纯粹与应用
本科生课本 54
偏微分方程
第一课
偏微分方程
第一课
纯粹与应用 本科/教材
⋅
⋅
* \cdot 54
系列
偏微分方程
第一课
编辑委员会
朱莉安娜-戴维多夫 史蒂文-米勒 塔拉-S-霍尔姆 玛丽亚-克里斯蒂娜-佩雷拉 杰拉尔德-B-福兰德(主席) 封面图片由 Harald Schrader 提供。
2020 数学主题分类。初等 35Axx, 35Cxx, 35Dxx, 35Exx, 35Fxx, 35Jxx, 35Kxx, 35Lxx, 35Pxx, 35Qxx.
美国国会图书馆编目-出版数据
姓名Choksi, Rustum, 1965- 作者。 标题:偏微分方程 : 第一课 / Rustum Choksi. 美国数学学会, [2022] | 系列: 美国数学学会, [2022Providence, Rhode Island : American Mathematical Society, [2022] | Series:包括参考书目和索引。 标识符:LCCN 2021040894 | ISBN 9781470464912 (v. 54; paperback) | ISBN 9781470468675 (v. 54; ebook)
科目:LCSH: 微分方程,偏微分方程。| AMS: Partial differential equations - General topics.| Partial differential equations - Representations of solutions.| Partial differential equations - Generalized solutions.| Partial differential equations - Equations and Systems with constant cofficients.| 微分方程 - 一般一阶方程和系统。| 微分方程 - 椭圆方程与方程组。| Partial differential equations - Parabolic equations and systems.| Partial differential equations - Hyperbolic equations and systems.| 微分方程 - 谱理论和特征值问题。| Partial differential equations - Equations of mathematical physics and other areas of application. 分类:LCC QA374 .C475 2022| DDC 515/.353-dc23 立法会记录见 https://lccn.loc.gov/2021040894
彩色图形政策。除非出版商授权彩色印刷,否则任何彩色图形在印刷版本中将以灰度显示。一般来说,彩色图形在网络版中将以彩色显示。 复制和重印。允许本出版物的个人读者和为他们服务的非营利性图书馆合理使用资料,例如复制部分页面用于教学或研究。允许在评论中引用本出版物的简短段落,但须按惯例注明出处。
罗恩 "对自然的深入研究是数学发现最富有成效的源泉。这种研究为我们的研究提出了一个固定的目标,它不仅具有排除模糊问题和无结果计算的优势。同时,它也是塑造分析本身,发现哪些部分是最需要了解的,并且必须始终是这门学科的一部分的可靠途径。这些基本原理存在于所有自然现象中。......数学分析与自然本身一样广泛。它定义了所有可观察到的关系,测量时间、空间、力和温度。这门艰深的科学发展缓慢,但一旦取得进展,就不会放弃。在人类精神的不断错误和混乱中,它的规模和力量在不断增长"。 让-巴蒂斯特-约瑟夫-傅立叶
a
a
^(a) { }^{a}
a
a
^(a) { }^{a} 《Théorie Analytique de la Chaleur》,1827 年。英译本摘自 T. W. Körner 所著《傅立叶分析》。
摘要
"自然界的基本特征之一似乎是,基本物理定律是用一种非常优美和强大的数学理论来描述的,需要相当高的数学水平才能理解它。你可能会问为什么自然界是按照这种思路构建的?我们只能回答说,我们目前的知识似乎表明,大自然就是这样构造的。我们只能接受它。也许我们可以这样来描述这种情况:上帝是一位非常高级的数学家,[上帝]在构建宇宙时使用了非常先进的数学。我们在数学上的微弱尝试使我们能够理解宇宙的一点,随着我们继续发展越来越高的数学,我们可以希望更好地理解宇宙"。
保罗-狄拉克
a
a
^(a) { }^{a}
a
a
^(a) { }^{a} 《物理学家眼中自然图景的演变》,《科学美国》,1963 年 5 月。可在线查阅。
目录
序言 ... xxiii 0.1.谁应该学习 PDE 第一课?... xxiii 0.2.适合所有三个组的课本:核心概念和主题的基础...... xxiv 0.3.文本的基本结构 ... xxvi 0.3.1. 0.3.2.章节排序的选择...... xxvii 0.3.3.相互依存和章节的不同排序...... xxviii 0.4.先决条件 ... xxix 0.4.1.高级微积分与附录 ... xxix 0.4.2.广度与非刚性 ... xxx 0.5.致谢...... xxxi 第 1 章 基本定义 ...基本定义 ... 1 1.1.
⋅
⋅
* \cdot 符号 ... 1 1.2.
⋅
⋅
* \cdot 什么是偏微分方程,为什么偏微分方程无处不在?... 2 1.3.- 我们所说的 PDE 解究竟是什么意思?... 4 1.4.
⋅
⋅
* \cdot 阶、线性与非线性、标量与系统 ... 5 1.4.1.
⋅
⋅
* \cdot 订购 ... 5 1.4.2.
⋅
⋅
* \cdot 线性与非线性 ... 5 1.4.3.
⋅
⋅
* \cdot 线性 PDE 的叠加原理 ... 6 1.4.4.
⋅
⋅
* \cdot 标量与系统 ... 7 1.5.
⋅
⋅
* \cdot 一般解法、任意函数、辅助条件和拟好问题的概念 ... 7 1.5.1.
⋅
⋅
* \cdot 一般解法和任意函数 ... 7 1.5.2.
⋅
⋅
* \cdot 辅助条件:边界条件和初始条件 ... 8 1.5.3. 1.5.4.
⋅
⋅
* \cdot 一个摆好问题 ... 10 1.6. 1.6.1.- 假设我们有了解决方案并继续前进...... 10 1.6.2.
⋅
⋅
* \cdot 明解与非明解、无解和近似解 ... 11 练习 ... 13 第 2 章 一阶 PDE 与特性法一阶 PDE 与特征法 ... 17 2.1.
⋅
⋅
* \cdot 前奏:几个简单的例子说明特征的概念和几何...... 19 2.2.
⋅
⋅
* \cdot 特征法,第一部分:线性方程 ... 24 2.2.1.
⋅
⋅
* \cdot 几个示例 ... 27 2.2.2.- 时间方程: 2.2.3.
⋅
⋅
* \cdot 两个以上自变量 ... 31 2.2.4.
⋅
⋅
* \cdot 三维空间中的匀速运动方程 ... 31 2.2.5. 2.2.6.三维空间中的连续性方程:推导 ... 36 2.2.7.半线性方程 ... 37 2.2.8.非特征数据与横向条件 ... 38 2.3.
⋅
⋅
* \cdot 一个重要的准线性实例:不粘性布尔格斯方程 ... 39 2.4.
⋅
⋅
* \cdot 特征法,第二部分:准线性方程 ... 44 2.4.1.
⋅
⋅
* \cdot 几个示例 ... 45 2.4.2.
⋅
⋅
* \cdot 两个以上自变量 .... 47 2.4.3. 2.5.特征法,第三部分:一般一阶方程 ... 48 2.5.1.符号...... 48 2.5.2.特征方程 ... 49 2.5.3.自变量
N
N
N N 中的线性方程和准线性方程 ... 52 2.5.4.两个完全非线性示例 ... 53 2.5.5.艾克纳方程 ... 54 2.5.6. 2.5.7. 2.6.
⋅
⋅
* \cdot 一些一般性问题 ... 59 2.7.- 数字的魅力,I:计算传输方程的解...... 60 2.7.1.
⋅
⋅
* \cdot 三种一致的方案 ... 61 2.7.2.
⋅
⋅
* \cdot 冯-诺依曼稳定性分析 ... 64 2.8.欧拉方程:推导...... 66 2.8.1. 2.8.2. 2.8.3.气体动力学可压缩欧拉方程 ... 72 2.8.4.理想液体:不可压缩欧拉方程...... 73 2.8.5.粘性液体:纳维-斯托克斯方程...... 73 2.8.6. 2.9.本章小结 ... 76 练习 ... 77 一维空间中的波方程 ... 83 3.1.
⋅
⋅
* \cdot 推导:振动弦 ... 84 3.2.
⋅
⋅
* \cdot 一维波方程的通解 ... 88 3.3.
⋅
⋅
* \cdot 初值问题及其显解:达朗贝尔公式 ... 89 3.4.
⋅
⋅
* \cdot 达朗贝尔公式的后果:因果关系...... 91 3.4.1. 3.4.2.
⋅
⋅
* \cdot 两个例子:拨弦和重锤 ... 94 3.5.
⋅
⋅
* \cdot 总能量守恒 ... 96 3.6.
⋅
⋅
* \cdot 源 ... 98 3.6.1.
⋅
⋅
* \cdot 杜哈梅尔原理 ... 99 3.6.2.通过格林定理推导...... 100 3.7.
⋅
⋅
* \cdot 初值问题的拟合性和时间可逆性 ... 102 3.8.
⋅
⋅
* \cdot 固定边界半直线上的波方程:反射 ... 103 3.8.1.
⋅
⋅
* \cdot A Dirichlet(固定端)边界条件和奇数反射 ... 103 3.8.2. 3.8.3.
⋅
⋅
* \cdot 左端固定的弹拨乐器和锤击乐器示例...... 106 3.9.
⋅
⋅
* \cdot Neumann 和 Robin 边界条件 ... 109 3.10.
⋅
⋅
* \cdot 有限弦边值问题 ... 110 3.11.
⋅
⋅
* \cdot 数字的魅力,II:波方程的数值解法 ... 112 3.12.一些结束语...... 114 3.12.1.非光滑解...... 114 3.12.2. 3.12.3. 3.12.4.通过无处不在的行波解法表征 PDE 中的弥散性............. 116 3.13.本章小结 ... 118 练习 ... 119 三维和二维空间的波方程...... 125 4.1. - 三维波方程的两个推导 .... 125 4.1.1.
⋅
⋅
* \cdot 推导 1:来自麦克斯韦方程的电磁波 ... 126 4.1.2.推导 2:欧拉方程的声学原理...... 127 4.2.
⋅
⋅
* \cdot 三维空间:初值问题及其明解 ... 130 4.2.1.
⋅
⋅
* \cdot 基尔霍夫公式 ... 130 4.2.2.- 基尔霍夫公式的后果: 4.2.3.
⋅
⋅
* \cdot 通过球面手段求基尔霍夫公式 ... 135 4.2.4.全部细节:基尔霍夫公式的证明 ... 137 4.3.二维空间: 4.3.1.通过下降法求解...... 140 4.3.2. 4.4. 4.4.1. 4.4.2.规律性...... 142 4.4.3. 4.4.4. 4.5.本章小结 ... 145 练习 ... 146 第 5 章 5.1.
⋅
⋅
* \cdot 实值函数 ... 152 5.1.1.
⋅
⋅
* \cdot 什么是函数?... 152 5.1.2.- 为什么函数的积分(或平均值)会使点值失真............. 153 5.1.3. 5.2.
⋅
⋅
* \cdot Δ "Function" and why it is not a Function.泛化函数概念的动机...... 156 5.2.1.
⋅
⋅
* \cdot 德尔塔 "函数 "和海维塞德函数的导数 ... 157 5.2.2.
⋅
⋅
* \cdot 作为集中函数序列极限的德尔塔 "函数" ... 159 5.3.
⋅
⋅
* \cdot 分布(广义函数)... 161 5.3.1.
⋅
⋅
* \cdot 测试函数类
C
c
∞
(
R
)
C
c
∞
(
R
)
C_(c)^(oo)(R) C_{c}^{\infty}(\mathbb{R}) ... 161 5.3.2.
⋅
⋅
* \cdot 分布的定义 ... 162 5.3.3.作为分布的
⋅
⋅
* \cdot 函数 ... 165 5.3.4.
⋅
⋅
* \cdot 作为分布的德尔塔 "函数 "的精确定义... 166 5.4.
⋅
⋅
* \cdot 分布的导数 ... 167 5.4.1.
⋅
⋅
* \cdot 通过可微分函数的分部积分的动机 .... 167 5.4.2.
⋅
⋅
* \cdot 分布的导数定义 .... 168 5.4.3.
⋅
⋅
* \cdot 分布意义上的片断光滑函数导数举例 ... 169 5.5.
⋅
⋅
* \cdot 分布意义上的收敛 ... 173 5.5.1.
⋅
⋅
* \cdot 定义 ... 173 5.5.2. 5.5.3.- 函数序列向三角函数的分布收敛: 5.5.4.
ϵ
ϵ
epsilon \epsilon 与
N
N
N N 序列 (5.23) 和 (5.24) 的证明... 177 5.5.5.
⋅
⋅
* \cdot
sin
n
x
sin
n
x
sin nx \sin n x 的分布收敛 ... 180 5.5.6.- Sinc 函数和 Dirichlet 核的分布收敛性: 5.6.狄拉克的直觉德尔塔函数的代数运算... 185 5.6.1. 5.6.2. 5.6.3.论证的对称性...... 188 5.7.
⋅
⋅
* \cdot 定义于开放区间的分布和更大类的测试函数 ... 189 5.7.1.
⋅
⋅
* \cdot 在域上定义的分布 ... 189 5.7.2.
⋅
⋅
* \cdot 较大类别的测试函数 ... 190 5.8.作为分布的非局部积分函数:分布 PV
1
x
1
x
(1)/(x) \frac{1}{x} ... 190 5.8.1.与函数
1
x
1
x
(1)/(x) \frac{1}{x} 相关的三种分布 ... 191 5.8.2.PV
1
x
1
x
(1)/(x) \frac{1}{x} 的第二种写法 ... 192 5.8.3.PV
1
x
1
x
(1)/(x) \frac{1}{x} 的第三种写法 ... 194 5.8.4.PV
1
x
1
x
(1)/(x) \frac{1}{x} 的分布导数 ... 195 5.9.本章小结 ... 197 练习 ... 199 第 6 章 傅立叶变换傅立叶变换 ... 203 6.1.
⋅
⋅
* \cdot 复数 ... 204 6.2.
⋅
⋅
* \cdot 傅立叶变换的定义及其基本性质 ... 206 6.2.1.
⋅
⋅
* \cdot 定义 ... 206 6.2.2.
⋅
⋅
* \cdot 微分与傅立叶变换 .... 207 6.2.3.
⋅
⋅
* \cdot 通过三角函数进行傅立叶反演 ... 208 6.2.4.求特定函数的傅里叶变换和傅里叶反变换 .... 212 6.2.5.复值函数的傅立叶变换 ... 212 6.3.
⋅
⋅
* \cdot 函数卷积与傅立叶变换 ... 213 6.3.1.
⋅
⋅
* \cdot 卷积的定义 ... 213 6.3.2.
⋅
⋅
* \cdot 卷积微分 ... 215 6.3.3.
⋅
⋅
* \cdot 卷积和傅立叶变换 ... 216 6.3.4.卷积作为
C
c
∞
C
c
∞
C_(c)^(oo) C_{c}^{\infty} 中平滑函数和生成测试函数的一种方法...... 217 6.4.- 傅立叶变换的其他重要性质 ... 218 6.5.对偶性无限衰减与平滑性...... 220 6.6.Plancherel 定理与黎曼-勒贝格定理 ... 222 6.6.1.空间
L
1
(
R
)
L
1
(
R
)
L^(1)(R) L^{1}(\mathbb{R}) 和
L
2
(
R
)
L
2
(
R
)
L^(2)(R) L^{2}(\mathbb{R}) ... 222 6.6.2. 6.6.3.黎曼-勒贝格定理 ... 225 6.7. 6.8.- 使用傅立叶变换求解线性 PDE,I:扩散方程 ... 226 6.8.1.
