9.4单步法的收敛性与相容性

单步法的收敛性与相容性 详细讲解与推导

各位同学，今天我们系统讲解常微分方程数值解中，单步法的收敛性与相容性这一核心知识点。我会从基础概念出发，完整推导每一个定理，拆解每一步的逻辑，最后用表格归纳核心结论，帮大家建立完整的知识体系。

---

一、前置知识铺垫

我们所有的讨论，都基于一阶常微分方程初值问题（IVP），标准形式为：

\[\begin{cases} y' = f(x,y), \quad x \in [x_0, X] \\ y(x_0) = y_0 \end{cases} \]

数值解法的核心思想，是将连续的微分方程离散为差分方程，通过递推计算离散点\(x_n = x_0 + nh\)（\(h\)为步长，\(n=0,1,2,\dots\)）处的数值解\(y_n\)，逼近真实解\(y(x_n)\)。

所有单步法都可以写成统一形式：

\[y_{n+1} = y_n + h\varphi(x_n, y_n, h), \quad n=0,1,2,\dots \]

其中\(\varphi(x,y,h)\)称为增量函数，不同单步法的核心区别就是增量函数的形式：

• 欧拉法：\(\varphi(x,y,h) = f(x,y)\)
• 改进欧拉法：\(\varphi(x,y,h) = \frac{1}{2}\left[f(x,y) + f(x+h, y+hf(x,y))\right]\)
• 龙格-库塔法：多段斜率加权平均的增量函数

---

二、核心概念1：截断误差

数值解的误差分为两类，这是理解收敛性的基础，很多同学的困惑都源于对两类误差的混淆。

2.1 局部截断误差

定义：假设前一步的数值解完全准确，即\(y_n = y(x_n)\)，用单步法计算得到的\(y_{n+1}\)与真实解\(y(x_{n+1})\)的差值，称为局部截断误差，记为\(T_{n+1}\)：

\[T_{n+1} = y(x_{n+1}) - \left[ y(x_n) + h\varphi(x_n, y(x_n), h) \right] \]

p阶精度定义：若局部截断误差满足\(T_{n+1} = O(h^{p+1})\)，则称该单步法具有p阶精度。

• 本质：单步计算产生的误差，是误差的“源头”，仅和方法本身的构造有关。

2.2 整体截断误差

定义：从初值\(y_0\)开始，经过\(n\)步递推计算得到的数值解\(y_n\)，与真实解\(y(x_n)\)的差值，称为整体截断误差，记为\(e_n\)：

\[e_n = y(x_n) - y_n \]

• 本质：每一步的局部截断误差累积后的总误差，是我们最终关心的误差，直接决定数值解是否能逼近真实解。

---

三、核心概念2：收敛性

3.1 收敛性的定义

定义9.3 收敛性：若求解初值问题的单步法，对于固定的\(x_n = x_0 + nh\)，当步长\(h \to 0\)（此时步数\(n = \frac{x_n - x_0}{h} \to \infty\)）时，有\(y_n \to y(x_n)\)，则称该方法是收敛的。

核心解读：

1. 必须固定计算点\(x_n\)：我们要验证的是“某一固定点的数值解，当步长无限缩小时，是否无限逼近真实解”；
2. 收敛的等价表述：\(h \to 0\)时，整体截断误差\(e_n = y(x_n) - y_n \to 0\)。

3.2 单步法收敛性定理（定理9.3）与完整证明

这是单步法收敛性的核心定理，我们将完整推导每一步，不跳步、不省略逻辑。

定理完整表述

假设求解初值问题的单步法满足以下3个条件：

1. 方法具有p阶精度，即局部截断误差\(T_{n+1} = O(h^{p+1})\)；
2. 增量函数\(\varphi(x,y,h)\)关于\(y\)满足利普希茨条件：存在与\(x,y,h\)无关的常数\(L_\varphi\)（利普希茨常数），使得

\[|\varphi(x,y,h) - \varphi(x,\bar{y},h)| \leq L_\varphi |y - \bar{y}| \]

