首页 关于
树枝想去撕裂天空 / 却只戳了几个微小的窟窿 / 它透出天外的光亮 / 人们把它叫做月亮和星星
目录

常微分方程简介

我们在对物理现象建模的时候,常需要找到某个变量 \(y\) 与若干个因素 \(x,w,v, \cdots\) 之间的关系,希望能够写出一个方程 \(y = f(x,w,v,\cdots)\)。 通常我们写不出这样直接的表达式,但可以根据具体的物理现象所遵循的规律,得到它们的导数或微分之间的关系。从而得到一个或者一组带有某些因素的导数关系的方程, 我们称这样的方程为微分方程。若导数关系是关于单一因素的,称之为常微分方程。如果是通过偏导数描述的两个及以上因素的微分关系,称之为偏微分方程。

在计算机仿真和物理引擎中,常微分方程(Ordinary Differential Equation, ODE)是描述仿真世界运行规律的数学底座。 仿真中人物衣物飘动、赛车碰撞、爆炸特效,其背后的物理法则本质上都是常微分方程。物理引擎的核心任务,就是在计算机里实时求解这些方程。

本节中,我们以汽车刹车过程为例,介绍一般教科书中如何用常微分方程进行物理建模,以及如何积分求解的。然后以最基础的欧拉法,介绍在计算机世界中通过数值方法求解常微分方程的。

1. 刹车过程的常微分方程

假设有一个人驾驶着一辆汽车,以 \(v_0\) m/s 的速度匀速形式。在 \(t_0\) 时刻,发现正前方有个行人,用力踩下刹车,汽车减速停了下来。 如果汽车的质量为 \(m\),并且减速过程中汽车受到的阻力为 \(F = -k v\),其中 \(k\) 是阻力系数。问 \(t_0\) 时刻之后,汽车的位移与时间的关系。

根据加速度与阻力的关系,我们可以写出汽车刹车过程中的速度常微分方程:

$$ m \frac{d v}{d t} = -kv $$

上式可以整理为:

$$ \frac{1}{v} dv = - \frac{k}{m} dt $$

两边同时积分有

$$ \int \frac{1}{v} dv = \int -\frac{k}{m} dt \Longrightarrow \ln (v) = -\frac{k}{m} t + C \Longrightarrow v = e^C \cdot e^{-\frac{k}{m}t} $$

因为汽车的初始速度为 \(v_0\),所以 \(e^C = v_0\)。如此我们得出了刹车速度公式:

$$ \begin{equation}\label{f1} v(t) = v_0 e^{-\frac{k}{m} t} \end{equation} $$

再根据速度位移之间的微分关系,有位移常微分方程:

$$ \frac{ds}{dt} = v_0 e^{-\frac{k}{m} t} \Longrightarrow ds = v_0 e^{-\frac{k}{m} t} dt \Longrightarrow s(t) = -\frac{v_0 m}{k} e^{-\frac{k}{m} t} + C_2 $$

如果以 \(t_0\) 刚刹车时车辆的位置算作起点,\(s(0) = 0\),代入上式有 \(C_2 = \frac{v_0 m}{k}\)。最终得到刹车位移公式:

$$ \begin{equation}\label{f2} s(t) = \frac{v_0 m}{k}\left( 1 - e^{-\frac{k}{m} t} \right) \end{equation} $$

根据上述式(\(\ref{f1}\))(\(\ref{f2}\)),我们可以写出踩下刹车后任意时刻车辆的速度和位移,\(t \to \infty\) 时,车速趋于 0,位移 \(s(t) \to \frac{v_0 m}{k}\) 就是理论上的最大刹车距离。 这是一个简化的刹车过程,可以手算出精确的位移公式。但在工程实际中,系统通常十分复杂,不可能得到一个解析解的。此时就需要用数值方法逐步推算出未来的轨迹。

2. 欧拉法

微分方程实际上描述的是变化率的关系。那么假设在极短的时间内,这个变化率是不变的。可以先沿着这条切线向前走一小步,到了新的位置,再重新根据微分方程计算变化率,再向前推进。 如此迭代下去就可以近似推算出未来一段曲线。这正是欧拉法的思想。

对于前面描述的刹车过程,我们把时间切成小段,每一段的长度称为步长,用 \(\Delta t\) 表示。把刹车过程中的阻力系数 \(k\) 与汽车质量 \(m\) 的比值关系记为 \(\alpha = \frac{k}{m}\)。 有微分关系:

$$ \frac{dv}{dt} = -\alpha v $$

我们用 \(v_{curr}\) 表示当前时刻车辆的速度,\(v_{next}\) 表示 \(\Delta t\) 时间之后的,也就是下一时刻的车辆速度,按照欧拉法的递推关系,有

$$ v_{next} = v_{curr} - \alpha v_{curr} \Delta t $$

类似的,有车辆的位移递推公式:

$$ s_{next} = s_{curr} + v_{curr} \Delta t $$

考虑到初始状态 \(v(0) = v_0, s(0) = 0\),就可以逐步推算出未来一段时间内的车辆速度和位移。在控制理论中,通常把这种可以描述系统状态变化的常微分方程,称为系统的状态方程。 我们以位移 \(s\) 和速度 \(v\) 作为系统的状态变量,控制车辆减速的阻力 \(F = -kv\) 为控制量,刹车过程的状态方程可以写成经典的 \(\dot{\boldsymbol{x}} = \boldsymbol{Ax+Bu}\) 的形式:

$$ \begin{aligned} \dot{s} & = v \\ \dot{v} & = F / m \end{aligned} \Rightarrow \begin{bmatrix} \dot{s} \\ \dot{v} \end{bmatrix} = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix} \begin{bmatrix} s \\ v \end{bmatrix} + \begin{bmatrix} 0 \\ \frac{1}{m} \end{bmatrix} F $$
        xiaotu::LinearSystem sys(x0, A, B);
        while (t < max_t) {
            auto const & curr_x = sys.State();

            xiaotu::Matrix<double, 1, 1> u = { -curr_x(1) };
            auto next_x = sys.EulerStep(step, &u);

            sys.UpdateState(next_x);
            t += step;
        }

这样我们就可以方便的用矩阵的乘法和加法来完成一步欧拉算法的推算了。 详细实现参见LinearSystem, 这里我们有必要看一下总体的推算过程。如右侧的代码片段所示,给定了系统的初始状态 x0 和状态方程的转移矩阵 \(A, B\),可以构造一个 LinearSystem 的对象。

然后,我们在一个 while 循环中,先查询一下当前的系统状态。再根据当前状态和阻力公式计算控制量,然后通过数值算法完成一个步长的状态结算。最后更新系统状态准备下一轮的迭代。

这个迭代过程基本上是所有仿真系统运行的套路,只是针对不同的物理现象需要构建不同的系统状态方程。

如果汽车的初速度为 \(v_0 = 30\) m/s,阻力系数与汽车质量的比值为 \(\alpha = 0.5\),那么理论上它的刹车距离就是 60 m。通过欧拉法推算的速度和位移曲线如下图所示。

3. 完




Copyright @ 高乙超. All Rights Reserved. 京ICP备16033081号-1