让我们假设以恒定的时间步长来实现该方法,例如dt>0
。如果我们想把方程积分到一个时间T>0
,我们考虑一个时间离散化
tt = 0:dt:T;
我们最好为速度目的预先分配我们的解决方案向量,即
yy=zeros(1,length(tt));
yy
将包含我们将产生的解决方案的一阶时间近似(即,很少滥用符号,
yy(1)==y_r(t=0)
和
yy(end)==y_r(t=T) + global error,
其中函数y_r=y_r(t)
是我们真正的解决方案)。
假设,我们有一个范式的一阶 ODE ,即
dy_r / dt = f(y_r;t)
和一个初始数据
y_r(t=0)=y_0
(即我们有一个柯西问题)。因此,我们应该首先初始化我们的解向量
yy(1) = y_0;
然后,我们可以找到未来的解决方案,即
N = length(tt);
for t = 2 : N // we should look at future times, thus we start from 2
// NOTE: this is first order explicit Euler scheme.
yy(t) = yy(t-1) + dt*f(yy(t-1),t);
end
我们完成了。我们现在可以绘制解决方案。
plot(tt,yy);
现在的重点是:您对一阶准确率满意吗?
想想如果你使用这个方案来解决哈密顿问题(比如简单的谐振子),它会给你的系统带来人为的激励(正确地,你可以看到偏离正确的哈密顿轨道)。简而言之,不久之后,您的解决方案完全是人工的。
事实上,当你解决实际问题时,你必须仔细考虑你的问题和你的物理,然后选择一个合适的数值方案来解决你的方程。很快,您可能会被要求实施更准确的方案,例如Runge Kutta(您可以更好地信任它,但只是一点点,至少在其原始形式中)。