3. 初值准确，即\(y_0 = y(x_0)\)，初始误差\(e_0 = 0\)。

则该方法的整体截断误差满足：

\[e_n = y(x_n) - y_n = O(h^p) \]

（即方法收敛，且整体误差阶数等于方法的精度阶数）

---

详细证明过程

步骤1：拆分误差，建立局部与整体的联系

我们定义一个中间量\(\bar{y}_{n+1}\)：假设第n步数值解完全准确（\(y_n = y(x_n)\)）时，用单步法算出的第n+1步结果，即：

\[\bar{y}_{n+1} = y(x_n) + h\varphi(x_n, y(x_n), h) \]

根据局部截断误差的定义，有：

\[T_{n+1} = y(x_{n+1}) - \bar{y}_{n+1} \]

由于方法具有p阶精度，因此存在与h无关的常数\(C>0\)，使得：

\[|T_{n+1}| = |y(x_{n+1}) - \bar{y}_{n+1}| \leq C h^{p+1} \tag{1} \]

步骤2：推导\(\bar{y}_{n+1}\)与实际数值解\(y_{n+1}\)的差值

实际递推得到的\(y_{n+1}\)为：

\[y_{n+1} = y_n + h\varphi(x_n, y_n, h) \]

将两式相减，整理得：

\[\bar{y}_{n+1} - y_{n+1} = \left[y(x_n) - y_n\right] + h\left[\varphi(x_n, y(x_n), h) - \varphi(x_n, y_n, h)\right] \]

两边取绝对值，由三角不等式\(|a+b| \leq |a| + |b|\)，得：

\[|\bar{y}_{n+1} - y_{n+1}| \leq |y(x_n) - y_n| + h \cdot |\varphi(x_n, y(x_n), h) - \varphi(x_n, y_n, h)| \tag{2} \]

步骤3：应用利普希茨条件化简

定理条件给出\(\varphi\)关于\(y\)满足利普希茨条件，代入(2)式的第二项：

\[|\varphi(x_n, y(x_n), h) - \varphi(x_n, y_n, h)| \leq L_\varphi |y(x_n) - y_n| = L_\varphi |e_n| \]

将其代入(2)式，化简得：

\[|\bar{y}_{n+1} - y_{n+1}| \leq |e_n| + h L_\varphi |e_n| = (1 + h L_\varphi) |e_n| \tag{3} \]

步骤4：建立整体截断误差的递推不等式

我们的目标是\(e_{n+1} = y(x_{n+1}) - y_{n+1}\)，将其拆分为两项：

\[e_{n+1} = \left[y(x_{n+1}) - \bar{y}_{n+1}\right] + \left[\bar{y}_{n+1} - y_{n+1}\right] \]

再次应用三角不等式，结合(1)式和(3)式，得：

\[|e_{n+1}| \leq |y(x_{n+1}) - \bar{y}_{n+1}| + |\bar{y}_{n+1} - y_{n+1}| \leq (1 + h L_\varphi) |e_n| + C h^{p+1} \tag{4} \]

至此，我们得到了整体截断误差的核心递推关系。

步骤5：递推求解不等式，得到\(|e_n|\)的上界

已知初值准确，即\(e_0 = 0\)，我们对(4)式进行逐次递推：

• \(n=0\)：\(|e_1| \leq (1 + h L_\varphi)|e_0| + C h^{p+1} = C h^{p+1}\)
• \(n=1\)：\(|e_2| \leq (1 + h L_\varphi)|e_1| + C h^{p+1} \leq C h^{p+1}\left[(1 + h L_\varphi) + 1\right]\)
• \(n=2\)：\(|e_3| \leq (1 + h L_\varphi)|e_2| + C h^{p+1} \leq C h^{p+1}\left[(1 + h L_\varphi)^2 + (1 + h L_\varphi) + 1\right]\)

