第 13 章　微分方程初步

13.1什么是微分方程

微分方程，就是含有未知函数及其导数的方程。比如：

y′ = 2x

这里 y 是未知函数，y′ 是它的导数。解这个方程，就是找一个函数 y(x)，代入后等式成立。显然 y = x² 满足（因为 (x²)′ = 2x），但 y = x² + 5 也满足。所以方程的解其实是一整族：

y = x² + C

这一族解叫通解（含有任意常数 C）。如果再加上一个条件，比如「y(0) = 3」（叫初值条件），就能把 C 定出来：3 = 0 + C，C = 3，得到唯一的特解 y = x² + 3。

为什么自然规律总以「变化率」的面目出现

为什么描述现实的方程里总是出现导数？因为直接测量「量本身」往往很难，测量「量的变化」却容易得多。温度计读得出「每小时降温多少度」，普查数得出「种群每年增加多少只」，流量计测得出「油箱每分钟消耗多少升」——规律的第一手形态，天然就是「变化率」。把这些观测写成数学语言，得到的自然是含导数的方程。物理学最核心的定律 F = ma 里，加速度 a 就是位移对时间的二阶导数，所以它本质上是「位移」这个未知函数的二阶微分方程——牛顿力学从诞生之日起，就是用微分方程说话的。

还要分清一件事：微分方程与代数方程长得像，本质完全不同。代数方程的解是「数」——2x + 3 = 7 解出一个数；微分方程的解是「函数」——y′ = 2x 解出一族曲线。解代数方程像「找到藏在暗处的那个数」，解微分方程像「还原整条运动的轨迹」。这也再次解释了为什么解里会冒出任意常数 C：轨迹是一整条曲线，而初值条件只是在曲线上钉一颗钉子，钉在不同位置，得到上下平移后的不同曲线。

给微分方程分类，主要看三个维度：阶数（出现的最高导数是一阶还是二阶）、线性与非线性（未知函数 y 及其各阶导数是否都只以一次方出现、且不互相相乘）、常微分与偏微分（未知函数依赖一个自变量还是多个）。本章只处理最基础的一阶常微分方程，但分类的思想是通用的，见到任何新方程，先分类再动手。

这道题透露了一个重要规律：通解中任意常数的个数 = 方程的阶数。一阶方程一个 C，二阶方程两个 C₁、C₂。为什么会这样？因为每积分一次就引入一个「原函数层面的不确定常数」（第 9 章的「+C」），二阶方程原则上要积分两次，自然积累两个独立常数。回头看 13.1 开头的 y′ = 2x：一阶、一个 C、一个初值条件就能定死，完全对得上号。

工程视角：航空、液压、电路工程师每天都在和这类方程打交道。液压作动筒推动舵面时，活塞位置 x(t) 不直接受控，受控的是压力的变化规律；电容两端电压的「天生习性」是充电时指数逼近电源电压；座舱温度、发动机转速、电池荷电状态，全都有自己的「动态」。只要系统的「过程」值得关心，微分方程就是唯一准确的语言。本章学会的一阶方程，是所有这些工程模型的第一块积木。

关于「解」再多说一句：微分方程的解没有「唯一标准写法」。同一个通解，例题 1 里写成 C₁e^x + C₂e^2x，也可以改写成 e^x(C₁ + C₂e^x)——形式不同，指的是同一族函数。判断两族解是否相同，最可靠的办法是各自验证是否满足方程、再数一数独立常数的个数。做题时若与参考答案「长得不一样」，先别慌，代回方程验证一下再说。

「隐式解」也是解

并非每个方程都能把 y 明明白白解成「y = 某表达式」。看一个漂亮的例子：dy/dx = −x/y。分离变量得 y dy = −x dx，两边积分 y²/2 = −x²/2 + C，整理成

x² + y² = C

这是一族以原点为圆心的同心圆——积分曲线未必是函数图像的那种「每个 x 对应一个 y」（这里一个 x 对应上下两个 y），但它们确确实实是方程的解曲线。像这样「x、y 混在一个等式里」的解叫隐式解。验证它根本不必先解出 y：对 x² + y² = C 两边关于 x 求导（y 视为 y(x)，用链式法则）得 2x + 2y·y′ = 0，即 y′ = −x/y ✓。工程与文献里大量微分方程都以隐式解交付——能验证、能用、能画图，就是好解，不必强行解成显式表达式。