⋅
⋅
* \cdot 前奏:使用傅立叶变换求解线性 ODE ... 226 6.8.2.- 使用傅立叶变换求解扩散方程 ... 227 6.9. 6.9.1.我们能将傅立叶变换扩展到分布吗?... 229 6.9.2. 6.9.3.
f
(
x
)
≡
1
f
(
x
)
≡
1
f(x)-=1 f(x) \equiv 1 的傅里叶变换和三角函数 ... 233 6.9.4.
f
(
x
)
=
e
i
a
x
f
(
x
)
=
e
i
a
x
f(x)=e^(iax) f(x)=e^{i a x} 的傅里叶变换和三角函数
δ
a
δ
a
delta_(a) \delta_{a} ... 235 6.9.5. 6.9.6.
x
x
x x 的傅立叶变换 ... 236 6.9.7.Heaviside 函数和 Sgn 函数的傅立叶变换以及 PV
1
x
1
x
(1)/(x) \frac{1}{x} ... 237 6.9.8. 6.10.使用傅立叶变换求解 PDE,II:波方程 ... 241 6.11. 6.11.1. 6.11.2. 6.12. 6.12.1.一维平面波 ... 249 6.12.2.解读傅立叶反演公式 ... 250 6.12.3.重温波方程 ... 251 6.12.4.重温傅立叶变换的性质 ... 254 6.12.5.不确定性原理 ... 254 6.13.谈谈其他变换 ... 255 6.14.本章小结 ... 258 6.15.汇总表 ... 260 练习 ... 263 第 7 章 扩散方程 ...扩散方程 ... 269 7.1.
⋅
⋅
* \cdot 推导 1:傅立叶/菲克定律 ... 271 7.2.
⋅
⋅
* \cdot 一维空间中的解及性质 ... 272 7.2.1. 7.2.2.
⋅
⋅
* \cdot 求解公式的性质 ... 276 7.2.3. 7.3.
⋅
⋅
* \cdot 推导 2:随机漫步的极限 ... 281 7.3.1. 7.3.2.
⋅
⋅
* \cdot 随机漫步 ... 282 7.3.3. 7.3.4.
⋅
⋅
* \cdot 极限动力学:布朗运动 ... 286 7.4.通过中心极限定理求解 ... 288 7.4.1.随机变量、概率密度和分布以及正态分布 ... 288 7.4.2.中心极限定理...... 291 7.4.3. 7.5.
⋅
⋅
* \cdot IVP的拟合优度和后向扩散方程的拟合劣度 ... 293 7.5.1.
⋅
⋅
* \cdot 扩散方程 IVP 的非唯一性 ... 294 7.5.2.
⋅
⋅
* \cdot 后向扩散方程的假设不成立 ... 294 7.5.3.图像处理中的去毛刺 ... 295 7.6.- 热流背景下的一些边界值问题 ... 298 7.6.1. 7.6.2.
⋅
⋅
* \cdot 罗宾条件和传热 ... 300 7.7.
⋅
⋅
* \cdot 有限区间上的最大原则 ... 300 7.8.源术语和杜哈梅尔原理再探...... 302 7.8.1.杜哈梅尔热源热流原理的直观和物理解释 ... 303 7.9. 7.10.- 数字的魅力,III: 扩散方程的数值解法 ... 307 7.11.附录:薛定谔方程...... 309 7.12.本章小结 ... 311 练习 ... 313 第 8 章 拉普拉斯方程拉普拉斯方程和谐函数 ... 323 8.1.- 拉普拉斯方程和泊松方程的狄利克特和诺伊曼边值问题 ... 324 8.2.
⋅
⋅
* \cdot 推导和物理解释 1:平衡状态下的浓度 ... 325 8.3.推导与物理解释 2:通过二维随机漫步/布朗运动的德里赫特问题和泊松方程 ............................................................. 327 8.4.
⋅
⋅
* \cdot 谐函数的基本性质 ... 329 8.4.1.
⋅
⋅
* \cdot 平均值属性 ... 329 8.4.2.
⋅
⋅
* \cdot 最大原则 ... 330 8.4.3.
⋅
⋅
* \cdot 迪里夏特原理 ... 333 8.4.4. 8.5.
⋅
⋅
* \cdot 旋转不变性与基本解 ... 336 8.6.
⋅
⋅
* \cdot 拉普拉斯方程的离散形式 ... 338 8.7.拉普拉斯函数的特征函数和特征值 ... 339 8.7.1.特征值与能量 8.8.拉普拉斯和曲率 ... 344 8.8.1.曲面的主曲率 ... 344 8.8.2.平均曲率...... 346 8.8.3.曲率与不变性...... 347 8.9.本章小结 ... 348 练习 ... 349 高维分布与分布意义上的偏微分 ... 357 9.1.- 检验函数和分布的定义 ... 357 9.2.
⋅
⋅
* \cdot 分布意义上的收敛 ... 359 9.3.
⋅
⋅
* \cdot 分布意义上的偏微分 ... 361 9.3.1.- 符号与定义 ... 361 9.3.2.
⋅
⋅
* \cdot 一个二维跳跃不连续示例 ... 362 9.4.- 分布意义上的发散与卷曲: 9.4.1.
⋅
⋅
* \cdot 引力矢量场的发散 ... 363 9.4.2.典型矢量场的卷曲... 368 9.5.
⋅
⋅
* \cdot 分布意义上的拉普拉斯函数和一个基本示例 ... 371 9.6. 9.7. 9.7.1.重温第一个示例 !... 374 9.7.2. 9.7.3. 9.7.4.将初始值纳入分布式解法...... 381 9.7.5.并非所有 PDE 都能从分布的意义上解释 ... 384 9.8. 9.9.
N
N
N N 维钢化分布的傅立叶变换 ... 386 9.10.使用傅立叶变换求解线性多项式方程,III: 三空间中的亥姆霍兹方程和泊松方程 ... 387 9.11.本章小结 ... 388 练习 ... 390 第 10 章拉普拉斯基本解与格林函数 ... 397 10.1.-
1
|
x
|
1
|
x
|
(1)/(|x|) \frac{1}{|x|} 分布拉普拉斯函数的证明 ... 397 10.2.
⋅
⋅
* \cdot 揭开拉普拉斯基本解的神秘面纱 ... 400 10.2.1.- 基本解法是求解泊松方程的关键 ... 401 10.2.2. 10.3.
⋅
⋅
* \cdot 带有 Dirichlet 边界条件的拉普拉斯函数的格林函数 ... 406 10.3.1.
⋅
⋅
* \cdot 带有迪里希特边界条件的格林函数的定义 ... 406 10.3.2.利用格林函数求解拉普拉斯方程的迪里夏特问题 ... 407 10.3.3.
⋅
⋅
* \cdot 格林函数的唯一性与对称性 ... 408 10.3.4. 10.4.
⋅
⋅
* \cdot 三维半空间和球的格林函数 ... 412 10.4.1.- 半空间的格林函数 ... 412 10.4.2.
⋅
⋅
* \cdot 球的格林函数 ... 415 10.4.3.定理 10.9 的证明 ... 418 10.4.4. 10.5. 10.5.1.求
R
3
R
3
R^(3) \mathbb{R}^{3} 中半空间的诺依曼格林函数 ... 424 10.5.2.求
R
3
R
3
R^(3) \mathbb{R}^{3} 中球的诺依曼格林函数 ... 424 10.6.静电学的物理说明:库仑定律、高斯定律、电场和静电势... 429 10.6.1.库仑定律和静电力... 429 10.6.2.静电势: 10.6.3.格林函数: 10.6.4.解释德里赫特问题的求解公式 ... 435 10.7.本章小结 ... 436 练习 ... 437 第 11 章 傅里叶级数傅里叶级数 ... 441 11.1.
⋅
⋅
* \cdot 前奏:经典傅里叶级数 - 傅里叶正弦级数、傅里叶余弦级数和全傅里叶级数 ... 442 11.1.1.
⋅
⋅
* \cdot 傅里叶正弦级数 ... 442 11.1.2.
⋅
⋅
* \cdot 傅立叶余弦数列 ... 444 11.1.3.
⋅
⋅
* \cdot 全傅里叶级数 ... 445 11.1.4.
⋅
⋅
* \cdot 三个示例 ... 445 11.1.5.
⋅
⋅
* \cdot 将三个傅里叶级数视为
R
R
R \mathbb{R} 上的函数 ... 448 11.1.6.
⋅
⋅
* \cdot 收敛、边界值、片断连续性和周期扩展 ... 449 11.1.7.全傅里叶级数的复数版本... 451 11.2.
⋅
⋅
* \cdot 为什么是余弦和正弦?特征函数、特征值和正交性 ... 453 11.2.1.
⋅
⋅
* \cdot 有限维度 - 向量的线性代数 ... 453 11.2.2.
⋅
⋅
* \cdot 无限维度--函数的线性代数 ... 455 11.2.3.
⋅
⋅
* \cdot 线性算子
A
=
−
d
2
d
x
2
A
=
−
d
2
d
x
2
A=-(d^(2))/(dx^(2)) \mathcal{A}=-\frac{d^{2}}{d x^{2}} 和对称边界条件 ... 456 11.3.具有对称边界条件的
A
A
A \mathcal{A} 特征函数的
⋅
⋅
* \cdot 傅里叶级数 ... 458 11.3.1. 11.3.2.
⋅
⋅
* \cdot 奇迹:这些特征函数集跨越了所有合理函数的空间 ... 464 11.4.
⋅
⋅
* \cdot 收敛, I:
L
2
L
2
L^(2) L^{2} 理论、贝赛尔不等式和帕瑟瓦尔等式 ... 465 11.4.1.
⋅
⋅
* \cdot
L
2
L
2
L^(2) L^{2} 函数序列的收敛 ... 465 11.4.2.-
L
2
L
2
L^(2) L^{2} 傅立叶级数的收敛 ... 466 11.4.3.- 贝塞尔不等式和将
L
2
L
2
L^(2) L^{2} 收敛定理还原为 Parseval 等式 ... 467 11.4.4.黎曼-勒贝格定理与帕斯瓦尔等式的应用 .... 469 11.5.
⋅
⋅
* \cdot 收敛,II:狄利克特核与全傅里叶级数的点式收敛 ... 470 11.5.1.
⋅
⋅
* \cdot 函数序列的点收敛 ... 470 11.5.2.
⋅
⋅
* \cdot 全傅里叶级数的点式收敛:德里赫特核与德尔塔函数 ... 470 11.5.3.- 全傅里叶级数点式收敛的证明 ... 474 11.6. 11.6.1. 11.6.2.逐期整合...... 480 11.7.收敛,III:均匀收敛 ... 480 11.7.1.函数的均匀收敛 ... 480 11.7.2.傅里叶级数均匀收敛的准则... 481 11.7.3.定理 11.9 的证明 ... 482 11.7.4.吉布斯现象...... 484 11.8.傅里叶级数与傅里叶变换之间的关系是什么?... 485 11.8.1.在全傅里叶级数中发送
l
→
∞
l
→
∞
l rarr oo l \rightarrow \infty ... 486 11.8.2.求周期函数的分布傅里叶变换 ... 487 11.9.本章小结 ... 488 练习 ... 490 第12章 边值问题的变量分离算法 .边值问题的变量分离算法 ... 497 12.1.
⋅
⋅
* \cdot 基本变量分离算法 ... 497 12.1.1.
⋅
⋅
* \cdot 具有均质 Dirichlet 边界条件的扩散方程 ... 498 12.1.2.
⋅
⋅
* \cdot 具有同源 Neumann 边界条件的扩散方程 ... 500 12.2.
⋅
⋅
* \cdot 波浪方程 ... 501 12.2.1.
⋅
⋅
* \cdot 带均质 Dirichlet 边界条件的波方程 ... 501 12.2.2.具有均质 Neumann 边界条件的波方程 ... 503 12.3.
⋅
⋅
* \cdot 其他边界条件 ... 504 12.3.1.
⋅
⋅
* \cdot 非均质 Dirichlet 边界条件 ... 504 12.3.2. 12.3.3.
⋅
⋅
* \cdot 混合非均质边界条件 ... 505 12.3.4.
⋅
⋅
* \cdot 非均质 Neumann 边界条件 ... 505 12.3.5.- 扩散方程的罗宾边界条件 ... 506 12.4. 12.5.
⋅
⋅
* \cdot 矩形和圆盘中的拉普拉斯方程 ... 510 12.5.1.
⋅
⋅
* \cdot 矩形 ... 510 12.5.2.
⋅
⋅
* \cdot 磁盘 ... 512 12.6.- 变量分离算法的扩展和一般化...... 514 12.7.
⋅
⋅
* \cdot 扩展,I:多维经典傅里叶级数:求解矩形上的扩散方程 ... 515 12.8.
⋅
⋅
* \cdot 扩展,II:极坐标、圆柱坐标和贝塞尔函数 ... 517 12.8.1.
⋅
⋅
* \cdot 鼓的振动和贝塞尔函数 ... 518 12.9.扩展,III:球面坐标、Legendre 多项式、球面谐波和球面贝塞尔函数 .......................................................... 521 12.9.1.球面坐标下三维拉普拉斯方程的变量分离 ... 522 12.9.2.Legendre 多项式及相关 Legendre 多项式 ... 524 12.9.3.球面谐波 ... 526 12.9.4.求解球上的三维扩散方程... 527 12.10.扩展,IV: 一般 Sturm-Liouville 问题 ... 530 12.10.1.正则 Sturm-Liouville 问题 ... 534 12.10.2.奇异 Sturm-Liouville 问题 ... 535 12.11.薛定谔方程的变量分离:氢原子的能级 ... 535 12.12.本章小结 ... 539 练习 ... 540 第 13 章 三大二阶线性方程组的统一以及下一步 ...统一三大二阶线性方程,以及下一步 ... 549 13.1.还有其他重要的线性二阶偏微分方程吗?标准分类 ... 549 13.1.1.线性二阶偏微分方程的分类 ... 550 13.2. 13.2.1.拉普拉斯基本解/格林函数... 553 13.2.2.扩散方程的基本解/格林函数... 554 13.2.3.一维波方程的基本解/格林函数... 557 13.2.4.三维波方程的基本解/格林函数 ... 560 练习 ... 563 13.3.下一步是什么?本主题的未来卷...... 565 附录。高级微积分的对象和工具 ... 567 A.1.
R
N
R
N
R^(N) \mathbb{R}^{N} 中的集合、域和边界... 567 A.2.函数: A.2.1.按平滑度排序的函数类 ... 570 A.2.2.本地化: A.2.3.定义在域上的函数的边界值 ... 571 A.3. A.3.1. A.3.2.拉格朗日乘法器梯度含义的说明... 574 A.3.3.一个重要的方向导数:可定向曲面上的法向导数 ... 575 A.4.整合 ... 576 A.4.1.体积分、面积分和线积分 ... 577 A.4.2.通量积分 ... 578 A.4.3.不完全积分、奇异性与可积分性... 579 A.5.积分的求值与运算:利用径向对称性 ... 582 A.5.1.
R
3
R
3
R^(3) \mathbb{R}^{3} 中的球面(极坐标)坐标 ... 583 A.5.2.径向对称函数的积分 ... 584 A.5.3. A.5.4. A.6.微积分基本定理:发散定理、分式积分以及格林第一和第二同余式 .............................................. 587 A.6.1.发散定理 ... 587 A.6.2.发散定理的两个后果: A.6.3.天作之合:发散 + 梯度
=
=
= = 拉普拉卡... 589 A.6.4. A.7. A.7.1.IPW(积分到点性)定理 ... 591 A.7.2.平均定理...... 592 A.8.函数的收敛与积分的收敛 ... 594 A.9.积分符号下的微分... 596 A.9.1.合法性的一般条件...... 597 A.9.2.不合法的例子...... 598 A.9.3.莱布尼茨法则 ... 600 A.10.整合顺序的变化...... 601 A.10.1.富比尼-托内利定理 ... 601 A.10.2.非法的例子...... 602 A.11.维度思维: 练习 ... 604 参考书目 ... 607 索引 ... 609
序言
偏微分方程为我们的复杂世界打开了一扇窗
偏微分方程(PDE)是现代数学和科学的基本组成部分。在自变量(如空间和时间)具有连续值的任何系统中,支配系统的规律通常会产生一个或多个相关量的偏微分方程 (PDE)。由于许多物理、生物和经济系统的近似模型都是以偏微分方程为基础的,因此熟练掌握偏微分方程可以为处理这些复杂系统提供一种方法。在纯数学中,PDE 与分析、几何和概率的基本结构有着内在联系。
这本教材为数学、物理和其他科学专业的高年级本科生提供了一到两个学期的 PDE 课程。
0.1.谁应该学习 PDE 第一课?