以此类推，递推\(n\)次后，得到等比数列求和形式：

\[|e_n| \leq C h^{p+1} \sum_{k=0}^{n-1} (1 + h L_\varphi)^k \]

由等比数列求和公式\(\sum_{k=0}^{n-1} q^k = \frac{q^n - 1}{q - 1}\)，令\(q=1 + h L_\varphi\)，则\(q-1 = h L_\varphi\)，代入化简：

\[|e_n| \leq C h^{p+1} \cdot \frac{(1 + h L_\varphi)^n - 1}{h L_\varphi} = \frac{C h^p}{L_\varphi} \left[(1 + h L_\varphi)^n - 1\right] \tag{5} \]

步骤6：估计\((1 + h L_\varphi)^n\)的上界

我们固定求解区间\([x_0, X]\)，则对所有\(n\)，有\(x_n - x_0 = nh \leq T\)（\(T = X - x_0\)为区间长度，是固定常数）。

这里用到一个基础不等式：对任意\(x \geq 0\)，有\(1 + x \leq e^x\)（由\(e^x\)的泰勒展开\(e^x = 1 + x + \frac{x^2}{2!} + \dots \geq 1+x\)可证）。

令\(x = h L_\varphi \geq 0\)，则\(1 + h L_\varphi \leq e^{h L_\varphi}\)，两边取\(n\)次方：

\[(1 + h L_\varphi)^n \leq e^{n h L_\varphi} \]

结合\(nh \leq T\)，得：

\[(1 + h L_\varphi)^n \leq e^{T L_\varphi} \tag{6} \]

\(e^{T L_\varphi}\)是与\(h\)无关的常数，记为\(M = e^{T L_\varphi}\)。

步骤7：得到最终误差估计，定理得证

将(6)式代入(5)式，得：

\[|e_n| \leq \frac{C h^p}{L_\varphi} \left( e^{T L_\varphi} - 1 \right) \]

令\(K = \frac{C (e^{T L_\varphi} - 1)}{L_\varphi}\)（\(K\)是与\(h\)无关的常数），则：

\[|e_n| \leq K h^p \]

根据大O记号的定义，\(e_n = O(h^p)\)，定理得证。

---

关键推论

当\(p \geq 1\)时，\(h \to 0\)必有\(h^p \to 0\)，因此\(|e_n| \to 0\)，即\(y_n \to y(x_n)\)，方法收敛。

• 核心结论：满足定理条件的单步法，只要精度阶数\(p \geq 1\)，就一定收敛。

---

四、核心概念3：相容性

4.1 相容性的定义

相容性描述的是：离散的差分方程，当步长\(h \to 0\)时，是否能还原为原始的微分方程，即差分方程与微分方程是否“兼容”。

定义9.4 相容性：若单步法的增量函数\(\varphi\)满足：

\[\varphi(x,y,0) = f(x,y) \]

则称该单步法与初值问题相容。

核心解读：
我们将单步法的递推式变形为：

\[\frac{y_{n+1} - y_n}{h} = \varphi(x_n, y_n, h) \]

当\(h \to 0\)时，左边是函数\(y(x)\)在\(x_n\)处的导数\(y'(x_n) = f(x_n, y(x_n))\)，因此右边的极限必须等于\(f(x,y)\)，即\(\varphi(x,y,0) = f(x,y)\)，这就是相容性的本质。

4.2 相容性与精度的关系定理（定理9.4）与证明

定理完整表述

具有p阶精度的单步法，与初值问题相容的充分必要条件是\(p \geq 1\)。

---

详细证明过程

我们先对局部截断误差做泰勒展开，这是证明的基础。

局部截断误差为：

\[T_{n+1} = y(x_n + h) - y(x_n) - h\varphi(x_n, y(x_n), h) \]

