动力系统

这门学科源自 Poincaré 研究三体问题时的转向：多数微分方程写不出闭式解，与其追求单条解的公式，不如把所有初值的长期行为当作一个几何整体来研究。有效的心智图像是把状态空间想成一幅"相图"景观，演化像水流一样把每个点沿轨道输送；我们关心的是这幅流场的骨架——固定点、周期轨、吸引子、混沌集——而不是某条流线的解析表达式。与"求解方程"的第一印象相比，动力系统问的是定性问题：哪些集合不变？扰动初值后轨道是分道扬镳还是殊途同归？群性质 ${\phi }_{t+s}={\phi }_t\circ {\phi }_s$ 正是"演化规则不随时间改变"的形式化，它保证长期行为可以由同一规则反复复合来分析。

Logistic 映射 $x_{n+1}=r{x}_n(1-x_n)$ 是最著名的离散例子：当 $r=2$ 时，不动点方程 $x=2x(1-x)$ 给出 $x^{\ast }=1/2$，且 $F^{\prime }(x)=2-4x$ 在该点取值 $0$，故几乎所有 $(0,1)$ 中的初值都收敛到 $1/2$；而 $r=4$ 时同一条抛物线产生混沌，对初值极端敏感。另一个可完全算清的混沌例子是倍增映射 $x\mapsto 2xmod1$：它把二进制小数展开左移一位，初始展开中落在第 $n+1$ 位的差异，经过 $n$ 次迭代就会移到首位。连续侧，单摆方程 ${\theta }^{″}=-\sin \theta$ 经引入速度变量一阶化后在相平面上生成流，周期轨与分界线一目了然。

边界情形值得留意。热传导等耗散偏微分方程通常只生成向前半流：向后演化不适定，无法构成完整的群。随机演化（如 Markov 链公理库Markov 链Markov chain未来条件分布在给定当前状态后与更早历史无关的随机过程。）不是确定性流，需要用转移半群或随机动力系统的框架建模。反过来，只有离散状态与转移、不带任何拓扑结构的状态机公理库状态机State machine · Transition system用状态集合、初始状态和转移关系描述系统可能执行轨迹的模型。也可视为广义的离散动力系统——这说明"动力系统"的最低配置只是"集合加自映射"，微分结构并非必需，只是分析工具在有结构时才更丰富。

动力系统的语言统一了看似无关的领域：常微分方程的定性理论、迭代算法的收敛性分析（Newton 法与梯度下降都是状态空间上的离散动力系统，压缩映象情形由 Banach 不动点定理公理库Banach 不动点定理Banach fixed-point theorem · Contraction mapping theorem完备度量空间上的压缩映射具有唯一不动点，且迭代以几何速度收敛。保证收敛）、控制理论、种群与流行病模型。核心议题包括不变集、平衡点稳定性公理库平衡点稳定性Stability of an equilibrium初值受到小扰动时轨道保持接近或最终回到平衡点的性质。、分岔（参数变化引起相图的定性突变）以及对初值的敏感依赖。

线性常系数方程公理库线性常微分方程组Linear system of ordinary differential equations形如 x′=A(t)x+b(t) 的向量值一阶线性方程组。 $x^{\prime }=Ax$ 的演化由 $e^{tA}$ 给出：特征值决定主要的增长、衰减与旋转类型，但重根情形的几何还取决于特征空间和 Jordan 块公理库Jordan 标准形Jordan canonical form · Jordan normal form在特征多项式分裂时，把有限维算子表示成 Jordan 块直和。，不能只凭特征值完全分类。非线性系统在双曲平衡点附近可借线性化与之对接；出现实部为零的特征值时，线性化通常不能定论。

固定时间区间的数值收敛公理库ODE 的局部误差与全局误差Local and global error for ODE · ODE truncation error区分从精确状态迈出一步的局部缺陷与累计数值轨道的全局误差，并用离散 Grönwall 估计误差传播。只保证网格加密时轨道在该区间逼近，不自动保持长期相位、不变量或吸引子结构。加上不变测度后，动力系统进一步与遍历理论、混合性和统计力学相连。