主要有三个组别。学生们可能会发现自己属于不止一个群体。下面列出的是我们认定的这些群体,每个群体都有不同的原因,因此也有不同的侧重点来学习 PDE。
[1] "纯 "数学学生
对 PDEs 感兴趣的原因:PDE 是数学分析、几何、概率和动力系统领域的基本数学对象。
他们的重点是打好 PDE 的基础,掌握适当的数学工具,以便将来继续学习数学(也许是研究生阶段)。纯数学学生的主要关注点在于发现和证明与解的存在性、唯一性、稳定性和属性(如正则性、可整性、渐近行为)相关的定理。他们还可以从研究 PDE 的理论结构中获益,从而深入了解其他数学领域及其之间的联系。
[2] "应用 "数学专业的学生
对 PDEs 感兴趣的原因:PDE 是任何复杂系统连续建模的基本数学对象。
其重点是为进一步学习科学计算和数学建模方面的课程,学生需要打好多项式方程和相应数学工具的基础。应用数学专业的学生尤其对分析和计算工具的开发和应用感兴趣,以便深入了解许多复杂系统的行为。 [3] 物理科学(物理和化学)、计算机科学、统计学、生物学、工程学和经济学专业的学生
对 PDEs 感兴趣的原因:对于组[2]来说,PDEs 是任何复杂系统连续建模的基本数学对象。它们在物理科学和工程学中无处不在,并越来越多地出现在数学生物学、数学医学、经济学、数据科学和机器学习、图像和信号处理以及金融等领域。
他们的关注点:这一群体的学生越来越多地希望获得相关 PDE 的直接信息,例如解的精确、近似或数值形式。他们对方法论(工具)以及与工具的正确性或精确性相关的问题不太感兴趣,而是希望得到问题的直接答案。如今,这些 "直接答案 "通常不是来自手工计算,而是来自计算机。但问题就在这里:要与计算机进行富有成效的互动(即输入什么和如何解释输出),就需要在 PDE 以及相关数学对象和工具方面打下一定的基础。
0.2.适合所有三个组的课本:以核心概念和主题为基础
目前,本科生的 PDE 课程仍然普遍基于一种方法:边界值问题的变量分离法(也称为傅里叶法)。对于各届学生而言,主要侧重于变量分离的本科生 PDE 教材或课程的吸引力有限。事实上,我们的经验表明,一整门专门讲授这种技术背后大量细节的课程可以概括如下:
对于准备进一步研究 PDE 的分析和几何的初出茅庐的纯数学家来说,这本书的意义有限。关于变量分离背后的基本前提,他们最好能获得与某些微分算子相关的特征函数展开的 "完整 "和适当的数学理论(通常只在研究生阶段才会介绍)。
它对初出茅庐的应用数学家用处有限,因为他们需要许多分析和计算技术,以及广泛接触不同类别的 PDE 及其解的特性和行为。
它对新进科学家(PDEs 未来的实践者)的作用有限,因为他们对理论的计算方面越来越感兴趣。此外,现代科学要解决的许多相关现象本质上都是非线性的,这些经典技术的应用范围相当有限。
这给了三大阵营的本科生一个错误的印象,认为 PDE 是一门老式的学科,根植于冗长乏味的无穷级数和特殊函数的计算中。事实并非如此,PDE 是现代数学和科学的重要组成部分。
我们认为,这三类人都明显需要扎实掌握在 PDE 理论中无处不在的对象、概念、工具和结构。变量分离和傅里叶级数当然包括在这些核心概念/工具中,但我们之前的观点是,它们应包括章节,而不是整本书或整门课程。我们所说的 "基础",是指在今后的课程、研究和计算中使用 PDEs 的基础(或依据)。要打好这个基础,就必须对某些核心材料有扎实的理解和认识。
诚然,我们选择不详细讨论 PDE 的计算方面,而这是一个对第二和第三组越来越重要的庞大课题。然而,我们认为,所有成功的 PDE 计算探索,从新方法的开发到著名方法的直接应用,都需要牢牢掌握本文介绍的核心材料。
在信息无处不在、随时(事实上是即时)可得的今天,对对象(如三角函数)、概念、工具和结构的基础需求尤为重要。事实上,越来越多的维基百科提供了与任何科学课程相关的对象和结果的完美定义。我们生活在一个信息丰富且廉价的时代,但对任何事物的理解都是无价的。
这本教材既非百科全书,也非包罗万象,但它包含了核心材料,可以据此构建一个或两个学期的课程。我们对核心材料的构想基于以下几点: (i) 一阶方程、特性概念和特性法。在这里,我们可以理解线性和非线性 PDE 的根本区别(第 2 章)。 (ii) 由二阶波方程决定的波传播的性质,它对空间维度一(第 3 章)和三(第 4 章)的因果关系的预测。 (iii) 傅立叶变换及其性质和用途(第 6 章)。 (iv) 扩散方程所描述的扩散性质、其后果以及与概率基本对象和概念的关系(第 7 章)。 (v) 涉及拉普拉斯函数的谐函数和 PDE 的性质(第 8 章)。 (vi) 拉普拉斯基本解及其如此 "基本 "的原因。涉及拉普拉斯边值问题的格林函数概念(第 10 章)。 (vii) 傅立叶级数和变量分离算法(第 11 章和第 12 章)。
这些课题中的大多数课题的基础是清楚地掌握一个和多个空间变量中的三角函数,尤其是三角函数:
为什么这个对象不是通常意义上的函数,却能将注意力集中在一个点上?
在微分(广义上的)一个自变量和多个自变量的不连续函数时,它是如何出现的;
它是如何作为不同函数序列的极限出现的,而这些函数序列又是如何集中的;
它在傅里叶级数和傅里叶变换中的关键作用;
它在扩散方程、拉普拉斯方程和泊松方程的基本解(格林函数)中发挥了至关重要的作用。
为此,我们毫不吝惜地探讨了分布问题,特别是在分布意义上微分函数以及在分布意义上求函数极限的含义。这些观点是本文的重要组成部分,将在第 5 章和第 9 章中介绍。
对所有这些主题来说,扎实地理解高级微积分的基本对象和技术也是基础。我们希望学生在学习这些基础知识的过程中,至少能够掌握并熟练掌握梯度、发散以及多变量函数的积分和微分的几何意义和物理意义。
在这篇课文中,我们努力清楚地解释了所有步骤,并经常附有事前激励和事后反思。在许多方面,我们的目标是编写一本自学教材。在阐述过程中,我们有时会惜墨如金,不惜多次重复一个关键点或论点。信息(事实、方法、实例)无处不在,而且价格低廉(!);再说一遍,我们编写本书的唯一目的就是为了便于理解。
0.3.文本的基本结构
0.3.1.材料的表述和模块化。许多人在看到这篇课文时,首先注意到的是它的篇幅。为此,有必要提出几点意见:
无论是概念、结果还是观点,我们都力求将材料模块化并加以精简。每一章都基于一个特定的方程、一类方程或一个特定的思想或工具。各章以导言开始,以摘要结束,由各节组成,有时又分为若干小节。每节(或小节)是课文的基本单元/模块,以简明扼要的方式论述特定的问题/主题。绝大部分 这些模块(章节或分节)大多不过几页纸,因此目录相当长!
的确,许多章节在我们所谓的核心内容中所占的比重并不相同。因此,我们选择用一个项目
⋅
⋅
* \cdot 来强调我们认为是 PDE 第一门课程的 "基础"(基本原理)的所有章节。当然,我们不可能在一个学期内讲完所有这些要点章节!这些重点章节也为后续章节提供了必要的前提材料。我们认为,附加章节(未删节)的存在显然是有原因的,而且它们也很重要;但读者/教师可自行决定浏览或仔细阅读这些章节。
因此,长长的目录为浏览这本教科书提供了不可或缺的宝贵指南,建议读者/教师经常参阅。 0.3.2.章节顺序的选择。虽然读者/教师不必遵循我们的章节顺序(见下一小节),但让我们简要谈谈我们在这一顺序背后的理念。最有争议的选择是将傅里叶级数和边界值问题的变量分离(第 11 章和第 12 章)放在最后。虽然这两章的大部分内容可以在任何时候讲到,事实上,它们通常也是 PDE 课程中最先涉及的主题,但我们认为,如果只关注各自边界值问题的无穷级数解表示,就会掩盖波方程、扩散方程和拉普拉斯方程(即所谓的 "三大方程")的固有特征。首先脱离任何边界条件来考虑 "三巨头",并分别关注波的传播、扩散和谐函数的核心特征,会更有启发性。
在关于 PDE 一般定义的简短介绍性章节(第 1 章)之后,本书不是从三大方程之一开始,而是以关于一般一阶方程和特征法的长篇章节(第 2 章)开始。这样做有很多原因:(i) 从只涉及一阶导数的 PDE 开始是很自然的;(ii) 所有一阶 PDE 都有一个核心的一般概念(特性),同时还有一个解决这些问题的一般方法(特性法);(iii) 特性与以前课程中的主题和概念直接相关,即微积分 III 中的梯度和方向导数以及常微分方程 (ODE);(iv) 该主题使我们不仅可以讨论线性 PDE,还可以讨论非线性 PDE。虽然其余各章都将侧重于线性 PDE,但非线性 PDE 是数学和科学的基础,我们认为尽早介绍它们是有益的,即使研究仅限于一阶方程。
在一阶方程之后,我们讨论二阶波方程,它是三大方程中结构最接近前一章特征的方程。我们首先研究一维空间的波方程(第 3 章),然后研究三维和二维空间的波方程(第 4 章)。
在波方程之后,我们绕了两章才处理扩散方程和拉普拉斯方程。为什么?我们求解和分析一阶方程和二阶波方程的方法都是基于一个性质,我们 可以用一句话来概括:"有限传播速度"。要处理(即求解)具有有限传播速度的 PDE,高级微积分中的基本工具和对象(如微分和积分)就足够了。这些工具都基于局部(空间)计算。要解决扩散方程、拉普拉斯方程和泊松方程,我们必须接受一种新的范式,在这种范式中,"有限传播速度 "原则是错误的。在这里,这些问题在域中任何一点的求解都将涉及所有数据(初始值或边界值)的某种加权平均值。有几种观点/概念对于解决这些类别的 PDE 问题至关重要:集中、奇异点对微分和非局部运算的影响。读者很可能对它们感到陌生,我们将分别用以下数学对象、工具和机器对它们进行分析:狄拉克三角函数、一维空间的分布(第 5 章)以及卷积和傅立叶变换(第 6 章)。不过,正如下一小节所述,课文的其余部分只需要第 5 章和第 6 章的基础知识;事实上,第 6 章的内容实际上很少。尽管如此,我们坚信,扎实掌握三角函数和傅立叶变换对所有学生今后的学习和应用都将大有裨益。
有了这些概念,我们就可以讨论无处不在的扩散方程(第 7 章)。接下来,我们将介绍第 8 章(几乎没有先决条件),内容是拉普拉斯函数和谐函数的性质(拉普拉斯方程的解)。这为解决涉及拉普拉斯方程的边界值问题(第10章)开辟了道路。这里的关键工具是基解和格林函数,即拉普拉斯函数集中于多维三角函数的函数。因此,我们首先要解决分布意义上的偏微分问题(第 9 章)。 0.3.3.相互依存和不同的章节顺序。读者/教师不必遵循我们精确的章节顺序。让我们首先记录前几章所需的先决条件。在此,我们不提及第 1 章(基本 PDE 定义和术语),该章包含了贯穿全文的定义和概念。
第 2 章一阶 PDE 与特征法。先修课程:无。
第 3 章一维空间中的波方程。 先决条件:特征的基本概念和一维输运方程,见第 2 章前言(第 2.1 节)。
第 4 章 三维和二维空间的波方程三维和二维空间的波方程。 先决条件:一维波方程 - 第 3 章(小节)。 第 5 章德尔塔 "函数 "和一维空间的分布。 先决条件:无 第 6 章 傅立叶变换傅立叶变换 前提条件:德尔塔函数
δ
0
δ
0
delta_(0) \delta_{0} 的定义,以及第 5.2 至 5.5 节中的
δ
0
δ
0
delta_(0) \delta_{0} 分布意义上的收敛。
第 7 章 扩散方程扩散方程。 先决条件使用傅立叶变换求解公式(第 6.8 节),或直接使用相似解求解(参见练习 7.5)。第 5.2 至 5.5 节中的三角函数
δ
0
δ
0
delta_(0) \delta_{0} 定义和
δ
0
δ
0
delta_(0) \delta_{0} 分布意义上的收敛。第 6.3.1 节和第 6.3.2 节讨论的卷积基本概念。
第8章 拉普拉斯方程拉普拉斯方程和谐函数。先修课程:无。
第 9 章 高维度分布与分布意义上的偏微分高维分布与分布意义上的偏微分。 先决条件:第 5 章(小节)。 第10章拉普拉斯基本解与格林函数 先决条件:第 8.1 和 8.5 节以及第 9.1、9.3 和 9.5 节。 第 11 章傅里叶级数 前提条件只需了解三角函数的基本概念(参见第 5.2 节)。 第 12 章 边值问题的变量分离算法边值问题的变量分离算法。 先决条件:第 11 章(小节)。 这种相对较弱的依存关系为读者/指导者提供了许多途径。例如 (i) 傅立叶级数和变量分离的基础知识可在任何阶段讲授。第 8 章拉普拉斯方程和谐函数也可在任何阶段学习。 (ii) 通过对三角函数、分布意义上的收敛(第 5.2 至 5.5 节)和卷积(第 6.3.1 和 6.3.2 节)的简短介绍,我们可以直接进入第 7 章的扩散方程。
诚然,除了介绍卷积的第 6.3.1 和 6.3.2 小节外,关于傅立叶变换的第 6 长章对本教材的绝大部分内容都不是必需的;但这些材料对进一步学习 PDE、分析、应用数学和一般科学至关重要。
0.4.前提条件
鉴于这本教科书的范围相当广泛,从纯技术的角度来看,其前提条件(主要是熟练掌握高级微积分)相当低,这一点非常了不起。 0.4.1.高级微积分和附录。学生在学习 PDE 课程(即使是研究生课程)时遇到的主要困难之一是对基础多元微积分的 "消化不良"。特别是,随着课程的进展,学生应该能够或已经能够熟练掌握下列几何和物理意义:
体积积分和表面积分、
多个变量函数的梯度和方向导数、
向量场的发散和通量的概念、
发散定理
在本书的附录中,我们详细介绍了高级微积分中的必要概念和工具。我们强烈建议读者根据需要阅读相应的部分。有些读者可能会受益于阅读附录的前几节,然后再开始后面章节的学习。为了进一步说明这一点,我们经常在某一章或某一节的开头提醒读者注意附录中的相关章节。
对常微分方程(ODE)的基本了解也很重要,尤其是常微分方程到底是什么,以及为什么一般来说常微分方程如此难以解决。我们偶尔需要一些非常基本的技术来求解简单的 ODE。
文中有一些证明,偶尔接触一下本科阶段的第一门实分析课程可能会有所帮助(例如,ε△证明和函数的均匀收敛)。不过,对于绝大多数材料来说,这并不是必要的,而且当我们使用实分析语言/方法时,我们会尽量做到自成一体和温和;请参阅我们在下文中关于广度和非刚性的评论!