1. 对\(y(x_n + h)\)在\(x_n\)处做泰勒展开：

\[y(x_n + h) = y(x_n) + y'(x_n) h + \frac{y''(x_n)}{2!} h^2 + O(h^3) \]

因此\(y(x_n + h) - y(x_n) = y'(x_n) h + \frac{y''(x_n)}{2} h^2 + O(h^3)\)，而\(y'(x_n) = f(x_n, y(x_n))\)。

2. 对\(\varphi(x_n, y(x_n), h)\)在\(h=0\)处做泰勒展开：

\[\varphi(x_n, y(x_n), h) = \varphi(x_n, y(x_n), 0) + \varphi_h'(x_n, y(x_n), 0) h + O(h^2) \]

将两个展开式代入局部截断误差，整理得：

\[T_{n+1} = h \cdot \left[ f(x_n, y(x_n)) - \varphi(x_n, y(x_n), 0) \right] + O(h^2) \tag{7} \]

---

必要性证明（相容 ⇒ \(p \geq 1\)）

若方法相容，由定义得\(\varphi(x,y,0) = f(x,y)\)，因此(7)式中\(h\)的一次项系数为0，即：

\[T_{n+1} = O(h^2) \]

根据p阶精度的定义，\(T_{n+1} = O(h^{p+1})\)，因此\(p+1 \geq 2\)，即\(p \geq 1\)，必要性得证。

充分性证明（\(p \geq 1\) ⇒ 相容）

若方法具有p阶精度且\(p \geq 1\)，则\(T_{n+1} = O(h^{p+1}) = O(h^2)\)，说明(7)式中\(h\)的一次项系数必须为0（否则\(T_{n+1} = O(h)\)，与\(p \geq 1\)矛盾），因此：

\[f(x,y) - \varphi(x,y,0) = 0 \implies \varphi(x,y,0) = f(x,y) \]

由定义，方法与初值问题相容，充分性得证。

---

五、收敛性与相容性的核心关系

结合定理9.3和定理9.4，我们可以得到常微分方程数值解中最核心的结论：

单步法收敛的充分必要条件：方法与初值问题相容，且增量函数\(\varphi(x,y,h)\)关于\(y\)满足利普希茨条件。

• 相容性是收敛的前提：不相容的方法，无论构造多复杂，都不可能收敛；
• 利普希茨条件是误差不发散的保障：保证每一步的局部误差不会被无限放大，最终累积误差可控。

---

六、实例验证

6.1 欧拉法的收敛性

欧拉法的增量函数\(\varphi(x,y,h) = f(x,y)\)：

1. 相容性：\(\varphi(x,y,0) = f(x,y)\)，满足相容性定义，方法相容；
2. 利普希茨条件：\(\varphi\)关于\(y\)的利普希茨条件，等价于\(f\)关于\(y\)的利普希茨条件；
3. 精度：欧拉法是一阶精度（\(p=1\)），满足\(p \geq 1\)。

因此，当\(f\)关于\(y\)满足利普希茨条件时，欧拉法收敛。

6.2 改进欧拉法的收敛性

改进欧拉法的增量函数：

\[\varphi(x,y,h) = \frac{1}{2}\left[ f(x,y) + f(x+h, y + h f(x,y)) \right] \]

1. 相容性：\(\varphi(x,y,0) = \frac{1}{2}[f(x,y) + f(x,y)] = f(x,y)\)，满足相容性；
2. 利普希茨条件：若\(f\)关于\(y\)满足利普希茨条件（常数为\(L\)），可推导出\(\varphi\)的利普希茨常数\(L_\varphi = L\left(1 + \frac{h_0}{2}L\right)\)（\(h \leq h_0\)），满足利普希茨条件；
3. 精度：改进欧拉法是二阶精度（\(p=2\)），满足\(p \geq 1\)。

