专题进阶 · 科学计算推荐总顺序 · 第 106 / 148 课

通过四次斜率采样构造 RK4,区分内部阶段、时间步与误差阶。

先学会这些,再进入本课 Euler 方法
还有 1 节先修课未标记掌握;已具备基础时可以直接学习,遇到障碍再沿链接补课。
专题详解 · 科学计算

Runge–KuttaRunge–Kutta

每步组合多次导数估计提高精度;不同阶数与自适应步长方案各有成本。

建议 45 分钟 · 含手算、代码与三层练习

本课要建立的能力

通过四次斜率采样构造 RK4,区分内部阶段、时间步与误差阶。

先手算,再对照代码;理解为什么成立,最后用改变条件的练习检查迁移能力。

01先把问题说具体

欧拉法只看起点斜率,如果区间内斜率变化明显,如何在一步内多看几次?

02一步步得到方法

四个阶段分别看哪里

经典 RK4 定义 k₁=f(t,y),k₂=f(t+h/2,y+hk₁/2),k₃=f(t+h/2,y+hk₂/2),k₄=f(t+h,y+hk₃)。本课 k 表示斜率,不包含 h,某些教材把 h 吸收进 k,需要先对齐记号。

k₂ 和 k₃ 都在中间时刻,但使用不同的预测状态。它们不是重复计算同一个点;k₃ 用第二次估计修正中间状态。最终 y_new=y+h(k₁+2k₂+2k₃+k₄)/6。

权重为什么不是随意平均

系数被选择来匹配精确解的泰勒展开直到四阶。在足够光滑条件下,单步局部误差 O(h⁵),固定区间全局误差 O(h⁴)。它看起来像 Simpson 权重,但一般微分方程的阶段状态也需要一起满足阶条件,不能只凭积分权重推导。

四次斜率属于同一个时间步;完成加权更新后,外部时间才前进 h。不能把四个阶段当作四次连续欧拉更新。

高阶方法的边界

经典固定步长 RK4 不自动估计误差,也不自适应选择步长。嵌入式 Runge–Kutta 方法同时形成不同阶的近似,利用差值控制步长,这是另一层机制。

显式 RK4 仍有有限稳定区间,刚性问题可能更适合隐式方法。遇到不连续右端或事件,形式上的四阶结论也需要重新检查。

03把一个小例子完全算清楚

y′=y,y(0)=1,h=0.1。

步骤计算与状态为什么这样做
k₁、k₂k₁=1,k₂=1.05起点与第一中点预测
k₃、k₄k₃=1.0525,k₄=1.10525修正中点与终点预测
加权更新y₁=1.1051708333…与 e⁰·¹≈1.105170918 接近

窄屏可左右滑动表格,阅读完整计算与理由。

一次 RK4 更新比同一步长欧拉结果 1.1 更准确,但需要四次右端计算。

04为什么这个方法成立

  1. 在线性测试方程 y′=y 上,代入各阶段得到放大因子 1+h+h²/2+h³/6+h⁴/24。
  2. 它与 eʰ 的四阶泰勒多项式一致,说明此例单步误差从五阶项开始。
  3. 一般非线性四阶结论还需完整阶条件;这个小例子是可手算的验证而非所有方程的证明。

05把推导翻译成代码

Python · 可独立运行的教学实现

def rk4(f,t0,y0,step,count):
    if step <= 0 or count < 0:
        raise ValueError("invalid time grid")
    t,y = float(t0),float(y0)
    trace = [(t,y)]
    for i in range(count):
        k1 = f(t,y)
        k2 = f(t+step/2,y+step*k1/2)
        k3 = f(t+step/2,y+step*k2/2)
        k4 = f(t+step,y+step*k3)
        y += step*(k1+2*k2+2*k3+k4)/6
        t = t0+(i+1)*step
        trace.append((t,y))
    return trace

print(rk4(lambda t,y:y,0,1,.1,1)[-1])

逐个理解关键决定

y+step*k2/2
第三阶段用 k₂ 预测状态,不是再次使用 k₁。
(k1+2*k2+2*k3+k4)/6
这是整步平均斜率,最后只乘一次 step。
count
外部时间步数;总右端调用次数为它的四倍。

06时间、空间与实现范围

n 步右端调用 4n 次,时间 O(nC_f),常数比欧拉高。

标量阶段只需 O(1) 临时空间,当前保存轨迹 O(n);向量系统需逐元素实现阶段组合。

07改变条件,检查哪里会出错

k 已含 h 还再乘 h

会把时间步重复乘入,先检查采用斜率还是增量约定。

四阶就可以用任意大步长

稳定性约束与误差目标仍然存在。

08从手算到独立迁移

先写出自己的结果和理由,再展开提示或解析。三题依次检查具体执行、边界条件和方法迁移。

练习 1 · 复现与理解

y′=常数 3 时,一步 RK4 增量是多少?

需要一点提示

四个 k 相同。

查看解析与答案

增量恰为 3h,四个权重加起来是 6。

练习 2 · 边界与辨析

为何 k₂ 和 k₃ 不能总合并?

需要一点提示

它们分别使用 k₁ 与 k₂ 预测状态。

查看解析与答案

状态相关右端下,两个状态通常不同,合并会改变方法。

练习 3 · 变式与迁移

减半 h,全局误差大约缩小几倍?

需要一点提示

看 h⁴。

查看解析与答案

平滑问题的渐近区间内约缩小 16 倍,步数约翻倍。

继续深入这个专题

本站例子、推导与教学代码独立编写。以下是相关教材、作者论文或官方文档,可继续核对定义、证明与更完整的工程实现。

Driscoll 与 Braun · 数值微分方程FEniCSx · Poisson 方程与弱形式Meep · FDTD 基础

理解之后,继续递进

继续当前专题:有限差分法 →。跨专题先修要求会在下一课顶部提示。

能解释手算中的每一步,并独立完成迁移题后,再标记掌握。