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、k₂ | k₁=1,k₂=1.05 | 起点与第一中点预测 |
| k₃、k₄ | k₃=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
- 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。
- 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。
- 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。
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。
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。
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