因此，改进欧拉法收敛。

---

七、核心知识点总结表格

核心概念	定义/数学表达	核心条件	核心结论	关键备注
局部截断误差	\(T_{n+1}=y(x_{n+1})-[y(x_n)+h\varphi(x_n,y(x_n),h)]\)	假设前一步数值解完全准确	\(T_{n+1}=O(h^{p+1})\) ⇨ 方法具有p阶精度	单步计算的原生误差，决定方法的精度阶数
整体截断误差	\(e_n = y(x_n) - y_n\)	从初值开始n步递推的总误差	\(e_n=O(h^p)\) ⇨ 整体误差与方法精度同阶	所有步局部误差的累积，决定数值解的准确性
收敛性	固定\(x_n=x_0+nh\)，\(h \to 0\)时\(y_n \to y(x_n)\)	1. 方法p阶精度，\(p\geq1\)；2. \(\varphi\)关于\(y\)满足利普希茨条件；3. 初值准确	满足条件则方法收敛，\(e_n \to 0\)	数值方法可用的核心判据，收敛的方法才有实际意义
相容性	增量函数满足\(\varphi(x,y,0)=f(x,y)\)	\(h \to 0\)时，差分方程还原为原微分方程	相容 ⇿ 方法精度\(p\geq1\)	收敛的必要前提，不相容的方法一定不收敛
收敛与相容的关系	单步法收敛 ⇿ 方法相容 + \(\varphi\)满足利普希茨条件	区间有限，初值准确	相容是收敛的前提，利普希茨条件是误差可控的保障	单步法收敛性的核心准则，可直接用于判断方法是否收敛

---

单步法的绝对稳定性与绝对稳定域 详细讲解与推导

上一讲我们学习了单步法的收敛性，收敛性描述的是步长h→0时，数值解能否逼近真实解，但它的核心前提是计算过程完全准确、无舍入误差。而在实际工程计算中，舍入误差不可避免，我们更关心：固定步长h递推时，某一步的微小误差，会不会在后续计算中被无限放大，最终“淹没”真实的数值解——这就是稳定性问题，它是数值方法能否实际应用的核心判据。

---

一、稳定性的核心概念与背景

1.1 稳定性的严格定义与通俗理解

数值计算中，每一步的舍入误差都会作为“扰动”进入递推过程。如果扰动在后续计算中不增长、甚至逐步衰减，方法就是稳定的；如果扰动恶性增长导致数值解完全失真，方法就是不稳定的。

定义9.5 稳定性：若一种数值方法在节点值\(y_n\)上有大小为\(\delta\)的扰动，在之后所有节点\(y_m\)（\(m>n\)）上产生的扰动的绝对值均不超过\(\delta\)，则称该方法是稳定的。

1.2 实例引入：欧拉法的稳定与不稳定

我们用例9.4的初值问题直观理解稳定性：

\[\begin{cases} y' = -100y \\ y(0) = 1 \end{cases} \]

该方程的精确解为\(y(x)=e^{-100x}\)，是快速衰减的指数函数，原方程本身稳定。

用显式欧拉法求解，递推式为\(y_{n+1}=y_n + hf(x_n,y_n)\)，代入\(f(x,y)=-100y\)得：

\[y_{n+1} = (1 - 100h)y_n \]

分两种步长测试：

1. 步长h=0.025：递推式变为\(y_{n+1}=-1.5y_n\)，解的绝对值每一步放大1.5倍，扰动同步放大，结果剧烈波动、完全失真，方法不稳定；
2. 步长h=0.005：递推式变为\(y_{n+1}=0.5y_n\)，解的绝对值每一步衰减一半，扰动同步衰减，方法稳定。

这个例子说明：单步法的稳定性，同时和方法本身、步长h、微分方程的性质有关。

1.3 模型方程的引入

为了剥离方法本身的属性，排除具体方程的干扰，我们统一用线性模型方程检验数值方法的稳定性：

\[y' = \lambda y \tag{9.32} \]