0.4.2.广度和非刚性。
"不懂外语的人不懂自己的语言"。
a
a
^(a) { }^{a} - 约翰-沃尔夫冈-冯-歌德
a
a
^(a) { }^{a} 这句由伟大的德国诗人歌德(1749-1832 年)翻译的名言的妙处在于,如果把 "语言 "换成......学科、学说、宗教......,这句话同样能引起共鸣。原文为 "Wer fremde Sprachen nicht kennt, weiß nichts von seiner eigenen",摘自《Maximen und Reflexionen》(1833 年)。
PDE 本身就是一门多学科的学科,而第一门课程就应该包含这一奇妙的特性。这确实需要学生有一定的广度和非刚性。一些数学专业的学生一开始可能会因为 "太多物理知识 "而感到不适应,而一些非数学专业的学生一开始可能会抱怨数学过于严谨,偶尔还会出现可怕的 "证明"。数学专业的学生必须牢记,PDE 与物理密切相关,物理直觉会在很大程度上指导我们进行分析。对于非数学专业的学生来说,有时需要精确,而精确可能意味着严谨,即证明事物。特别是,有时我们从根本上需要数学的精确性,以便为原本定义不清、令人困惑的对象(如三角函数)提供意义,而在这种情况下,非正式的直觉和计算可能不足以获得必要的熟练程度。此外,科学中包含了大量的计算成分,与计算机的交互需要一定程度的精确性。
我们认为,对所有学生而言,未来的学者、科学家、工程师和定量分析人员需要的是广度、灵活性和多样性。第一门 PDE 课程是培养这种多元化视角的理想途径。值得注意的是,这一观点并不新颖;请看以下开头的引文 在该书的开头,两位过去的建国巨人雄辩地论述了以下问题:
数学(作为一门学科)需要自然(物理学和其他科学)来指导、引导和照亮。
数学是自然界基本结构的基础,所有科学都需要数学来做出定量和定性的论断和结论。
0.5.致谢
首先,我们要感谢过去 24 年中来自 PDE 课程的众多本科生。他们帮助我们塑造和完善了这本教材。
我们还对以下人员表示衷心感谢
纳撒尼尔-雷涛(Nathaniel Leitao),在麦吉尔大学的最后一个本科学年,他花了大量时间对文本提出编辑建议、改进内容和制作附加图表。此外,纳撒尼尔在第 6.12、8.8 和 10.6 节的写作中也发挥了重要作用。
麦吉尔大学学生大卫-克纳皮克(David Knapik)花费了大量时间进行详细校对,提出了若干编辑建议,并改进了许多图表。
麦吉尔大学学生马克-梅卡尼克(Marc Mekhanik)提供了详细的反馈意见和编辑建议,并改进了许多图表。
感谢以下麦吉尔大学的学生在编辑和内容方面提出的意见,这些意见有助于本文的编写和发展:Miguel Ayala、Gabriel Martine La Boissonière、Robert Gibson、Ivan Gonzalez、Elias HessChilds、Yucong Huang、Hwi Lee、Mikhail Mamaev、Mihai Marian、Tudor Manole、Geoffrey McGregor、Mark Perlman、Gabriel Rioux 和 Alistair Russell。
许多同事对前稿提出了意见和建议:Almut Burchard、陈林南、Albert Cohen、Razvan Fetecau、Gerald Folland、David Muraki、Jean-Christophe Nave、Nilima Nigam、Jessica Lin、Govind Menon、Adam Oberman、Keith Promislow、Dejan Slepčev、Peter Sternberg、Ihsan Topaloglu、Christopher Towse、Konstantina Trivisa、Yen-Hsi Richard Tsai、Gantumur Tsogtgerel、Raghav Venkatraman、Andy Wan 和 Benedikt Wirth。
来自美国数学学会:伊娜-梅特(Ina Mette)的不断鼓励和支持;阿琳-奥-肖恩(Arlene O'Sean)作为制作和副本编辑所做的出色工作;布莱恩-巴特林(Brian Bartling)在克服许多 LaTeX 问题方面提供了很多帮助。
罗恩-塔基(Ron Tuckey)提出的许多编辑建议和修改意见,以及他在本文写作过程中给予的耐心和支持。
最后,我们必须承认,多年来,我们从两部优秀的现代著作中了解到了很多有关这一主题的知识:
在本科阶段,Walter A. Strauss 的《偏微分方程》(Partial Differential Equations:导论》,Wiley.
在数学研究生阶段,Lawrence Craig Evans 的《偏微分方程》,美国数学学会。 希望本文在论述、内容、组织和风格上的新颖性能说明问题,但有时在方法和风格上不可能不与这两部著作有某些相似之处。事实上,我们在很大程度上要归功于这两位作者。
第 1 章
基本定义
集合、边界和域的定义和符号见附录第 A. 1 节。 在这简短的第一章中,您将看到有关偏微分方程及其解的一些基本定义。我们将特别定义以下概念:
线性与非线性(半线性、准线性和完全非线性)
订单
标量 PDEs 与系统
均质与非均质
我们所说的 PDE 的解究竟是什么意思
通解、任意函数和辅助条件
初值问题(IVP)和边界值问题(BVP)
好摆性:存在性、唯一性和稳定性。
我们还将讨论求解 PDE 的常用策略。有些读者可能会选择直接阅读后面的章节,并在需要时回头参考这些定义。
1.1.
⋅
⋅
* \cdot 符号
我们使用标准符号表示偏导数,例如,如果
u
(
x
,
y
)
u
(
x
,
y
)
u(x,y) u(x, y) 是两个变量的函数,那么
u
x
=
∂
u
∂
x
=
∂
x
u
,
u
x
x
=
∂
2
u
∂
x
2
,
u
x
y
=
∂
2
u
∂
x
∂
y
,
u
x
=
∂
u
∂
x
=
∂
x
u
,
u
x
x
=
∂
2
u
∂
x
2
,
u
x
y
=
∂
2
u
∂
x
∂
y
,
u_(x)=(del u)/(del x)=del_(x)u,quadu_(xx)=(del^(2)u)/(delx^(2)),quadu_(xy)=(del^(2)u)/(del x del y), u_{x}=\frac{\partial u}{\partial x}=\partial_{x} u, \quad u_{x x}=\frac{\partial^{2} u}{\partial x^{2}}, \quad u_{x y}=\frac{\partial^{2} u}{\partial x \partial y},
这些偏导数也是
(
x
,
y
)
(
x
,
y
)
(x,y) (x, y) 的函数。首先,与 PDE 相关的基本对象是一个以上自变量的未知函数。空间自变量通常表示为
x
,
y
,
z
x
,
y
,
z
x,y,z x, y, z 或
x
1
,
…
,
x
n
x
1
,
…
,
x
n
x_(1),dots,x_(n) x_{1}, \ldots, x_{n} 。每个变量都取实值(即实数)。我们通常将空间自变量的
n
n
n n 元组(或向量)表示为 表示为
x
x
x \mathbf{x} 。时间用
t
t
t t 表示。对于 PDE(相对于 ODE),自变量总是不止一个。我们通常使用
u
u
u u 表示未知函数,即因变量。因此,例如,在纯空间变量中,我们将使用
u
(
x
,
y
)
,
u
(
x
,
y
,
z
)
u
(
x
,
y
)
,
u
(
x
,
y
,
z
)
u(x,y),u(x,y,z) u(x, y), u(x, y, z) ,或更一般的
u
(
x
)
u
(
x
)
u(x) u(\mathbf{x}) 。当时间也与之相关时,我们将处理
u
(
x
,
t
)
,
u
(
x
,
y
,
t
)
,
u
(
x
,
y
,
z
,
t
)
u
(
x
,
t
)
,
u
(
x
,
y
,
t
)
,
u
(
x
,
y
,
z
,
t
)
u(x,t),u(x,y,t),u(x,y,z,t) u(x, t), u(x, y, t), u(x, y, z, t) ,或更一般的
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(\mathbf{x}, t) 。
1.2.- 什么是偏微分方程,为什么偏微分方程无处不在?
"微积分在现代科学中的应用在很大程度上是对偏微分方程的表述、求解和解释。......即使在现代物理学的最前沿,偏微分方程仍然是数学的基础结构"。
史蒂文-斯特罗加茨
a
a
^(a) { }^{a}
a
a
^(a) { }^{a} 斯特罗加茨是一位应用数学家,因其杰出的本科生著作《ODEs 定性理论》而闻名:非线性动力学与混沌》,Westview Press 出版社。这句话摘自他的科普读物《无限的力量》:微积分如何揭示宇宙的秘密》,霍顿-米夫林-哈考特出版公司,2019 年。
我们首先给偏微分方程下一个精确的定义。
偏微分方程 (PDE) 的定义
定义 1.2.1.偏微分方程 (PDE) 是将未知函数
u
u
u u 及其偏导数与自变量联系在一起的方程。一般可写成
F
(
F
(
F( F( 自变量,
u
u
u u ,
u
)
=
0
u
)
=
0
u)=0 u)=0 的偏导数,对于某个捕捉到 PDE 结构的函数
F
F
F F .
例如,在两个独立变量中,只涉及一阶偏导数的 PDE 描述为
F
(
x
,
y
,
u
,
u
x
,
u
y
)
=
0
F
x
,
y
,
u
,
u
x
,
u
y
=
0
F(x,y,u,u_(x),u_(y))=0 F\left(x, y, u, u_{x}, u_{y}\right)=0
其中
F
:
R
5
→
R
F
:
R
5
→
R
F:R^(5)rarrR F: \mathbb{R}^{5} \rightarrow \mathbb{R} 。拉普拉斯方程是一个特殊的 PDE,在两个独立变量中与
F
(
u
x
x
,
u
y
y
)
=
u
x
x
+
u
y
y
=
0
F
u
x
x
,
u
y
y
=
u
x
x
+
u
y
y
=
0
F(u_(xx),u_(yy))=u_(xx)+u_(yy)=0 F\left(u_{x x}, u_{y y}\right)=u_{x x}+u_{y y}=0 有关。
请注意,自变量通常不会明确出现,函数
F
F
F F 也不必依赖于所有可能的导数。如果我们只处理一个自变量,那么 PDE 就变成了常微分方程。
偏微分方程在物理、自然和社会科学中无处不在。在对任何自变量(例如空间和时间)具有连续值的复杂系统进行建模时,PDE 无疑都会出现。为什么呢?在复杂系统中,我们希望确定一个量(标记为
u
u
u u )是如何依赖于自变量(通常是空间和时间)的。通常有一些物理或自然规律规定
u
u
u u 应如何变化。我们通常可以测量
u
u
u u 在某个固定时间或某个空间子集的值,希望这些信息与 有了物理或自然规律,就能完全决定
u
u
u u 的任何地方。自然规律告诉我们什么?它们并没有明确告诉我们
u
u
u u 与空间和时间的关系;相反,大自然提供的定律涉及
u
u
u u 应如何随空间和时间变化。请注意,在我们的连续体语境中,我们是通过
u
u
u u 的偏导数来衡量其变化的。但现在,我们给出了导致 PDEs 如此难解的基本复杂性;定律并没有将
u
u
u u 的偏导数与自变量直接联系起来,而是给出了这些偏导数与(在某些情况下)数量
u
u
u u 本身之间的关系(方程)。为了说明这一点,我们来看一个简单的例子,这个例子最终(参见第 7.1 节)会引出扩散方程。
房间温度变化模型:考虑一个大房间的温度。温度
u
u
u u 这个相关量可能取决于房间中的位置
(
x
,
y
,
z
)
(
x
,
y
,
z
)
(x,y,z) (x, y, z) 和时间
t
t
t t 。因此,它是四个变量的函数。我们可以测量时间
t
=
0
t
=
0
t=0 t=0 或房间边界处的温度。根据这一信息,我们可以确定房间内所有时间和地点的温度。在任何固定时间
t
≥
0
t
≥
0
t >= 0 t \geq 0 时,温度都会因地点而异,这种变化可通过偏导数
u
x
(
x
,
y
,
z
,
t
)
,
u
y
(
x
,
y
,
z
,
t
)
u
x
(
x
,
y
,
z
,
t
)
,
u
y
(
x
,
y
,
z
,
t
)
u_(x)(x,y,z,t),u_(y)(x,y,z,t) u_{x}(x, y, z, t), u_{y}(x, y, z, t) 和
u
z
(
x
,
y
,
z
,
t
)
u
z
(
x
,
y
,
z
,
t
)
u_(z)(x,y,z,t) u_{z}(x, y, z, t) 进行(瞬时)测量。另一方面,在任何固定地点,温度都会随时间变化,这种变化由偏导数
u
t
(
x
,
y
,
z
,
t
)
u
t
(
x
,
y
,
z
,
t
)
u_(t)(x,y,z,t) u_{t}(x, y, z, t) 度量。接下来,我们谈谈热流的 "自然规律"。为什么温度会随着时间和空间的变化而变化呢?原因之一可能是热源和热汇,例如房间里的人在散发热量,或者窗户打开热量外泄。让我们假设不存在这些额外的复杂因素,只关注指导房间内任何位置温度变化的基本规律:这就是 PDE 出现的地方。请注意,如果没有汇和源,并且整个房间的温度最初是恒定的,即
t
=
0
t
=
0
t=0 t=0 时的温度为
u
x
=
u
y
=
u
z
=
0
u
x
=
u
y
=
u
z
=
0
u_(x)=u_(y)=u_(z)=0 u_{x}=u_{y}=u_{z}=0 ,那么温度就不会有时间上的变化;也就是说,房间中的所有位置和以后的所有时间的温度都是
u
t
=
0
u
t
=
0
u_(t)=0 u_{t}=0 。此外,在所有较晚的时间
t
>
0
t
>
0
t > 0 t>0 也不会有空间变化,即
u
x
=
u
y
=
u
z
=
0
u
x
=
u
y
=
u
z
=
0
u_(x)=u_(y)=u_(z)=0 u_{x}=u_{y}=u_{z}=0 。但是,如果在某个地方、某个时间存在非零的空间温度梯度,热量就会从热的地方流向冷的地方,因此,某一点的温度就会随时间变化。 因此,这个简单的观测结果,决定了温度从热到冷的变化,在给定地点和时间的
u
t
u
t
u_(t) u_{t} 与同一地点和时间的空间梯度
∇
u
=
⟨
u
x
,
u
y
,
u
z
⟩
∇
u
=
u
x
,
u
y
,
u
z
grad u=(:u_(x),u_(y),u_(z):) \nabla u=\left\langle u_{x}, u_{y}, u_{z}\right\rangle 之间提供了某种关系/等式。因此,这里的关键是
u
t
(
x
,
y
,
z
,
t
)
u
t
(
x
,
y
,
z
,
t
)
u_(t)(x,y,z,t) u_{t}(x, y, z, t) 的值取决于
∇
u
(
x
,
y
,
z
,
t
)
∇
u
(
x
,
y
,
z
,
t
)
grad u(x,y,z,t) \nabla u(x, y, z, t) 。正如我们将在第 7.1 节中看到的那样,结合发散定理,用温度通量建立一个小模型,就可以得到某个常数
α
>
0
α
>
0
alpha > 0 \alpha>0 的扩散方程
u
t
=
α
div
∇
u
=
α
(
u
x
x
+
u
y
y
+
u
z
z
)
u
t
=
α
div
∇
u
=
α
u
x
x
+
u
y
y
+
u
z
z
u_(t)=alpha div grad u=alpha(u_(xx)+u_(yy)+u_(zz)) u_{t}=\alpha \operatorname{div} \nabla u=\alpha\left(u_{x x}+u_{y y}+u_{z z}\right) 。
在任何材料(流体或固体)的连续模型中,未知函数的偏导数(和函数本身)之间的相互作用要复杂得多。在这种情况下,牛顿第二定律适用于材料的内力(应力和压力),从而形成一个 PDE 系统(参见第 2.8 节)。这些系统极难求解,但对它们的研究却至关重要。
人们可能会认为科学和数学中遇到的 PDEs 是关于一个未知函数的相当复杂的陈述;然而,它们仅仅代表了我们复杂但构造精美的宇宙的本质!
1.3.- 我们所说的 PDE 解到底是什么意思?