13.2可分离变量的方程

最简单也最常见的一类，是可分离变量的方程，形如：

dy/dx = g(x)·h(y)

特点：右边可以拆成「只含 x」和「只含 y」的两部分相乘。解法很直接——把 y 和 x 分别挪到等式两边：

dy / h(y) = g(x) dx

然后两边分别积分：∫ [1/h(y)] dy = ∫ g(x) dx，就得到通解。

看一个经典例子：人口增长模型 dy/dt = k·y（增长率正比于当前人口）。分离变量：

dy / y = k dt　⟹　∫ dy/y = ∫ k dt　⟹　ln|y| = kt + C

两边取指数（e 的幂）：|y| = e^kt+C = e^C·e^kt。把 e^C 记作新常数 C₁，得到：

y = C₁·e^kt

这就是著名的指数增长（或衰减）规律：人口、细菌、放射性衰变、复利，全都长这个样子。若 k > 0 是增长，k < 0 是衰减。

「两边分别积分」为什么是合法的

分离变量法看起来像在「随意摆弄微分符号」，但背后有严格依据。把方程 dy/dx = g(x)·h(y) 先改写成

[1/h(y)] · (dy/dx) = g(x)

两边对 x 积分。左边的积分 ∫ [1/h(y)]·(dy/dx) dx 正是第 9 章换元积分法的标准场景：令 u = y(x)，则 du = (dy/dx) dx，积分变成 ∫ du/h(u)——恰好是「对 y 积分」。右边就是 ∫ g(x) dx。所以「x 归 x、y 归 y，两边分别积分」不是符号游戏，它就是换元积分法套用在微分方程上的固定套路：把纠缠在一起的两个变量合法地拆开。

但这个套路有一个暗坑：除以 h(y) 时可能丢解。如果 h(y) = 0 有根，比如方程 dy/dx = y²，分离变量时除以 y²，就把 y ≡ 0 这个常数解「除没了」。规范的操作是：分离前先解出 h(y) = 0 的全部根，这些根给出常数解（也叫平衡解），单独记录，最后连同「除出来的解」一并交付。好在这个坑容易补救，而且初值问题往往不受影响（见例题 3 的说明）。

「翻倍时间」是给指数过程定快慢的通用货币：放射性测年用半衰期 t_½ = ln2/k（碳-14 的 5730 年正对应 k = ln2/5730），增长评估用「多少年翻一番」，衰减评估用「多少年掉一半」。对 dy/dt = ky 而言这些指标全都只由 k 决定、与初值无关——k 是指数世界的「档位」，读懂 k 就读懂了整条曲线的脾气。

初值问题的几何解释：方向场

微分方程 dy/dx = f(x, y) 的含义可以「画」出来：在平面上每一点 (x, y) 画一条小线段，让它的斜率等于该点的 f(x, y)——整张平面布满「指路的小箭头」，这就是方向场（slope field）。方程的解曲线是一条处处与当地箭头相切的光滑曲线，像顺着水流走的船。通解是一整族互不相交的曲线；初值条件「y(x₀) = y₀」在几何上的意思，就是指定解曲线必须经过哪一点——过点选曲线，从一族里挑出唯一一条。

上图是 dy/dx = x·y（例题 3 的方程）的方向场：y 轴右侧箭头一律右上倾（斜率为正）、左侧一律右下倾，而 y = 0 这条水平线上的箭头全部水平（因为斜率 = x·0 = 0）——这正是那个容易被除掉的常数解 y ≡ 0 的几何面目：它是一条货真价实的解曲线。两条加粗曲线 y = ±e^x²/2 从 (0, ±1) 出发，所到之处与箭头严丝合缝。

