常微分方程数值解法：从欧拉法到龙格-库塔

1. 常微分方程数值求解入门指南

作为一名化学动力学研究者，我每天都要和各种微分方程打交道。记得刚入行时，面对那些看似简单的反应速率方程，却常常因为数值求解的问题而头疼不已。今天我就来分享几种最实用的ODE数值解法，这些都是我多年实战中总结出来的经验。

常微分方程(ODE)在化学动力学中无处不在，从简单的单分子反应到复杂的酶催化过程，几乎所有的动力学问题最终都归结为ODE求解。比如一个简单的A→B一级反应，其速率方程d[A]/dt=-k[A]看起来简单明了，但如果没有数值方法，我们很难得到[A]随时间变化的定量关系。

数值解法的核心思想很直观：既然解析解难以求得，那我们就用离散化的方法，一步步"走"出解的轨迹。就像爬山时看不到山顶全貌，但可以一步步踩着石头往上走。下面要介绍的几种方法，本质上都是这种"离散化"思想的不同实现方式。

2. 基础数值方法详解

2.1 欧拉法：从零开始的入门选择

欧拉法是最基础、最直观的数值解法，特别适合ODE求解的初学者。它的核心思想就是用当前点的斜率来预测下一步的值。

对于一个一般形式的ODE：dy/dt=f(t,y)，欧拉法的迭代公式为：
y_{n+1} = y_n + h*f(t_n,y_n)

其中h是步长。这个公式的物理意义很明确：新值=旧值+变化率×时间增量。

python复制def euler_method(f, y0, t):
    y = np.zeros(len(t))
    y[0] = y0
    for i in range(1, len(t)):
        h = t[i] - t[i-1]
        y[i] = y[i-1] + h * f(t[i-1], y[i-1])
    return y

注意：欧拉法的误差与步长h成正比，这意味着要获得高精度需要很小的步长，但会显著增加计算量。

我在研究简单反应体系时常用欧拉法快速验证想法。比如对于一级反应A→B，k=0.1 s^-1，初始[A]=1.0 M，用欧拉法计算前10秒的浓度变化：

python复制def reaction_rate(t, A):
    k = 0.1
    return -k * A

t = np.linspace(0, 10, 100)  # 100个时间点
A0 = 1.0
A = euler_method(reaction_rate, A0, t)

欧拉法的主要优点是简单易懂，计算量小。但它的精度较低，特别是对于快速变化的系统，容易产生显著误差。在实际科研中，我通常只用它来做初步估算或教学演示。

2.2 改进欧拉法：精度提升的简单方案

针对欧拉法的精度问题，改进欧拉法(也称Heun方法)通过引入预测-校正机制来提高精度。它先用欧拉法预测一个中间值，然后用这个预测值的斜率来校正最终结果。

算法步骤：

1. 预测步：y_p = y_n + h*f(t_n,y_n)
2. 校正步：y_{n+1} = y