PDE 解的定义
定义 1.3.1.域
Ω
⊂
R
N
Ω
⊂
R
N
Omega subR^(N) \Omega \subset \mathbb{R}^{N} 中 PDE 的解(更确切地说,经典解)(其中
N
N
N N 是自变量的个数)是一个充分平滑的
a
a
^(a) { }^{a} 函数
u
(
x
)
u
(
x
)
u(x) u(\mathbf{x}) ,对于
Ω
Ω
Omega \Omega 中的所有自变量值,它都满足定义方程
F
F
F F 。
a
a
^(a) { }^{a} 如果 PDE 中出现的最高导数为
k
k
k k 阶,那么我们所说的足够平滑是指在所有的 变量
因此,某个域
Ω
⊂
R
2
Ω
⊂
R
2
Omega subR^(2) \Omega \subset \mathbb{R}^{2} 上
F
(
x
,
y
,
u
,
u
x
,
u
y
)
=
0
F
x
,
y
,
u
,
u
x
,
u
y
=
0
F(x,y,u,u_(x),u_(y))=0 F\left(x, y, u, u_{x}, u_{y}\right)=0 的解就是
C
1
C
1
C^(1) C^{1} 函数
u
(
x
,
y
)
u
(
x
,
y
)
u(x,y) u(x, y) ,对于每个
(
x
,
y
)
∈
Ω
,
F
(
x
,
y
,
u
(
x
,
y
)
,
u
x
(
x
,
y
)
,
u
y
(
x
,
y
)
)
≡
1
0
(
x
,
y
)
∈
Ω
,
F
x
,
y
,
u
(
x
,
y
)
,
u
x
(
x
,
y
)
,
u
y
(
x
,
y
)
≡
1
0
(x,y)in Omega,F(x,y,u(x,y),u_(x)(x,y),u_(y)(x,y))-=^(1)0 (x, y) \in \Omega, F\left(x, y, u(x, y), u_{x}(x, y), u_{y}(x, y)\right) \equiv{ }^{1} 0 都是如此。例如,让我们检验一下函数
u
(
x
,
y
)
=
sin
(
3
x
−
2
y
)
u
(
x
,
y
)
=
sin
(
3
x
−
2
y
)
u(x,y)=sin(3x-2y) u(x, y)=\sin (3 x-2 y) 是否是
(
x
,
y
)
∈
R
2
(
x
,
y
)
∈
R
2
(x,y)inR^(2) (x, y) \in \mathbb{R}^{2} 上 PDE
2
u
x
+
3
u
y
=
0
2
u
x
+
3
u
y
=
0
2u_(x)+3u_(y)=0 2 u_{x}+3 u_{y}=0 的解。对于任意点
(
x
,
y
)
∈
R
2
(
x
,
y
)
∈
R
2
(x,y)inR^(2) (x, y) \in \mathbb{R}^{2} ,我们使用链式法则计算
u
x
(
x
,
y
)
=
cos
(
3
x
−
2
y
)
3
,
u
y
(
x
,
y
)
=
cos
(
3
x
−
2
y
)
(
−
2
)
u
x
(
x
,
y
)
=
cos
(
3
x
−
2
y
)
3
,
u
y
(
x
,
y
)
=
cos
(
3
x
−
2
y
)
(
−
2
)
u_(x)(x,y)=cos(3x-2y)3,quadu_(y)(x,y)=cos(3x-2y)(-2) u_{x}(x, y)=\cos (3 x-2 y) 3, \quad u_{y}(x, y)=\cos (3 x-2 y)(-2)
因此
2
u
x
+
3
u
y
=
2
(
3
cos
(
3
x
−
2
y
)
)
−
3
(
2
cos
(
3
x
−
2
y
)
)
=
0
2
u
x
+
3
u
y
=
2
(
3
cos
(
3
x
−
2
y
)
)
−
3
(
2
cos
(
3
x
−
2
y
)
)
=
0
2u_(x)+3u_(y)=2(3cos(3x-2y))-3(2cos(3x-2y))=0 2 u_{x}+3 u_{y}=2(3 \cos (3 x-2 y))-3(2 \cos (3 x-2 y))=0
另一方面,对于
x
∈
R
x
∈
R
x inR x \in \mathbb{R} 和
t
>
0
t
>
0
t > 0 t>0 ,让我们检查函数
u
(
x
,
t
)
=
x
t
u
(
x
,
t
)
=
x
t
u(x,t)=(x)/(t) u(x, t)=\frac{x}{t} 是否是
PDE
u
t
+
u
u
x
=
0
PDE
u
t
+
u
u
x
=
0
PDEu_(t)+uu_(x)=0 \operatorname{PDE} u_{t}+u u_{x}=0 的解。对于任何带有
t
>
0
t
>
0
t > 0 t>0 的
(
x
,
t
)
(
x
,
t
)
(x,t) (x, t) ,我们计算
u
x
(
x
,
t
)
=
1
t
and
u
t
(
x
,
t
)
=
−
x
t
2
;
hence,
u
t
+
u
u
x
=
−
x
t
2
+
x
t
1
t
=
0
u
x
(
x
,
t
)
=
1
t
and
u
t
(
x
,
t
)
=
−
x
t
2
;
hence,
u
t
+
u
u
x
=
−
x
t
2
+
x
t
1
t
=
0
u_(x)(x,t)=(1)/(t)quad" and "quadu_(t)(x,t)=-(x)/(t^(2));quad" hence, "quadu_(t)+uu_(x)=-(x)/(t^(2))+(x)/(t)(1)/(t)=0 u_{x}(x, t)=\frac{1}{t} \quad \text { and } \quad u_{t}(x, t)=-\frac{x}{t^{2}} ; \quad \text { hence, } \quad u_{t}+u u_{x}=-\frac{x}{t^{2}}+\frac{x}{t} \frac{1}{t}=0
对于大多数 PDE 来说,不可能猜出一个满足方程的函数。事实上,除了琐碎的例子之外,PDE 都无法通过直接积分来简单 "求解"。大家应该还记得,常微分方程就已经是这种情况了。
稍后我们将看到,对于一大类 PDEs,存在一个较弱的解概念,称为 "分布意义上的解"。我们总是很清楚地知道我们指的是什么时候的弱解;我们要么说 "弱解",要么说 "分布意义上的解",以区别于经典解。经典解总是弱解,但反之则不然。事实上,我们可以说弱解不是平稳函数,甚至不是连续函数。事实上,我们还可以讨论甚至不是函数的弱解!
1.4.
⋅
⋅
* \cdot 阶、线性与非线性、标量与系统
1.4.1.
⋅
⋅
* \cdot 命令。
PDE 的阶次定义 定义 1.4.1.我们将 PDE 的阶定义为方程中出现的最高导数的阶。
在本文中,我们将主要讨论一阶和二阶 PDE。请注意,这一定义与因变量的数量无关。 1.4.2.- 线性与非线性。线性与非线性是 PDE 的核心二分法。为此,让我们将 PDE 写成以下形式:所有包含
u
u
u u 及其导数
=
=
= = 的项,所有仅涉及自变量的项。
我们将左侧写为
L
(
u
)
L
(
u
)
L(u) \mathcal{L}(u) ,将其视为对函数
u
u
u u 起作用的某个(微分)算子
L
L
L \mathcal{L} 。具体算子的一些例子是
L
(
u
)
=
u
x
+
u
y
L
(
u
)
=
u
x
+
u
y
L(u)=u_(x)+u_(y) \mathcal{L}(u)=u_{x}+u_{y} 和
L
(
u
)
=
u
x
x
+
x
u
y
y
+
u
u
x
L
(
u
)
=
u
x
x
+
x
u
y
y
+
u
u
x
L(u)=u_(xx)+xu_(yy)+uu_(x) \mathcal{L}(u)=u_{x x}+x u_{y y}+u u_{x} 。因此,
u
(
x
)
u
(
x
)
u(x) u(\mathbf{x}) 的任何 PDE 都可以写成
L
(
u
)
=
f
(
x
)
L
(
u
)
=
f
(
x
)
L(u)=f(x) \mathcal{L}(u)=f(\mathbf{x})
对于某个运算符
L
L
L \mathcal{L} 和某个函数
f
f
f f 来说。
线性和非线性 PDE 的定义
定义 1.4.2.如果
L
L
L \mathcal{L} 在
u
u
u u 中是线性的,我们就说 PDE 是线性的。也就是说
L
(
u
1
+
u
2
)
=
L
(
u
1
)
+
L
(
u
2
)
L
u
1
+
u
2
=
L
u
1
+
L
u
2
L(u_(1)+u_(2))=L(u_(1))+L(u_(2)) \mathcal{L}\left(u_{1}+u_{2}\right)=\mathcal{L}\left(u_{1}\right)+\mathcal{L}\left(u_{2}\right)
和
L
(
c
u
1
)
=
c
L
(
u
1
)
.
L
c
u
1
=
c
L
u
1
.
L(cu_(1))=cL(u_(1)). \mathcal{L}\left(c u_{1}\right)=c \mathcal{L}\left(u_{1}\right) .
否则,我们就说这个 PDE 是非线性的。
PDE 中存在不同类型的非线性,这些非线性对其复杂性有着深远的影响。我们将其分为三类:半线性、准线性和全非线性。
半线性、准线性和全非线性 PDE 的定义
定义 1.4.3.阶数为
k
k
k k 的 PDE 称为:
如果所有出现的阶数为
k
k
k k 的导数的系数都只取决于自变量,那么它就是半线性方程、
如果所有出现的阶数为
k
k
k k 的导数都有一个只取决于自变量
u
u
u u 的系数,且其导数的阶数严格小于
k
k
k k ,则该函数为准线性函数、
如果不是准线性,则为完全非线性。
读者应注意,重点是 PDE 中的最高导数;例如,全非线性 PDE 就是最高导数非线性的 PDE。根据定义,我们有严格的夹杂:
linear PDEs
⊂
semilinear PDEs
⊂
quasilinear PDEs.
linear PDEs
⊂
semilinear PDEs
⊂
quasilinear PDEs.
" linear PDEs "sub" semilinear PDEs "sub" quasilinear PDEs. " \text { linear PDEs } \subset \text { semilinear PDEs } \subset \text { quasilinear PDEs. }
对于两个自变量
x
x
x x 和
y
y
y y 中的一阶 PDE,线性意味着 PDE 可以写成以下形式
a
(
x
,
y
)
u
x
(
x
,
y
)
+
b
(
x
,
y
)
u
y
(
x
,
y
)
=
c
1
(
x
,
y
)
u
+
c
2
(
x
,
y
)
a
(
x
,
y
)
u
x
(
x
,
y
)
+
b
(
x
,
y
)
u
y
(
x
,
y
)
=
c
1
(
x
,
y
)
u
+
c
2
(
x
,
y
)
a(x,y)u_(x)(x,y)+b(x,y)u_(y)(x,y)=c_(1)(x,y)u+c_(2)(x,y) a(x, y) u_{x}(x, y)+b(x, y) u_{y}(x, y)=c_{1}(x, y) u+c_{2}(x, y)
对于
x
x
x x 和
y
y
y y 的某些函数
a
,
b
,
c
1
,
c
2
a
,
b
,
c
1
,
c
2
a,b,c_(1),c_(2) a, b, c_{1}, c_{2} 来说。半线性表示 PDE 可以写成以下形式
a
(
x
,
y
)
u
x
(
x
,
y
)
+
b
(
x
,
y
)
u
y
(
x
,
y
)
=
c
(
x
,
y
,
u
)
a
(
x
,
y
)
u
x
(
x
,
y
)
+
b
(
x
,
y
)
u
y
(
x
,
y
)
=
c
(
x
,
y
,
u
)
a(x,y)u_(x)(x,y)+b(x,y)u_(y)(x,y)=c(x,y,u) a(x, y) u_{x}(x, y)+b(x, y) u_{y}(x, y)=c(x, y, u)
的某些函数
a
a
a a 和
b
b
b b 以及
x
x
x x 和
y
y
y y 的函数
c
c
c c 和
x
,
y
x
,
y
x,y x, y 和
u
u
u u 的函数
c
c
c c .准线性是指 PDE 可以写成以下形式
a
(
x
,
y
,
u
)
u
x
(
x
,
y
)
+
b
(
x
,
y
,
u
)
u
y
(
x
,
y
)
=
c
(
x
,
y
,
u
)
a
(
x
,
y
,
u
)
u
x
(
x
,
y
)
+
b
(
x
,
y
,
u
)
u
y
(
x
,
y
)
=
c
(
x
,
y
,
u
)
a(x,y,u)u_(x)(x,y)+b(x,y,u)u_(y)(x,y)=c(x,y,u) a(x, y, u) u_{x}(x, y)+b(x, y, u) u_{y}(x, y)=c(x, y, u)
的某些函数
a
,
b
a
,
b
a,b a, b 和
c
c
c c 的
x
,
y
x
,
y
x,y x, y 和
u
u
u u 。请注意,在所有情况下,系数函数
a
,
b
a
,
b
a,b a, b 和
c
c
c c 不必与其参数成线性关系。
举个例子
(
x
y
)
u
x
+
e
y
u
y
+
(
sin
x
)
u
=
x
3
y
4
is linear;
(
x
y
)
u
x
+
e
y
u
y
+
(
sin
x
)
u
=
u
2
is semilinear;
u
u
x
+
u
y
=
0
is quasilinear;
(
u
x
)
2
+
(
u
y
)
2
=
1
is fully nonlinear.
(
x
y
)
u
x
+
e
y
u
y
+
(
sin
x
)
u
=
x
3
y
4
is linear;
(
x
y
)
u
x
+
e
y
u
y
+
(
sin
x
)
u
=
u
2
is semilinear;
u
u
x
+
u
y
=
0
is quasilinear;
u
x
2
+
u
y
2
=
1
is fully nonlinear.
{:[(xy)u_(x)+e^(y)u_(y)+(sin x)u=x^(3)y^(4)" is linear; "],[(xy)u_(x)+e^(y)u_(y)+(sin x)u=u^(2)" is semilinear; "],[uu_(x)+u_(y)=0" is quasilinear; "],[(u_(x))^(2)+(u_(y))^(2)=1" is fully nonlinear. "]:} \begin{aligned}
(x y) u_{x}+e^{y} u_{y}+(\sin x) u & =x^{3} y^{4} & & \text { is linear; } \\
(x y) u_{x}+e^{y} u_{y}+(\sin x) u & =u^{2} & & \text { is semilinear; } \\
u u_{x}+u_{y} & =0 & & \text { is quasilinear; } \\
\left(u_{x}\right)^{2}+\left(u_{y}\right)^{2} & =1 & & \text { is fully nonlinear. }
\end{aligned}
请注意,我们并不关心自变量中的非线性因素。例如,第一个线性示例的自变量中存在非线性项,但因变量(
u
u
u u 及其偏导数)是线性的。这才是最重要的。
一般设置(1.2)允许另一种定义。
均质和非均质 PDE 的定义
定义 1.4.4.如果 (1.2) 中
f
≡
0
f
≡
0
f-=0 f \equiv 0 ,我们就说 PDE 是均相的。否则,我们称之为非均质。
例如,对于
x
x
x x 和
y
y
y y 的某些函数
a
,
b
a
,
b
a,b a, b 来说,两个独立变量的同构线性一阶 PDE 的一般形式为
a
(
x
,
y
)
u
x
(
x
,
y
)
+
b
(
x
,
y
)
u
y
(
x
,
y
)
=
0
a
(
x
,
y
)
u
x
(
x
,
y
)
+
b
(
x
,
y
)
u
y
(
x
,
y
)
=
0
a(x,y)u_(x)(x,y)+b(x,y)u_(y)(x,y)=0 a(x, y) u_{x}(x, y)+b(x, y) u_{y}(x, y)=0 。 1.4.3.