方向场还回答了初学者最常问的问题：为什么初值问题通常有且只有一条解曲线？因为从出发点开始，箭头唯一地指挥曲线下一步怎么走，曲线是被「逼」着走完全程的。这就是微分方程解的存在唯一性的几何直觉（严格成立的条件是 f 与 ∂f/∂y 连续——本章遇到的方程全都满足）。

顺带说说「平衡解」的工程分量。使 h(y) = 0 的常数解 y = y₀ 在系统科学里叫平衡点：系统一旦到达就永远停驻。工程上更关心的是平衡「稳不稳」——受一点扰动会不会自己回来。看方向场就能判：若箭头在平衡点上方指向下、下方指向上（如冷却模型的 y = 20，温度偏高就降、偏低就升），扰动会被自动「压回去」，这是稳定平衡；若箭头方向相反（如纯增长模型 dy/dt = ky 的 y = 0：任何微小正扰动都会被指数放大），就是不稳定平衡。这套「看箭头定稳定」的直觉，是后续课程里稳定性分析的起点，也是「为什么温度计总要回到室温、而谣言会越传越大」的数学解释。

工程视角：放射性碳-14 定年就是本节模型的直接应用。碳-14 半衰期约 5730 年，对应 k = ln2/5730 ≈ 1.21×10⁻⁴/年。若出土木材中碳-14 只剩初始的 60%，由 N(t) = N₀e^−kt 解 t = ln(1/0.6)/k ≈ 4223 年——考古学家就这样用指数衰减「倒推时间」；法医推断死亡时间用的是同一招（见 13.4 节例题 6）。

13.3一阶线性微分方程

另一类重要方程是一阶线性微分方程，标准形：

y′ + P(x)·y = Q(x)

「线性」指 y 和 y′ 都只出现一次、不乘在一起、不开方。「一阶」指最高只出现一阶导数。

解它的关键，是找一个积分因子 μ(x) = e^∫P(x)dx，把方程两边同乘 μ(x) 后，左边会恰好变成一个「乘积的导数」：

[μ(x)·y]′ = μ(x)·Q(x)

然后两边积分：μ(x)·y = ∫ μ(x)·Q(x) dx + C，解出 y 即可。

看例子：y′ + y = x。这里 P(x) = 1，积分因子 μ = e^∫1dx = e^x。方程两边乘 e^x：

e^xy′ + e^xy = x·e^x　⟹　(e^x·y)′ = x·e^x

左边正是 (e^xy)′，右边积分（用分部积分）得 (x−1)e^x + C，于是：

e^xy = (x−1)e^x + C　⟹　y = x − 1 + C·e^−x

积分因子法的完整推导：因子不是变魔术

原文说「找 μ = e^{∫P dx} 乘上去，左边恰好变成乘积导数」，这个 μ 是怎么想出来的？设我们想把 y′ + P(x)y = Q(x) 的左边凑成 (μy)′，用乘法法则展开：(μy)′ = μy′ + μ′y。把它与「原方程两边同乘 μ 之后」对比：

同乘 μ 后的左边：　μy′ + μP y　；　乘积导数展开：　μy′ + μ′y

要让两者完全一样，只需 μ′ = Pμ。注意这本身就是一个可分离变量的微分方程：dμ/μ = P dx，积分得 ln|μ| = ∫P dx，即 μ = e^{∫P dx}。积分因子不是天上掉下来的，它是「为了让左边变成乘积导数」反解出来的——先设定目标形态，再倒推所需工具。这种「待定」思想在数学里反复出现，后续课程里求特征向量、构造辅助函数，都是同一招。

两点补充。其一，积分因子不唯一：∫P dx 差一个常数，μ 就差一个常数倍，但方程两边同乘同一个非零常数不改变解，任取一个原函数即可。其二，μ = e^{∫P dx} 恒不为 0，乘上去不会丢解——在「安全性」上比分离变量法的「除来除去」更省心。