其中\(\lambda\)为复数，且要求\(\text{Re}(\lambda) < 0\)。

选择该模型的核心理由

1. 原方程稳定性：\(\text{Re}(\lambda) < 0\)时，模型方程的精确解\(y(x)=e^{\lambda x}\)是衰减的，原方程本身稳定，才有讨论数值稳定性的意义；
2. 普适性：非线性方程\(y'=f(x,y)\)可在任意点邻域做局部线性化，最终化为\(u'=\lambda u\)的形式，其中\(\lambda = f_y'(\bar{x},\bar{y})\)；
3. 方程组适配：常微分方程组\(\boldsymbol{y}' = \boldsymbol{A}\boldsymbol{y}\)中，矩阵\(\boldsymbol{A}\)的特征值就是模型方程中的\(\lambda\)，因此\(\lambda\)取复数可覆盖方程组场景。

---

二、绝对稳定性与绝对稳定域的核心定义

2.1 稳定函数与绝对稳定条件

对于模型方程\(y'=\lambda y\)，任意单步法都可写成如下递推形式：

\[y_{n+1} = E(h\lambda) \cdot y_n \]

其中\(\mu = h\lambda\)称为复步长，\(E(\mu)\)称为该方法的稳定函数（增长因子）。

可以严格推导：数值解的扰动\(\varepsilon_n = y_n^* - y_n\)（\(y_n^*\)为带扰动的数值解）满足和数值解完全相同的递推关系：

\[\varepsilon_{n+1} = E(\mu) \cdot \varepsilon_n \]

因此，扰动是否增长完全由\(|E(\mu)|\)决定：

• \(|E(\mu)| < 1\)：每一步扰动衰减，方法稳定；
• \(|E(\mu)| > 1\)：每一步扰动放大，方法不稳定；
• \(|E(\mu)| = 1\)：扰动幅值不变，临界稳定。

由此给出绝对稳定性的严格定义：

定义9.6 绝对稳定性与绝对稳定域
单步法求解模型方程\(y'=\lambda y\)时，递推式为\(y_{n+1}=E(\mu)y_n\)（\(\mu=h\lambda\)）。若满足\(|E(\mu)| < 1\)，则称该方法在\(\mu\)处绝对稳定。
在\(\mu\)的复平面上，所有满足\(|E(\mu)| < 1\)的点构成的区域，称为绝对稳定域；绝对稳定域与实轴的交集，称为绝对稳定区间。

核心解读：

• 绝对稳定域是方法的固有属性，仅和方法构造有关；
• 对给定的\(\lambda\)，只要步长\(h\)使得\(\mu=h\lambda\)落在绝对稳定域内，方法就稳定；
• 绝对稳定区间针对工程中最常见的实\(\lambda<0\)场景，直接给出步长\(h\)的取值范围。

---

三、常用单步法的绝对稳定域完整推导

3.1 显式欧拉法（向前欧拉法）

步骤1：推导稳定函数

显式欧拉法格式：\(y_{n+1} = y_n + h f(x_n,y_n)\)，代入模型方程\(f(x,y)=\lambda y\)得：

\[y_{n+1} = y_n + h\lambda y_n = (1 + h\lambda) y_n \]

令\(\mu=h\lambda\)，稳定函数为：

\[E(\mu) = 1 + \mu \]

步骤2：推导绝对稳定域

绝对稳定条件\(|E(\mu)| < 1\)，即：

\[|1 + \mu| < 1 \]

复平面上的几何意义：以\((-1,0)\)为圆心、半径为1的单位圆内部。

步骤3：推导绝对稳定区间

\(\mu\)为实数时，解不等式\(|1+\mu|<1\)：

\[-1 < 1 + \mu < 1 \implies -2 < \mu < 0 \]

即绝对稳定区间为\((-2, 0)\)。

工程应用

当\(\lambda<0\)时，代入得\(0 < h < -\frac{2}{\lambda}\)。对应例9.4，\(\lambda=-100\)，因此\(h<0.02\)时方法稳定，和实例计算完全一致。