⋅
⋅
* \cdot 线性 PDE 的叠加原理。线性 PDE 有一个共同的特性,即叠加原理,我们将看到它非常有用。对于同质线性 PDE,我们可以将该性质表述如下:如果
u
1
u
1
u_(1) u_{1} 和
u
2
u
2
u_(2) u_{2} 是
L
(
u
)
=
0
L
(
u
)
=
0
L(u)=0 \mathcal{L}(u)=0 和
a
,
b
∈
R
a
,
b
∈
R
a,b inR a, b \in \mathbb{R} 的两个解,那么
a
u
1
+
b
u
2
a
u
1
+
b
u
2
au_(1)+bu_(2) a u_{1}+b u_{2} 也是
L
(
u
)
=
0
L
(
u
)
=
0
L(u)=0 \mathcal{L}(u)=0 的一个解。
我们还可以将其应用于形式为
L
(
u
)
=
f
L
(
u
)
=
f
L(u)=f \mathcal{L}(u)=f 的非均质线性 PDE:如果
u
1
u
1
u_(1) u_{1} 是非均质线性 PDE 的解,而
u
2
u
2
u_(2) u_{2} 是相关的 同质
PDE
L
(
u
)
=
0
PDE
L
(
u
)
=
0
PDEL(u)=0 \operatorname{PDE} \mathcal{L}(u)=0 ,那么
u
1
+
u
2
u
1
+
u
2
u_(1)+u_(2) u_{1}+u_{2} 也是非同质线性 PDE 的解。更一般地说,如果
u
1
u
1
u_(1) u_{1} 是
L
(
u
)
=
f
1
L
(
u
)
=
f
1
L(u)=f_(1) \mathcal{L}(u)=f_{1} 的解,
u
2
u
2
u_(2) u_{2} 是
L
(
u
)
=
L
(
u
)
=
L(u)= \mathcal{L}(u)=
f
2
f
2
f_(2) f_{2} 的解,那么
a
u
1
+
b
u
2
a
u
1
+
b
u
2
au_(1)+bu_(2) a u_{1}+b u_{2} 就是
L
(
u
)
=
a
f
1
+
b
f
2
L
(
u
)
=
a
f
1
+
b
f
2
L(u)=af_(1)+bf_(2) \mathcal{L}(u)=a f_{1}+b f_{2} 的解。 1.4.4. - 标量与系统。到目前为止,我们已经讨论了标量未知数
u
u
u u 的 PDE;这些方程将是本文的重点。然而,矢量值函数(不止一个函数)的类似方程也无处不在,非常重要,而且一般来说非常难解。我们称这类方程为偏微分方程系,而不是标量 PDE。与线性代数方程组一样,这里的困难在于偏微分方程是耦合的,不能简单地分别求解每个未知函数的标量方程。例如
{
u
x
+
v
u
y
=
0
u
v
x
+
v
y
=
v
u
x
+
v
u
y
=
0
u
v
x
+
v
y
=
v
{[u_(x)+vu_(y)=0],[uv_(x)+v_(y)=v]:} \left\{\begin{array}{l}
u_{x}+v u_{y}=0 \\
u v_{x}+v_{y}=v
\end{array}\right.
是两个自变量中未知函数
u
(
x
,
y
)
,
v
(
x
,
y
)
u
(
x
,
y
)
,
v
(
x
,
y
)
u(x,y),v(x,y) u(x, y), v(x, y) 的二元方程组的一个例子。
线性麦克斯韦方程组(参见第 4.1.1 节)和准线性欧拉方程组及纳维-斯托克斯方程组(参见第 2.8 节)就是著名的 PDEs 系统。
1.5.
⋅
⋅
* \cdot 一般解法、任意函数、辅助条件和拟好问题的概念
1.5.1.- 通解与任意函数。在学习常微分方程的过程中,您应该还记得通解与特解的概念。常微分方程有无穷多的解,而这无穷多的解(称为通解)是通过任意常数参数化(标注)的。例如,当我们说要找到
y
′
(
t
)
=
y
(
t
)
y
′
(
t
)
=
y
(
t
)
y^(')(t)=y(t) y^{\prime}(t)=y(t) 的一般解时,我们要求描述所有可能的解。我们可以说,对于任意常数
C
C
C C ,一般解是
y
(
t
)
=
C
e
t
y
(
t
)
=
C
e
t
y(t)=Ce^(t) y(t)=C e^{t} 。给定一个初始条件,即某一点的解值,我们就可以确定特定解所需的常数。二阶 ODE 需要两个常数来参数化(标注)所有解。
多项式方程也会有无穷多个解,但现在将通过任意函数对它们进行参数化(标注)。这种类型的参数化或标注很容易造成极大的混淆,尤其是当人们以符号而非概念为指导时。我们将通过几个例子来说明这一点,在这些例子中,我们通过描述(或更准确地说是表征)所有解来 "找到 "一般解。
例 1.5.1.求全域
R
2
R
2
R^(2) \mathbb{R}^{2} 中
u
(
x
,
y
)
u
(
x
,
y
)
u(x,y) u(x, y) 的一般解,解得
u
x
=
0
u
x
=
0
u_(x)=0 u_{x}=0
PDE 对解的唯一限制是,相对于一个变量
x
x
x x 的导数为 0。因此,解不能随
x
x
x x 变化。在 另一方面,PDE 对
u
u
u u 如何随
y
y
y y 变化只字未提。因此
如果
f
f
f f 是单变量的任意函数,那么
u
(
x
,
y
)
=
f
(
y
)
u
(
x
,
y
)
=
f
(
y
)
u(x,y)=f(y) u(x, y)=f(y) 就能求解 PDE。
另一方面,对于某个单变量函数
f
f
f f 来说,PDE 的任何解都必须具有
u
(
x
,
y
)
=
f
(
y
)
u
(
x
,
y
)
=
f
(
y
)
u(x,y)=f(y) u(x, y)=f(y) 的形式。
这两句话合在一起的意思是,对于任何单变量函数
f
f
f f 来说,
u
(
x
,
y
)
=
f
(
y
)
u
(
x
,
y
)
=
f
(
y
)
u(x,y)=f(y) u(x, y)=f(y) 就是
PDE
u
x
=
0
PDE
u
x
=
0
PDEu_(x)=0 \operatorname{PDE} u_{x}=0 的通解。如果我们想求解同一个 PDE,但求解的是三个独立变量(即求解
u
(
x
,
y
,
z
)
u
(
x
,
y
,
z
)
u(x,y,z) u(x, y, z) ),那么对于任何两个变量的函数
f
f
f f 来说,一般解就是
u
(
x
,
y
,
z
)
=
f
(
y
,
z
)
u
(
x
,
y
,
z
)
=
f
(
y
,
z
)
u(x,y,z)=f(y,z) u(x, y, z)=f(y, z) 。
例 1.5.2.求全域
R
2
R
2
R^(2) \mathbb{R}^{2} 中
u
(
x
,
y
)
u
(
x
,
y
)
u(x,y) u(x, y) 的一般解,解得
u
x
x
=
0
u
x
x
=
0
u_(xx)=0 u_{x x}=0
PDE 告诉我们,
u
x
(
x
,
y
)
u
x
(
x
,
y
)
u_(x)(x,y) u_{x}(x, y) 的
x
x
x x 导数必须为 0 。因此,按照前面例子的逻辑,我们可以求出
u
x
=
f
(
y
)
u
x
=
f
(
y
)
u_(x)=f(y) u_{x}=f(y) 。在
x
x
x x 中积分,得到
u
(
x
,
y
)
=
f
(
y
)
x
+
g
(
y
)
u
(
x
,
y
)
=
f
(
y
)
x
+
g
(
y
)
u(x,y)=f(y)x+g(y) u(x, y)=f(y) x+g(y) ,因为积分中的任何 "常数 "只需在
x
x
x x 中不变(不一定在
y
y
y y 中不变)。因此,对于任何两个单变量函数
f
f
f f 和
g
g
g g 来说,
u
x
x
=
0
u
x
x
=
0
u_(xx)=0 u_{x x}=0 的
u
(
x
,
y
)
u
(
x
,
y
)
u(x,y) u(x, y) 的一般解是
u
(
x
,
y
)
=
f
(
y
)
x
+
g
(
y
)
u
(
x
,
y
)
=
f
(
y
)
x
+
g
(
y
)
u(x,y)=f(y)x+g(y) u(x, y)=f(y) x+g(y) 。
例 1.5.3.求全域
R
2
R
2
R^(2) \mathbb{R}^{2} 中
u
(
x
,
y
)
u
(
x
,
y
)
u(x,y) u(x, y) 的一般解,解得
u
x
y
=
0
.
u
x
y
=
0
.
u_(xy)=0. u_{x y}=0 .
在这种情况下,
u
x
(
x
,
y
)
u
x
(
x
,
y
)
u_(x)(x,y) u_{x}(x, y) 的导数
y
y
y y 必须为零。因此,对于任何函数
f
f
f f ,
u
x
=
f
(
x
)
u
x
=
f
(
x
)
u_(x)=f(x) u_{x}=f(x) 都是零。对
x
x
x x 进行积分,得到
u
(
x
,
y
)
=
F
(
x
)
+
g
(
y
)
u
(
x
,
y
)
=
F
(
x
)
+
g
(
y
)
u(x,y)=F(x)+g(y) u(x, y)=F(x)+g(y) 其中的
F
′
(
x
)
=
f
(
x
)
F
′
(
x
)
=
f
(
x
)
F^(')(x)=f(x) F^{\prime}(x)=f(x) 。由于
f
f
f f 可以是单变量的任意函数,因此其原函数
F
F
F F 也可以是单变量的任意函数。因此,我们可以说,对于任何两个单变量函数
f
f
f f 和
g
g
g g 来说,
u
(
x
,
y
)
u
(
x
,
y
)
u(x,y) u(x, y) 对
u
x
y
=
0
u
x
y
=
0
u_(xy)=0 u_{x y}=0 的一般解是
u
(
x
,
y
)
=
f
(
x
)
+
g
(
y
)
u
(
x
,
y
)
=
f
(
x
)
+
g
(
y
)
u(x,y)=f(x)+g(y) u(x, y)=f(x)+g(y) 。 1.5.2.
⋅
⋅
* \cdot 辅助条件:边界条件和初始条件。PDE 通常会辅以一个辅助条件,在该辅助条件中,我们指定在域的某个子集中,解
u
u
u u 的值和/或其偏导数。我们希望在一般解上强制执行这一辅助条件,从而得到唯一的解。一般来说,如果有
N
N
N N 个自变量,那么辅助条件就是
u
u
u u 的一组指定值(和/或
u
u
u u 的导数),它们位于域
Ω
Ω
Omega \Omega 的 (N-1)- 维子集
Γ
Γ
Gamma \Gamma ,辅助条件是在曲线上指定的。
如果适当选择集合
Γ
Γ
Gamma \Gamma ,我们就能确定一般解法中的任意函数,并获得单一(唯一)解法。例如,如果
u
(
x
,
y
)
u
(
x
,
y
)
u(x,y) u(x, y) 求解
u
x
=
0
u
x
=
0
u_(x)=0 u_{x}=0 ,我们可以指定
u
u
u u 在任何不平行于
x
x
x x 轴的直线上的值,从而准确地确定函数
f
f
f f 。对于
u
(
x
,
y
,
z
)
u
(
x
,
y
,
z
)
u(x,y,z) u(x, y, z) 求解
u
x
=
0
u
x
=
0
u_(x)=0 u_{x}=0 ,在任何不包含平行于
x
x
x x 轴的直线的平面上指定
u
u
u u 也是如此。在下一章关于一阶 PDE 和特性的内容中,这一点将变得更加清晰。
有两类自然的辅助条件。它们分别导致初值问题(IVP)和边界值问题(BVP)。对于前者,我们考虑其中一个自变量代表时间
t
t
t t 的问题。因此,我们的 PDE 是针对
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(\mathbf{x}, t) 的解,而一个自然条件是在
t
=
0
t
=
0
t=0 t=0 指定解(和/或其时间导数)。两个著名的例子分别是一维空间中的波方程和扩散(热)方程的初值问题:
IVP Wave
{
u
t
t
=
c
2
u
x
x
u
(
x
,
0
)
=
ϕ
(
x
)
,
u
t
(
x
,
0
)
=
ψ
(
x
)
for
−
∞
<
x
<
∞
,
t
>
0
,
for
−
∞
<
x
<
∞
IVP Diffusion
{
u
t
=
c
2
u
x
x
for
−
∞
<
x
<
∞
,
t
>
0
,
u
(
x
,
0
)
=
f
(
x
)
for
−
∞
<
x
<
∞
.
IVP Wave
u
t
t
=
c
2
u
x
x
u
(
x
,
0
)
=
ϕ
(
x
)
,
u
t
(
x
,
0
)
=
ψ
(
x
)
for
−
∞
<
x
<
∞
,
t
>
0
,
for
−
∞
<
x
<
∞
IVP Diffusion
u
t
=
c
2
u
x
x
for
−
∞
<
x
<
∞
,
t
>
0
,
u
(
x
,
0
)
=
f
(
x
)
for
−
∞
<
x
<
∞
.
{:[" IVP Wave "{[u_(tt)=c^(2)u_(xx)],[u(x","0)=phi(x)","quadu_(t)(x","0)=psi(x)," for "-oo < x < oo","t > 0","],[" for "-oo < x < oo]:}],[" IVP Diffusion "{[u_(t)=c^(2)u_(xx)," for "-oo < x < oo","t > 0","],[u(x","0)=f(x)," for "-oo < x < oo.]:}]:} \begin{gathered}
\text { IVP Wave } \begin{cases}u_{t t}=c^{2} u_{x x} \\
u(x, 0)=\phi(x), \quad u_{t}(x, 0)=\psi(x) & \text { for }-\infty<x<\infty, t>0, \\
\text { for }-\infty<x<\infty\end{cases} \\
\text { IVP Diffusion } \begin{cases}u_{t}=c^{2} u_{x x} & \text { for }-\infty<x<\infty, t>0, \\
u(x, 0)=f(x) & \text { for }-\infty<x<\infty .\end{cases}
\end{gathered}
在这里,我们针对一维空间
x
∈
R
x
∈
R
x inR x \in \mathbb{R} 提出了这些问题。类似的问题也可以在二维、三维甚至
N
N
N N 维空间中提出。
对于所有自变量都是空间变量的问题,我们通常会在空间的某个有界(或无界)区域
Ω
Ω
Omega \Omega 中寻找解,并在边界
∂
Ω
∂
Ω
del Omega \partial \Omega 中指定解。这就产生了边界值问题。一个有名的例子是所谓的拉普拉斯
3
3
^(3) { }^{3} 的狄利克特
2
2
^(2) { }^{2} 问题,在二维空间中,我们在单位球
Ω
=
{
(
x
,
y
)
∣
x
2
+
y
2
<
1
}
Ω
=
(
x
,
y
)
∣
x
2
+
y
2
<
1
Omega={(x,y)∣x^(2)+y^(2) < 1} \Omega=\left\{(x, y) \mid x^{2}+y^{2}<1\right\} 中寻找解,并指定边界圆
∂
Ω
=
{
(
x
,
y
)
∣
x
2
+
y
2
=
1
}
∂
Ω
=
(
x
,
y
)
∣
x
2
+
y
2
=
1
del Omega={(x,y)∣x^(2)+y^(2)=1} \partial \Omega=\left\{(x, y) \mid x^{2}+y^{2}=1\right\} 上的解:
BVP Laplace
{
u
x
x
+
u
y
y
=
0
for
(
x
,
y
)
∈
Ω
,
u
=
f
on
∂
Ω
.
BVP Laplace
u
x
x
+
u
y
y
=
0
for
(
x
,
y
)
∈
Ω
,
u
=
f
on
∂
Ω
.
" BVP Laplace "{[u_(xx)+u_(yy)=0," for "(x","y)in Omega","],[u=f," on "del Omega.]:} \text { BVP Laplace } \begin{cases}u_{x x}+u_{y y}=0 & \text { for }(x, y) \in \Omega, \\ u=f & \text { on } \partial \Omega .\end{cases}
初值问题涉及的物理空间域并非整个实线(或空间),也会有边界值规范。因此,它们既是初值问题,也是边界值问题。 1.5.3.