解的结构：齐次通解 + 非齐次特解

积分因子法算出的通解永远长成 y = C·e^{−∫P dx} + y*(x) 的样子：第一项 C·e^{−∫P dx} 恰是齐次方程 y′ + Py = 0 的通解（外力为零时的「自由响应」，随时间自行衰减或保持），y* 是非齐次方程的任一特解（外力驱动的「受迫响应」）。这不是巧合而是定理：线性非齐次方程的通解 = 齐次通解 + 非齐次特解。这个「自由 + 受迫」的分解，会在二阶方程（弹簧、振荡电路）中原样重现，在后续线性代数课程里升华为「叠加原理」——线性系统的灵魂。

再介绍一个与积分因子法「殊途同归」的经典思路——常数变易法。先解对应的齐次方程 y′ + Py = 0，得通解 y = C·e^{−∫P dx}；接着大胆猜想：非齐次方程的解也许长着同一副面孔，只是把常数 C 升级成待定函数 C(x)。把 y = C(x)e^{−∫P dx} 代入原方程，用乘法法则求导后，含 P 的两项恰好抵消，只剩

C′(x)·e^{−∫P dx} = Q(x)　⟹　C(x) = ∫ Q(x)·e^{∫P dx}dx + C₁

把 C(x) 乘回去：y = [∫Q·e^{∫P dx}dx + C₁]·e^{−∫P dx}——与积分因子法的结果一模一样。两个方法一个「先乘后积」、一个「先积后乘」，互为镜像。「常数变易」的价值在于它可以直接推广到二阶、高阶线性方程（积分因子法到二阶就失效了）：先拿齐次通解当模板，再让常数升格为函数去适应外力。一阶用积分因子省事，高阶靠常数变易开路，两套兵器都要认识。

工程视角：同一个数学骨架「一阶线性 + 常数源项 → 指数逼近稳态」在工程里反复出现。RC 电路充电时电荷满足 dq/dt + q/(RC) = ε/R，解 q(t) = εC(1 − e^−t/RC)，时间常数 τ = RC；液压油温的趋近、座舱增压的调节、传感器阶跃响应的建立，全都是这条指数爬升曲线。看到一阶线性方程，脑子里就该浮现这条曲线和它的时间常数——这比记公式更有用。

给 RC 充电配上具体数字，感受「时间常数」的力量：取 R = 10 kΩ、C = 100 μF，则 τ = RC = 10⁴ Ω × 10⁻⁴ F = 1 s。充电规律 q(t) = εC(1 − e^−t/τ)：1 个 τ 后充到 1 − e⁻¹ ≈ 63.2%，2 个 τ 后 1 − e⁻² ≈ 86.5%，3 个 τ 后 1 − e⁻³ ≈ 95.0%。设计电路时问「多久充到九成」，答案是「约 2.3 个 τ」（t = τ·ln10）——不必查表，τ 一乘就出来。滤波电容为什么取大？就是想拖长 τ、让电压更平缓。时间常数是把指数曲线「翻译」成工程语言的那台翻译机；而例题 5 里降落伞的 m/k、本节的 RC，乃至液压、热学里的各种「容量/流率」，都是同一个 τ 的化身。

13.4现实中的微分方程

微分方程之所以重要，是因为自然界的规律大多以「变化率」的形式出现。举一个最经典的例子——牛顿冷却定律：

物体冷却速度 ∝ (物体温度 − 环境温度)

设物体温度为 T(t)，环境温度恒为 20℃，则 dT/dt = −k(T − 20)。这是可分离变量方程，解出来是：

T(t) = 20 + C·e^−kt

意思是：物体温度会指数式地趋近于环境温度，而不是一直冷却到零下。这个模型被法医用来推断死亡时间，被工程师用来设计散热。

完整建模示范：牛顿冷却与死亡时间推断

原文已给出牛顿冷却的解 T(t) = 20 + Ce^−kt，但真实应用里 k 和 C 都不会直接告诉你，要从两组测量数据里反解出来，然后才能回答真正想问的问题。这个「反解参数 → 再预测」的流程，是一切工程建模的标准姿势，值得完整走一遍。