---

3.2 隐式欧拉法（向后欧拉法）

步骤1：推导稳定函数

隐式欧拉法格式：\(y_{n+1} = y_n + h f(x_{n+1},y_{n+1})\)，代入模型方程得：

\[y_{n+1} = y_n + h\lambda y_{n+1} \]

整理含\(y_{n+1}\)的项：

\[y_{n+1}(1 - h\lambda) = y_n \implies y_{n+1} = \frac{1}{1 - h\lambda} y_n \]

令\(\mu=h\lambda\)，稳定函数为：

\[E(\mu) = \frac{1}{1 - \mu} \]

步骤2：推导绝对稳定域

绝对稳定条件\(|E(\mu)| < 1\)，即：

\[\left| \frac{1}{1 - \mu} \right| < 1 \implies |1 - \mu| > 1 \]

复平面上的几何意义：以\((1,0)\)为圆心、半径为1的单位圆外部。

步骤3：推导绝对稳定区间

\(\mu\)为实数时，结合\(\text{Re}(\lambda)<0\)即\(\mu=h\lambda<0\)，\(|1-\mu|>1\)恒成立，因此绝对稳定区间为\((-\infty, 0)\)。

工程应用

当\(\lambda<0\)时，无论步长\(h\)取多大正数，方法永远稳定，这是隐式方法的核心优势。

---

3.3 梯形法

步骤1：推导稳定函数

梯形法格式：\(y_{n+1} = y_n + \frac{h}{2}\left[ f(x_n,y_n) + f(x_{n+1},y_{n+1}) \right]\)，代入模型方程得：

\[y_{n+1} = y_n + \frac{h}{2}\left[ \lambda y_n + \lambda y_{n+1} \right] \]

整理得：

\[y_{n+1}\left(1 - \frac{h\lambda}{2}\right) = y_n\left(1 + \frac{h\lambda}{2}\right) \implies y_{n+1} = \frac{1 + \frac{h\lambda}{2}}{1 - \frac{h\lambda}{2}} y_n \]

令\(\mu=h\lambda\)，稳定函数为：

\[E(\mu) = \frac{1 + \frac{\mu}{2}}{1 - \frac{\mu}{2}} \]

步骤2：推导绝对稳定域

绝对稳定条件\(|E(\mu)| < 1\)，两边取模的平方，对\(\mu=a+ib\)有：

\[\left(1 + \frac{a}{2}\right)^2 + \left(\frac{b}{2}\right)^2 < \left(1 - \frac{a}{2}\right)^2 + \left(\frac{b}{2}\right)^2 \]

化简得\(a < 0\)，即\(\text{Re}(\mu) < 0\)。因此梯形法的绝对稳定域是整个左半复平面。

步骤3：推导绝对稳定区间

绝对稳定域与实轴的交集为\(\mu<0\)，即绝对稳定区间为\((-\infty, 0)\)。

---

3.4 显式龙格-库塔（R-K）方法

显式R-K方法的稳定函数，本质是指数函数\(e^\mu\)的p阶泰勒多项式（p为方法的阶数），因为模型方程的精确解为\(y_{n+1}=e^\mu y_n\)，p阶R-K的局部截断误差为\(O(h^{p+1})\)，因此稳定函数是\(e^\mu\)的p阶泰勒展开。

1~4阶显式R-K方法的核心参数：

方法阶数	稳定函数\(E(\mu)\)	绝对稳定区间
一阶（显式欧拉）	\(1+\mu\)	\((-2, 0)\)
二阶（改进欧拉）	\(1+\mu+\frac{\mu^2}{2}\)	\((-2, 0)\)
三阶	\(1+\mu+\frac{\mu^2}{2!}+\frac{\mu^3}{3!}\)	\((-2.51, 0)\)
四阶（经典R-K）	\(1+\mu+\frac{\mu^2}{2!}+\frac{\mu^3}{3!}+\frac{\mu^4}{4!}\)	\((-2.78, 0)\)