⋅
⋅
* \cdot 一般辅助条件与考希问题。将辅助条件与 PDE 结合起来的一个更一般的框架是,在域的某个
(
N
−
1
)
(
N
−
1
)
(N-1) (N-1) 维子集
Γ
Γ
Gamma \Gamma 上为
N
N
N N 变量的 PDE 提供数据。例如,在二维中,我们提供某个(可能有界的)曲线上的数据;在三维中,我们提供某个(可能有界的)曲面上的数据。寻找 PDE 和此辅助条件的解被称为 Cauchy 问题
4
4
^(4) { }^{4} 。Cauchy问题(或许说 "a "更好)可能既不是初值问题,也不是边界值问题。
1.5.4.- 摆好问题。根据 Hadamard
5
5
^(5) { }^{5} ,我们给出如下定义。
摆好问题的定义
定义 1.5.1.如果以下三个条件成立,我们就说一个带有一个或多个辅助条件的 PDE 构成了一个摆好问题:
存在性 - 对于给定的辅助条件选择(其中数据是从某个函数类别中选择的),存在满足辅助条件的 PDE 解。
唯一性--事实上,这样的解决方案只有一个。
稳定性--如果我们对辅助条件
a
a
^(a) { }^{a} 稍加扰动,那么所得到的唯一解不会有太大变化。也就是说,辅助条件的微小变化只会导致解的微小变化。
a
a
^(a) { }^{a} 请注意 "轻微扰动 "和 "微小变化 "这两个词的使用有歧义。对于任何特定问题,都需要精确地使用这一术语。
前两个条件确保了辅助条件与 PDE(即函数应如何变化的规律)一起,恰好是我们明确确定解所需的信息量(不多不少)。第三个条件也很重要。在任何物理问题中,辅助条件都要求在某个地点(或地点和时间)测量某个物理量
u
u
u u 。在这些测量中总会存在微小的误差,事实上,人们只能在任何数值中记录一定数量的有效数字。这一稳定性条件对于任何模拟解的数值技术也至关重要。事实上,数值计算解法需要对数据进行一定的离散化处理,只能获得数据的近似值。因此,我们试图模拟的问题在这种近似值方面必须是稳定的。
人们可能还记得,从 ODEs 的角度来看,为了得到唯一的解,所需的条件数目正好是 ODEs 的阶数。人们可能会天真地认为,PDE 也会出现类似的情况。然而,情况要微妙得多。正如我们将看到的,上一小节中提到的两个 IVP 和 BVP 都是在适当的求解类别内构成的问题。它们都是二阶 PDE;然而,第一个问题需要两个辅助条件才能形成问题,而另外两个问题只需要一个辅助条件。
1.6.- 求解 PDE 的常见方法和主题
1.6.1.
⋅
⋅
* \cdot 假设我们有一个解决方案并继续前进。给定一个精心求解的 (PDE) 问题,我们最希望得到一个闭式解
u
u
u u ,即根据其自变量得到
u
u
u u 的显式。虽然一般来说,显式解非常罕见,但我们还是能够找到本书中遇到的许多 PDE 的显式解。找到这些显式解有一种常见的方法,初看起来可能有点像作弊。
求解 PDE 的通用方法
首先,我们假设 PDE 和辅助条件的
u
u
u u 解(函数)是存在的,并且足够平滑(参见第 A.2 节)。
我们仅使用
u
u
u u 解 PDE 的假设和辅助条件,就可以处理和分析这个尚不为人知的解
u
u
u u 。在此过程中,我们得出了关于其结构的一些基本结果。
在某些情况下,通过对其结构的分析,实际上可以得到
u
u
u u 的明确公式。换句话说,我们对
u
u
u u 已了如指掌。
这个公式是在存在平稳解的基础(假设)上得出的。然而,有了这个公式,我们现在就可以检查这是否确实给出了一个解。这最后一步是必要的,它意味着最终不存在欺骗!
因此,在本文中,我们经常会在分析一开始就提到解
u
u
u u 。我们的许多结果/定理将采用以下形式:
"If
u
solves an IVP or BVP, then
u
=
…
.
"
"If
u
solves an IVP or BVP, then
u
=
…
.
"
" "If "u" solves an IVP or BVP, then "u=dots." \text { "If } u \text { solves an IVP or BVP, then } u=\ldots . "
当然,有了这个公式,我们就可以检查(验证)反面:
"If
u
=
…
,
then
u
solves the IVP or BVP."
"If
u
=
…
,
then
u
solves the IVP or BVP."
" "If "u=dots,quad" then "u" solves the IVP or BVP." " \text { "If } u=\ldots, \quad \text { then } u \text { solves the IVP or BVP." }
通常情况下,我们只需检查
u
u
u u 的计算公式是否满足 PDE 和辅助条件,就可以直接检验出反向结果。它满足辅助条件的事实往往是立竿见影的(例如,一维波方程的 IVP 解)。而在其他情况下(如扩散方程和拉普拉斯方程的 BVP),我们的推导公式满足初始条件或边界条件并不那么明显(或直接),需要进行更深入的研究。
1.6.2.
⋅
⋅
* \cdot 显解与非显解、无解和近似解
解决方案我们将花大量时间讨论 "所谓 "的三大方程:波方程、扩散方程和拉普拉斯方程。在某些领域,这些方程可以显式求解;也就是说,我们可以根据已知函数或已知函数的无限和(幂级数)找到它们的解的显式公式。然而,需要注意的是,大多数具有科学意义的 PDE 都无法用已知函数或已知函数的可能无限和(幂级数)来显式求解。对于这些 PDEs,数学家们通常要花费毕生精力来解决以下问题:(i) 证明其存在性、唯一性和好求解性,而不推导出显式公式(我们称之为非显式解);(ii) 证明解的定性属性,例如正则性(解的平滑程度)及其不连续性的性质(例如炸开)。与寻找显式公式一样,数学家在处理这些任务时通常首先假设解的存在,然后推导出某些估计值(边界),即先验估计值。
与 ODEs 不同,PDEs 没有稳健的一般存在定理,即在 PDE 和辅助条件的特定假设下,断言解存在的定理。唯一的例外(PDE 中唯一的一般存在定理)是 Cauchy-Kovalevskaya 定理
6
6
^(6) { }^{6} ,该定理断言,在对 PDE 和数据进行非常严格的假设条件下,Cauchy 问题的解局部存在。为了提供一些细节,我们考虑一个定义在
N
N
N N 维域
Ω
Ω
Omega \Omega 上的 PDE 的 Cauchy 问题,其数据提供在
(
N
−
1
)
(
N
−
1
)
(N-1) (N-1) 维子集
Γ
⊂
Ω
Γ
⊂
Ω
Gamma sub Omega \Gamma \subset \Omega 上。我们要寻找局部解,即在
Ω
Ω
Omega \Omega 的某个子域
Ω
′
Ω
′
Omega^(') \Omega^{\prime} 中的解,该子域仍包含
Γ
Γ
Gamma \Gamma ,换句话说,就是在数据集
Γ
Γ
Gamma \Gamma 的某个 "邻域 "中的解。对 PDE 和数据的假设基于解析性概念。如果一个函数可以用关于其域中任意点的泰勒(幂)级数来表示,那么它在其域中就是解析的。这样的函数极为特殊,而且确实非常 "规则";事实上,有一些
C
∞
C
∞
C^(oo) C^{\infty} 函数是不解析的。Cauchy-Kovalevskaya 定理的一种非常非正式的表述方式是:"如果眼前的一切都是(或可以用)解析函数描述的,那么我们就可以确定局部解的存在"。证明的方法是用幂级数展开一切,这并不奇怪;精确的陈述和证明见[10]第 4.6 节。
所有 PDE 都有解吗?读者很快就会在下一章中看到,很容易在域的一个子集上构造出一个不相容的 PDE 和一个辅助条件;也就是说,由此产生的问题(PDE + 数据)没有解。然而,一个很自然的问题是涉及
u
u
u u 、其导数和自变量的平稳函数的 PDE(无附加约束)是否总能在其域中某点的邻域中找到解?答案是否定的,但这并不明显。事实上,1958 年,汉斯-路易
7
7
^(7) { }^{7} 首次提供了一个简单线性 PDE 无解的惊人例子。对于复值函数
u
(
x
,
y
,
t
)
u
(
x
,
y
,
t
)
u(x,y,t) u(x, y, t) (参见第 6.1 节)来说,Lewy 的例子最能说明问题:
u
x
+
i
u
y
−
2
i
(
x
+
i
y
)
u
t
=
f
(
t
)
u
x
+
i
u
y
−
2
i
(
x
+
i
y
)
u
t
=
f
(
t
)
u_(x)+iu_(y)-2i(x+iy)u_(t)=f(t) u_{x}+i u_{y}-2 i(x+i y) u_{t}=f(t)
其中
f
(
t
)
f
(
t
)
f(t) f(t) 是
R
R
R \mathbb{R} 上的连续(甚至平滑)函数,在
t
=
0
.
8
t
=
0
.
8
t=0.^(8) t=0 .{ }^{8} 处不解析。在第 9 章中,我们将看到如何从 "分布的意义 "上解释 PDE 的解。这种解的概念要弱得多,它允许解是不连续的,甚至允许解不是函数。然而,Lewy 能够证明存在类似的线性 PDEs 例子,它们甚至没有分布意义上的解。妙语连珠:有一些线性 PDE 是没有解的!
通过计算机近似求解。物理学家、工程师、计算机和数据科学家、化学家、生物学家、经济学家等经常会遇到或推导出没有明确求解公式的 PDE。他们通常对上述 "抽象 "数学问题不感兴趣。相反,他们寻求解的近似值。在许多情况下,由于现代计算机的计算能力,这已成为可能。数值求解 PDE 的一般方法很多,许多数值软件包也已开发完成,并被这些从业人员广泛使用。然而,对于许多非线性 PDE,人们往往需要开发针对特定 PDE 的定制数值方法。毫无疑问,这需要从数学角度理解 PDE 的结构,而这正是许多从事数值分析和科学计算领域工作的应用数学家的工作重点。
练习
1.1 对于每个 PDE: (i) 说明阶次,并判断是线性、半线性、准线性还是完全非线性。 (ii) 通过在线查阅,描述与 PDE 相关的物理或几何背景。特别是,因变量
u
u
u u 和自变量模型是什么,PDE 中的参数(常数或指定函数)是什么意思。除非另有说明,
x
∈
R
x
∈
R
x inR x \in \mathbb{R} 和
x
∈
R
3
x
∈
R
3
xinR^(3) \mathbf{x} \in \mathbb{R}^{3} 。 (iii) 根据研究结果,首先确定自变量的自然范围(即解
u
u
u u 的域)。例如,应该是所有的线/空间,还是
R
N
R
N
R^(N) \mathbb{R}^{N} 中
Ω
Ω
Omega \Omega 的特定域?是针对所有
t
t
t t 还是只针对
t
>
0
t
>
0
t > 0 t>0 ?然后提出适当的辅助条件,以创建一个拟好的问题。这些条件可以是初始值、边界值或两者兼而有之。 (iv) 如果 PDE 有某人的名字,请上网查找。 (a) 薛定谔方程:
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(\mathbf{x}, t) 求解
i
ℏ
u
t
=
−
ℏ
2
2
m
Δ
u
+
V
(
x
,
t
)
u
i
ℏ
u
t
=
−
ℏ
2
2
m
Δ
u
+
V
(
x
,
t
)
u
iℏu_(t)=-(ℏ^(2))/(2m)Delta u+V(x,t)u i \hbar u_{t}=-\frac{\hbar^{2}}{2 m} \Delta u+V(\mathbf{x}, t) u ,其中
V
:
R
3
×
R
→
R
V
:
R
3
×
R
→
R
V:R^(3)xxRrarrR V: \mathbb{R}^{3} \times \mathbb{R} \rightarrow \mathbb{R} 已给出,
ℏ
ℏ
ℏ \hbar 是还原普朗克常数。 (b) (不粘性)布尔格斯方程:
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(x, t) 求解
u
t
+
u
u
x
=
0
u
t
+
u
u
x
=
0
u_(t)+uu_(x)=0 u_{t}+u u_{x}=0 。 全布尔格斯方程:
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(x, t) 解
u
t
+
u
u
x
=
ϵ
u
x
x
u
t
+
u
u
x
=
ϵ
u
x
x
u_(t)+uu_(x)=epsilonu_(xx) u_{t}+u u_{x}=\epsilon u_{x x} . (d) 汉密尔顿-雅各比方程:
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(\mathbf{x}, t) 求解
u
t
+
H
(
∇
u
,
x
)
=
0
u
t
+
H
(
∇
u
,
x
)
=
0
u_(t)+H(grad u,x)=0 u_{t}+H(\nabla u, \mathbf{x})=0 ,其中
H
:
R
N
×
R
N
→
R
H
:
R
N
×
R
N
→
R
H:R^(N)xxR^(N)rarrR H: \mathbb{R}^{N} \times \mathbb{R}^{N} \rightarrow \mathbb{R} 已给出。 (e) KdV 方程:
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(x, t) 解
u
t
+
u
x
x
x
−
6
u
u
x
=
0
u
t
+
u
x
x
x
−
6
u
u
x
=
0
u_(t)+u_(xxx)-6uu_(x)=0 u_{t}+u_{x x x}-6 u u_{x}=0 . (f) Eikonal 方程:
u
(
x
)
u
(
x
)
u(x) u(\mathbf{x}) 解
|
∇
u
|
=
f
(
x
)
|
∇
u
|
=
f
(
x
)
|grad u|=f(x) |\nabla u|=f(\mathbf{x}) . (多孔介质方程:
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(\mathbf{x}, t) 求解
u
t
=
Δ
(
u
m
)
u
t
=
Δ
u
m
u_(t)=Delta(u^(m)) u_{t}=\Delta\left(u^{m}\right) 中的某个
m
>
1
m
>
1
m > 1 m>1 。 (h) 光束方程:
u
(
x
,
t
)
u
(
x
,
t
)
u(x,t) u(x, t) 解
u
t
t
+
k
2
u
x
x
x
x
=
0
u
t
t
+
k
2
u
x
x
x
x
=
0
u_(tt)+k^(2)u_(xxxx)=0 u_{t t}+k^{2} u_{x x x x}=0 。 (i) 布莱克-斯科尔斯方程:
u
(
S
,
t
)
u
(
S
,
t
)
u(S,t) u(S, t) 求解
u
t
+
1
2
σ
2
S
2
u
S
S
+
r
S
u
S
−
r
u
=
0
u
t
+
1
2
σ
2
S
2
u
S
S
+
r
S
u
S
−
r
u
=
0
u_(t)+(1)/(2)sigma^(2)S^(2)u_(SS)+rSu_(S)-ru=0 u_{t}+\frac{1}{2} \sigma^{2} S^{2} u_{S S}+r S u_{S}-r u=0 ,其中
r
r
r r 和
σ
σ
sigma \sigma 为常数。 (j) 蒙日-安培方程:
u
(
x
)
u
(
x
)
u(x) \boldsymbol{u}(\mathbf{x}) 求解
det
(
D
2
u
)
=
f
(
x
)
det
D
2
u
=
f
(
x
)
det(D^(2)u)=f(x) \operatorname{det}\left(D^{2} u\right)=f(\mathbf{x}) ,其中
f
f
f f 已给出,
D
2
u
D
2
u
D^(2)u D^{2} u 表示 Hessian 矩阵(也用
H
[
u
]
H
[
u
]
H[u] \mathbf{H}[u] 表示)。 (k) 最小曲面方程:这里让
x
∈
R
2
x
∈
R
2
xinR^(2) \mathbf{x} \in \mathbb{R}^{2} 和
u
(
x
)
u
(
x
)
u(x) u(\mathbf{x}) 求解
div
(
∇
u
1
+
|
∇
u
|
2
)
=
0
div
∇
u
1
+
|
∇
u
|
2
=
0
div((grad u)/(sqrt(1+|grad u|^(2))))=0 \operatorname{div}\left(\frac{\nabla u}{\sqrt{1+|\nabla u|^{2}}}\right)=0
(1) 克莱因-戈登方程:
ℏ
2
u
t
t
−
ℏ
2
c
2
Δ
u
+
m
2
c
4
u
=
0
ℏ
2
u
t
t
−
ℏ
2
c
2