动手前先把方程里的负号说透。冷却定律写成 dT/dt = −k(T − 20)：k > 0 是正常数，负号的职责是指明方向——物体比环境热（T − 20 > 0）时 dT/dt < 0，温度下降；物体比环境冷时 dT/dt > 0，温度回升。去掉负号模型立刻「物理穿帮」（越热越升温）。列方程时先想清楚「谁升谁降」，再落符号，是物理建模的铁律；这个负号还保证了 y = 20 是稳定平衡点：温度无论偏高偏低，都会被指数曲线拉回环境温度。

还要提醒一句：模型好不好，参数说了算。方程 dT/dt = −k(T − 20) 里的 k 完全由实验数据决定——物体的材质、形状、表面积、气流状况统统藏在 k 里，例题 6 用两组读数反解 k，正是「参数辨识」的最小样本版。工程上通常用更多组数据、配合最小二乘拟合来定 k，让预测抗噪。微分方程建模从来是两条腿走路：结构（方程形式）来自机理，参数（k、M 等）来自数据；两条腿任缺一条，模型都立不住。

指数增长的天花板：逻辑斯蒂（阻滞增长）模型

dP/dt = kP 说人口可以无限翻倍，但现实世界有资源上限：培养基会耗尽、市场会饱和、空间会装满。改进思路很自然——增长率不该是常数 k，而应随规模接近容量 M 而衰减到 0。最简单的实现是给 k 乘一个「剩余空间比例」(1 − y/M)：

dy/dt = k·y·(1 − y/M)

这就是逻辑斯蒂方程。它仍是可分离变量的方程（分离后左边要对 1/[y(1 − y/M)] 积分，需要「部分分式」技巧拆成两个简单分式，本书不展开），解为：

y(t) = M / (1 + A·e^−kt)　（A = M/y(0) − 1，由初值决定）

行为一目了然：y 远小于 M 时，(1 − y/M) ≈ 1，退化为纯指数增长；y 逼近 M 时，增长被「掐灭」，曲线躺平——整条曲线呈 S 形。最有趣的分水岭在 y = M/2 处：此时增长最快（曲线的拐点），因为过了半程，每新增一个个体，都在挤压所有个体的剩余机会。这条 S 形曲线是自然界与商业世界的通用剧本：细菌培养、新技术的市场扩散、传染病的早期预测、技能学习曲线，都沿这条路径展开。

工程视角 · 模型是分层的：同一个系统，在不同问题里要换不同粒度的模型。粗估舱温恢复速度，牛顿冷却够用；核算液压油温是否超限，要叠加冷却功率的源项；研究流行病，逻辑斯蒂还要再修正（人群并非均匀混合）。模型永远比现实简单，建模的艺术在于「简化到能算，又不失真到没用」。判断该用哪种增长模型，先自问两句：增长率恒定吗？有上限吗？

绝大多数方程解不出解析解：数值解一瞥

本章的方程都有「漂亮答案」，但必须说实话：现实中的微分方程绝大多数求不出解析解（写成初等函数的表达式）。工程师的对策是数值解：不追整条曲线，只追「下一步」。最朴素的欧拉法把导数近似为差分：y(x + h) ≈ y(x) + h·f(x, y)，从初值出发一小步一小步向前爬——这正是「顺着方向场的箭头走」，13.2 节的几何图像直接变成了算法。数值解不在本章展开，但请记住两件事：初值条件 + 方程 = 一条确定的轨迹；方向场就是数值方法的灵魂。欧拉法的精度由步长 h 控制：h 越小，轨迹越贴合箭头，但计算量越大——「精度」与「代价」的权衡是数值计算永恒的主题，而控制这类误差的理论工具，正是下一章的泰勒级数。工程仿真软件求解的，正是你在图 13-2 里看到的那种曲线。