核心结论

1. 显式R-K方法的绝对稳定域都是有限区域，阶数越高，绝对稳定区间越大，对步长的限制越宽松；
2. 所有显式R-K方法都是条件稳定，必须选择合适的步长才能保证稳定性。

用例9.5验证：
初值问题\(y'=-20y\)，\(\lambda=-20\)，四阶R-K求解：

• 步长h=0.1：\(\mu=-2\)，落在稳定区间\((-2.78,0)\)内，方法稳定，误差快速衰减；
• 步长h=0.2：\(\mu=-4\)，落在稳定区间外，方法不稳定，误差指数级爆炸增长，和计算结果完全一致。

---

四、A-稳定性（无条件稳定性）

4.1 定义与核心意义

对于刚性微分方程（\(\lambda\)的实部绝对值极大，衰减极快），显式方法的稳定区间极小，需要取极小的步长，计算量极大。因此引入A-稳定性描述无条件稳定的方法。

定义9.7 A-稳定性：若数值方法的绝对稳定域包含整个左半复平面\(\{\mu | \text{Re}(\mu) < 0\}\)，则称该方法是A-稳定的。

4.2 关键结论

1. A-稳定的方法，对所有\(\text{Re}(\lambda)<0\)的模型方程，无论步长h取多大，方法始终稳定，对步长无限制；
2. 隐式欧拉法、梯形法都是A-稳定的；
3. 所有显式单步法都不是A-稳定的，其绝对稳定域为有限区域，无法覆盖整个左半复平面；
4. A-稳定的方法非常适合求解刚性微分方程，无需为了稳定性牺牲步长。

---

五、核心知识点总结表格

数值方法	稳定函数\(E(\mu)\)（\(\mu=h\lambda\)）	绝对稳定域	绝对稳定区间	是否A-稳定	方法类型
显式欧拉法（一阶R-K）	\(1+\mu\)	以\((-1,0)\)为圆心、半径1的单位圆内部	\((-2, 0)\)	否	显式
二阶显式R-K	\(1+\mu+\frac{\mu^2}{2}\)	复平面有限有界区域	\((-2, 0)\)	否	显式
三阶显式R-K	\(1+\mu+\frac{\mu^2}{2!}+\frac{\mu^3}{3!}\)	复平面有限有界区域	\((-2.51, 0)\)	否	显式
四阶显式R-K	\(1+\mu+\frac{\mu^2}{2!}+\frac{\mu^3}{3!}+\frac{\mu^4}{4!}\)	复平面有限有界区域	\((-2.78, 0)\)	否	显式
隐式欧拉法	\(\frac{1}{1-\mu}\)	以\((1,0)\)为圆心、半径1的单位圆外部	\((-\infty, 0)\)	是	隐式
梯形法	\(\frac{1+\frac{\mu}{2}}{1-\frac{\mu}{2}}\)	整个左半复平面\(\text{Re}(\mu)<0\)	\((-\infty, 0)\)	是	隐式

---

六、补充说明

1. 收敛性与稳定性的关系：收敛性是“步长h→0的渐近性质”，稳定性是“固定步长h的误差传播性质”。实际计算中h不能无限缩小，因此稳定性是数值方法可用的前提，不稳定的方法即使收敛，也无法得到正确结果；
2. 显式与隐式的取舍：显式方法计算简单、无需迭代，但有步长限制；隐式方法需要迭代求解，单步计算量大，但稳定性好，适合刚性方程；
3. 稳定区间的工程应用：对给定方程\(y'=f(x,y)\)，先计算\(f_y'\)的取值得到\(\lambda\)的范围，再根据方法的绝对稳定区间选择步长h，保证\(\mu=h\lambda\)落在稳定区间内。