Δ
u
+
m
2
c
4
u
=
0
ℏ^(2)u_(tt)-ℏ^(2)c^(2)Delta u+m^(2)c^(4)u=0 \hbar^{2} u_{t t}-\hbar^{2} c^{2} \Delta u+m^{2} c^{4} u=0 ,其中
ℏ
ℏ
ℏ \hbar 是还原普朗克常数。 (m) 正弦-戈登方程:
u
t
t
−
u
x
x
+
sin
u
=
0
u
t
t
−
u
x
x
+
sin
u
=
0
u_(tt)-u_(xx)+sin u=0 u_{t t}-u_{x x}+\sin u=0 。 (n) 西瓦申斯基-库拉莫托方程:
u
t
+
u
x
x
x
x
+
u
x
x
+
u
u
x
=
0
,
x
∈
u
t
+
u
x
x
x
x
+
u
x
x
+
u
u
x
=
0
,
x
∈
u_(t)+u_(xxxx)+u_(xx)+uu_(x)=0,x in u_{t}+u_{x x x x}+u_{x x}+u u_{x}=0, x \in [-L, L]. (o) Fisher-KPP 公式:
u
t
−
a
u
x
x
=
b
u
(
1
−
u
)
,
a
,
b
>
0
u
t
−
a
u
x
x
=
b
u
(
1
−
u
)
,
a
,
b
>
0
u_(t)-au_(xx)=bu(1-u),a,b > 0 u_{t}-a u_{x x}=b u(1-u), a, b>0 。 § 查普利金方程:
u
x
x
+
y
2
1
−
y
2
/
c
2
u
y
y
+
y
u
y
=
0
u
x
x
+
y
2
1
−
y
2
/
c
2
u
y
y
+
y
u
y
=
0
quadu_(xx)+(y^(2))/(1-y^(2)//c^(2))u_(yy)+yu_(y)=0 \quad u_{x x}+\frac{y^{2}}{1-y^{2} / c^{2}} u_{y y}+y u_{y}=0 。 1.2 求下列各题的通解
u
(
x
,
y
,
z
)
u
(
x
,
y
,
z
)
u(x,y,z) u(x, y, z) :(a)
u
x
=
0
u
x
=
0
u_(x)=0 u_{x}=0 ,(b)
u
x
y
=
0
u
x
y
=
0
u_(xy)=0 u_{x y}=0 ,©
u
x
y
z
=
0
u
x
y
z
=
0
u_(xyz)=0 u_{x y z}=0 。 1.3 设
u
(
x
,
t
)
=
f
′
(
x
t
)
u
(
x
,
t
)
=
f
′
x
t
u(x,t)=f^(')((x)/(t)) u(x, t)=f^{\prime}\left(\frac{x}{t}\right) ,其中
f
f
f f 是具有
f
(
0
)
=
0
f
(
0
)
=
0
f(0)=0 f(0)=0 的
C
1
C
1
C^(1) C^{1} 函数。证明
u
u
u u 在
Ω
=
{
(
x
,
t
)
∣
t
>
0
}
Ω
=
{
(
x
,
t
)
∣
t
>
0
}
Omega={(x,t)∣t > 0} \Omega=\{(x, t) \mid t>0\} 上求解
u
t
+
f
(
u
)
x
=
0
u
t
+
f
(
u
)
x
=
0
u_(t)+f(u)_(x)=0 u_{t}+f(u)_{x}=0 。 1.4 (a) 证明对于任何
ϵ
>
0
,
u
(
x
,
y
)
=
log
x
2
+
y
2
ϵ
>
0
,
u
(
x
,
y
)
=
log
x
2
+
y
2
epsilon > 0,u(x,y)=log sqrt(x^(2)+y^(2)) \epsilon>0, u(x, y)=\log \sqrt{x^{2}+y^{2}} 解
Δ
u
=
0
Δ
u
=
0
Delta u=0 \Delta u=0 在
Ω
=
Ω
=
Omega= \Omega=
{
(
x
,
y
)
∣
x
2
+
y
2
>
ϵ
}
(
x
,
y
)
∣
x
2
+
y
2
>
ϵ
{(x,y)∣x^(2)+y^(2) > epsilon} \left\{(x, y) \mid x^{2}+y^{2}>\epsilon\right\} 上。 (b) 证明对于任何
ϵ
>
0
,
u
(
x
1
,
x
2
,
x
3
,
x
4
)
=
1
x
1
2
+
x
2
2
+
x
3
2
+
x
4
2
ϵ
>
0
,
u
x
1
,
x
2
,
x
3
,
x
4
=
1
x
1
2
+
x
2
2
+
x
3
2
+
x
4
2
epsilon > 0,u(x_(1),x_(2),x_(3),x_(4))=(1)/(x_(1)^(2)+x_(2)^(2)+x_(3)^(2)+x_(4)^(2)) \epsilon>0, u\left(x_{1}, x_{2}, x_{3}, x_{4}\right)=\frac{1}{x_{1}^{2}+x_{2}^{2}+x_{3}^{2}+x_{4}^{2}} 解
Δ
u
=
0
Δ
u
=
0
Delta u=0 \Delta u=0 在
Ω
=
{
x
∈
R
4
|
|
x
∣>
ϵ
}
Ω
=
x
∈
R
4
|
|
x
∣>
ϵ
Omega={xinR^(4)||x∣>epsilon} \Omega=\left\{\mathbf{x} \in \mathbb{R}^{4}| | \mathbf{x} \mid>\epsilon\right\} 上。 1.5 证明对于任意选择的常数
A
,
B
,
C
A
,
B
,
C
A,B,C A, B, C 和
D
D
D D 、
u
(
x
,
y
)
=
A
(
3
y
2
+
x
3
)
+
B
(
y
3
+
x
3
y
)
+
C
(
6
x
y
2
+
x
4
)
+
D
(
2
x
y
3
+
x
4
y
)
u
(
x
,
y
)
=
A
3
y
2
+
x
3
+
B
y
3
+
x
3
y
+
C
6
x
y
2
+
x
4
+
D
2
x
y
3
+
x
4
y
u(x,y)=A(3y^(2)+x^(3))+B(y^(3)+x^(3)y)+C(6xy^(2)+x^(4))+D(2xy^(3)+x^(4)y) u(x, y)=A\left(3 y^{2}+x^{3}\right)+B\left(y^{3}+x^{3} y\right)+C\left(6 x y^{2}+x^{4}\right)+D\left(2 x y^{3}+x^{4} y\right)
是欧拉-特里科米方程
u
x
x
+
x
u
y
y
=
0
u
x
x
+
x
u
y
y
=
0
u_(xx)+xu_(yy)=0 u_{x x}+x u_{y y}=0 的多项式解。 1.6 我们以线性代数中的一个标准问题为背景,来讨论与摆好问题相关的三个问题:给定
N
×
N
N
×
N
N xx N N \times N 矩阵
A
A
A \mathbf{A} 和向量
b
∈
R
N
b
∈
R
N
binR^(N) \mathbf{b} \in \mathbb{R}^{N} ,求解
x
x
x \mathbf{x} 其中的
A
x
=
b
A
x
=
b
Ax=b \mathbf{A x}=\mathbf{b} 。 (a)
A
A
A \mathbf{A} 的哪些特性意味着对于
b
b
b \mathbf{b} 的任何选择,该问题都是存在和唯一的? (b) 写出稳定性的性质。
A
A
A \mathbf{A} 的什么条件能确保稳定性,稳定性与
A
A
A \mathbf{A} 最小特征值的大小(绝对值或复模数)有什么关系? 1.7 考虑
u
(
x
,
t
)
u
t
=
u
x
x
+
u
(
1
−
u
)
u
(
x
,
t
)
u
t
=
u
x
x
+
u
(
1
−
u
)
u(x,t)u_(t)=u_(xx)+u(1-u) u(x, t) u_{t}=u_{x x}+u(1-u) 的 Fisher-KPP 公式。 (a) 证明如果对于某个常数
c
>
0
c
>
0
c > 0 c>0 ,存在形式为
u
(
x
,
t
)
=
ϕ
(
x
−
c
t
)
u
(
x
,
t
)
=
ϕ
(
x
−
c
t
)
u(x,t)=phi(x-ct) u(x, t)=\phi(x-c t) 的解,那么
ϕ
ϕ
phi \phi 必须求解 ODE
ϕ
′
′
+
c
ϕ
′
+
ϕ
(
1
−
ϕ
)
=
0
ϕ
′
′
+
c
ϕ
′
+
ϕ
(
1
−
ϕ
)
=
0
phi^('')+cphi^(')+phi(1-phi)=0 \phi^{\prime \prime}+c \phi^{\prime}+\phi(1-\phi)=0 。这样的解称为行波解。为什么?
c
c
c c 的解释是什么? (b) 如果您在以前的 ODE 课程中对动力系统和相平面分析有一定的了解:如何定性地解 释(即对)这个 ODE 的解呢? 1.8 直接验证对于任何实常数
a
a
a a 和
b
,
u
(
x
,
y
)
=
f
(
a
x
+
b
y
)
b
,
u
(
x
,
y
)
=
f
(
a
x
+
b
y
)
b,u(x,y)=f(ax+by) b, u(x, y)=f(a x+b y) 是全非线性 Monge-Ampère 方程
u
x
x
u
y
y
−
u
x
y
2
=
0
u
x
x
u
y
y
−
u
x
y
2
=
0
u_(xx)u_(yy)-u_(xy)^(2)=0 u_{x x} u_{y y}-u_{x y}^{2}=0 的解。结合曲面
z
=
u
(
x
,
y
)
z
=
u
(
x
,
y
)
z=u(x,y) z=u(x, y) 的 Hessian 和图形来解释这个 PDE。 1.9 (1-D 过渡层/扩散界面)这个相对简单的练习在非线性 PDE、物理学和材料科学领域有着惊人的丰富内涵。它是两个 "状态"
u
=
−
1
u
=
−
1
u=-1 u=-1 和
u
=
+
1
u
=
+
1
u=+1 u=+1 之间相变的简单模型。考虑
u
(
x
)
u
(
x
)
u(x) u(x) 的非线性 ODE :
u
′
′
+
u
(
1
−
u
2
)
=
0
u
′
′
+
u
1
−
u
2
=
0
u^('')+u(1-u^(2))=0 u^{\prime \prime}+u\left(1-u^{2}\right)=0
(a) 证明对于某个常数
C
C
C C ,该 ODE 可简化为
(
u
′
)
2
=
1
2
(
1
−
u
2
)
2
+
C
u
′
2
=
1
2
1
−
u
2
2
+
C
(u^('))^(2)=(1)/(2)(1-u^(2))^(2)+C \left(u^{\prime}\right)^{2}=\frac{1}{2}\left(1-u^{2}\right)^{2}+C .提示: 将 (1.7) 乘以
u
′
u
′
u^(') u^{\prime} 并证明左侧为完全导数。 (b) 求 (1.7) 的解,使得: (i) 对于所有
x
,
−
1
<
u
(
x
)
<
1
x
,
−
1
<
u
(
x
)
<
1
x,-1 < u(x) < 1 x,-1<u(x)<1 ; (ii)
lim
x
→
−
∞
u
(
x
)
=
−
1
lim
x
→
−
∞
u
(
x
)
=
−
1
lim_(x rarr-oo)u(x)=-1 \lim _{x \rightarrow-\infty} u(x)=-1 ;以及
(iii)
lim
x
→
∞
u
(
x
)
=
1
lim
x
→
∞
u
(
x
)
=
1
lim_(x rarr oo)u(x)=1 \lim _{x \rightarrow \infty} u(x)=1 .
绘制出该解,并将其解释为从 -1 到 1 的过渡层。 现在让
ϵ
>
0
ϵ
>
0
epsilon > 0 \epsilon>0 是一个小数,并找出
ϵ
u
′
′
+
ϵ
u
′
′
+
epsilonu^('')+ \epsilon u^{\prime \prime}+
u
(
1
−
u
2
)
=
0
u
1
−
u
2
=
0
u(1-u^(2))=0 u\left(1-u^{2}\right)=0 的类似解。绘制
ϵ
=
1
,
0.5
,
0.1
ϵ
=
1
,
0.5
,
0.1
epsilon=1,0.5,0.1 \epsilon=1,0.5,0.1 和 0.01 时的解。当
ϵ
→
0
+
ϵ
→
0
+
epsilon rarr0^(+) \epsilon \rightarrow 0^{+} 时,解会发生什么变化? 1.10 考虑
R
,
u
t
=
u
x
x
x
x
R
,
u
t
=
u
x
x
x
x
R,u_(t)=u_(xxxx) \mathbb{R}, u_{t}=u_{x x x x} 与
u
(
x
,
0
)
=
g
(
x
)
u
(
x
,
0
)
=
g
(
x
)
u(x,0)=g(x) u(x, 0)=g(x) 的 IVP。证明这个问题不好求解。提示: 对任意整数
n
n
n n 寻找
u
n
(
x
)
=
1
n
e
n
4
t
sin
n
x
u
n
(
x
)
=
1
n
e
n
4
t
sin
n
x
u_(n)(x)=(1)/(n)e^(n^(4)t)sin nx u_{n}(x)=\frac{1}{n} e^{n^{4} t} \sin n x 形式的解。
1.11 (KdV方程的孤子解)
(a) 证明对于任何常数
c
>
0
c
>
0
c > 0 c>0 ,函数
u
(
x
,
t
)
=
c
2
sech
2
[
c
2
(
x
−
c
t
)
]
u
(
x
,
t
)
=
c
2
sech
2
c
2
(
x
−
c
t
)
u(x,t)=(c)/(2)sech^(2)[(sqrtc)/(2)(x-ct)] u(x, t)=\frac{c}{2} \operatorname{sech}^{2}\left[\frac{\sqrt{c}}{2}(x-c t)\right]
是 KdV 方程
u
t
+
u
x
x
x
−
6
u
u
x
=
0
u
t
+
u
x
x
x
−
6
u
u
x
=
0
u_(t)+u_(xxx)-6uu_(x)=0 u_{t}+u_{x x x}-6 u u_{x}=0 的解。这里的 sech 表示双曲正割函数;即 sech
y
=
2
e
y
+
e
−
y
y
=
2
e
y
+
e
−
y
y=(2)/(e^(y)+e^(-y)) y=\frac{2}{e^{y}+e^{-y}} 。 (b) 使用任何软件绘制
c
=
2
c
=
2
c=2 c=2 和
t
=
0
,
1
,
2
,
5
t
=
0
,
1
,
2
,
5
t=0,1,2,5 t=0,1,2,5 的解。 在任何固定时间,
t
,
u
(
⋅
,
t
)
t
,
u
(
⋅
,
t
)
t,u(*,t) t, u(\cdot, t) 表示脉冲("波")的形状。从脉冲的速度和形状两方面解释
c
c
c c 的作用。 (d) 这种解称为孤子。请上网查找孤子的概念及其在 KdV 方程和水波中的含义。
第二章
一阶 PDE 与特征法
方向导数的概念是本章的核心。读者可以先阅读附录 A. 3 节。
一阶 PDE 可以看作是涉及梯度矢量场分量的潜在非线性复杂方程;因此,它们是关于未知函数
u
u
u u 方向导数的陈述。有一种沿这些方向导数积分的一般方法,在某些情况下(即本章介绍的情况),可以得到 PDE 的显式解。这种方法被称为特性法。究竟什么是特征?假设我们给定了一个包含两个自变量
x
x
x x 和
y
y
y y 的 PDE,我们希望找到定义在上半平面
Ω
=
{
(
x
,
y
)
∣
y
≥
0
}
Ω
=
{
(
x
,
y
)
∣
y
≥
0
}
Omega={(x,y)∣y >= 0} \Omega=\{(x, y) \mid y \geq 0\} 上的解
u
u
u u ,同时在
x
x
x x 轴上给定数据(辅助条件)(即当
y
=
0
y
=
0
y=0 y=0 时)。特征曲线是一条非常特殊的曲线,它位于
x
y
x
y
xy x y 平面的上半部分(未知解的域),具有以下性质:只需知道曲线与
x
x
x x 轴交点处的
u
u
u u 值,PDE 就能让我们确定曲线上所有其他点的
u
u
u u 值。在某种意义上,可以说沿着这条曲线,"PDE 退化为 ODE"。或者,把 PDE 看作是对
u
u
u u 方向导数的陈述,它们正是沿着这些方向的曲线。它们不是位于
Ω
Ω
Omega \Omega 域中的任何曲线,而是 PDE 的特征曲线。
有了这些特征曲线,就可以将 PDE 视为沿这些特征曲线的
u
u
u u 的 ODE 族,而
x
x
x x 轴上的辅助条件则为这些 ODE 提供了 "初始值"。因此,我们需要求解 ODE,以找到位于
Ω
Ω
Omega \Omega 中的特征本身,以及与沿特征的解
u
u
u u 的值相对应的 ODE。此外,在非线性 PDEs 的情况下,这些 ODEs 系列将是耦合的。