave breaking time。
https://en.wikipedia.org/wiki/Breaking_wave
Korteweg–de Vries Equation
Huygens–Fresnel Principle。
de Saint-Venant Equation
https://en.wikipedia.org/wiki/Shallow_water_equations
經典的微分方程式:Field
物理元件的互動。
Maxwell's Equations 電磁關係 Einstein Field Equation 重力時間關係 Schrödinger Equation 波粒關係
Maxwell's Equations
「電磁場方程組」。科學家們先後發現各式各樣的電磁關係式,由Maxwell集結成一套完整理論,由Heaviside精煉成散度與旋度。
因為是Maxwell,所以要加apostrophe s?我不知道原因。
沒有電磁感應的時候,電場靜止。靜電場散度為零。靜電場旋度為零,故靜電場是梯度場/守恆場,故靜電場可以改寫成電勢。
發生電磁感應的時候,電場運動。動電場散度依然為零。動電場旋度不再為零,故動電場不再是梯度場/守恆場。電場空間旋度恰等於磁場時間導數。電場空間變化導致磁場時間變化。電磁對調亦然。
電磁場方程組用來描述動電場。
⎧ ∇∙E = 0 ⎨ ∇∙D = 0 ⎪ ∇×E = - d/dt B ⎩ ∇×B = - d/dt E
Electromagnetic Wave Equation
「電磁波方程式」。電場振盪產生波。磁場隨之振盪。
電/磁/波,其方向是右手四指/手掌/拇指。形成橫波。
假設只往X軸方向傳遞,導致旋度運算只剩一項。
⎰ d/dx E = - d/dt B ⎱ d/dx B = - d/dt E
一式對空間微分,另一式對時間微分,兩式合併,形成波動方程式。電場版本和磁場版本等價,實際上只有一道方程式。
∂²/∂t² E = ∂²/∂x² E
∂²/∂t² B = ∂²/∂x² B