Зависимость от параметров и чувствительность к начальным условиям

Практическая постановка задачи

В реальных задачах начальные условия никогда не известны точно. Положение спутника измерено с точностью до метра. Начальная концентрация вещества в реакции определена с точностью до процента. Температура воздуха при запуске метеорологической модели — с точностью до долей градуса. Вопрос: как накапливается погрешность? Если начальное условие изменилось на δ, насколько изменится решение через время T?

Ответ зависит от уравнения. Иногда погрешности малы и управляемы. Иногда они нарастают экспоненциально — и долгосрочный прогноз становится невозможным.

Теорема о непрерывной зависимости от начальных данных

Если f удовлетворяет условию Липшица с константой L, то решения с близкими начальными условиями остаются близкими на компакте:

Оценка: |y(x; y₀) − y(x; ỹ₀)| ≤ |y₀ − ỹ₀| · e^(L|x − x₀|).

Чтение формулы: погрешность нарастает не быстрее, чем экспонента с показателем L. Если L мала (функция f слабо зависит от y), погрешность остаётся под контролем. Если L велика, погрешность может быстро увеличиться.

Практический пример: y' = −0.1y, y(0) = y₀. Здесь L = 0.1 (устойчивое уравнение). Решение: y(t) = y₀ e^(−0.1t). Погрешность: |y₀ − ỹ₀| e^(−0.1t) ≤ |y₀ − ỹ₀|. Погрешность убывает! Это пример устойчивого уравнения: маленькие ошибки в начальных данных не накапливаются.

Напротив, для y' = +0.1y погрешность растёт как e^(0.1t): через 100 единиц времени начальная ошибка в 1% превратится в e^10 ≈ 22026%!

Дифференцируемость по начальным данным и параметрам

Пусть решение y(x; y₀) дифференцируемо по y₀. Тогда w = ∂y/∂y₀ удовлетворяет уравнению в вариациях — линеаризованному уравнению вдоль решения:

w' = fy(x, y(x; y₀)) · w, w(x₀) = 1.

Это линейное уравнение, которое можно решить, зная y(x; y₀). Функция w показывает, как бесконечно малое изменение начального условия влияет на решение.

Аналогично для параметра: если уравнение y' = f(x, y, λ) зависит от параметра λ, то z = ∂y/∂λ удовлетворяет:

z' = fy(x, y) · z + fλ(x, y), z(x₀) = 0.

Приложение в управлении: Производная состояния системы по управляющему параметру позволяет оптимизировать управление — это основа метода сопряжённых переменных в теории оптимального управления.

Показатель Ляпунова и феномен хаоса

Из оценки |y(x; y₀) − y(x; ỹ₀)| ~ |y₀ − ỹ₀| · e^(λ·|x−x₀|) вытекает понятие показателя Ляпунова λ:

λ = lim_{t→∞} (1/t) ln|δy(t)/δy(0)|.

• λ < 0: малые возмущения экспоненциально затухают — система устойчива.
• λ = 0: возмущения не растут и не убывают — нейтральная устойчивость.
• λ > 0: малые возмущения экспоненциально нарастают — система хаотична.

Система Лоренца (1963) — простейший пример детерминированного хаоса:

ẋ = σ(y − x), ẏ = x(ρ − z) − y, ż = xy − βz.

При σ = 10, ρ = 28, β = 8/3 показатель Ляпунова λ₁ ≈ +0.9. Траектории расходятся со скоростью e^(0.9t). Начальная ошибка в 1 мм через 50 «единиц времени» превращается в погрешность масштаба всего аттрактора!

Именно это открыл Эдвард Лоренц в 1961 году, когда повторил погодную симуляцию, введя начальные данные с меньшим числом знаков. Небольшое округление привело к кардинально разным результатам. Так родилось понятие «эффект бабочки» — метафора чувствительности хаотических систем к начальным условиям.

Горизонт предсказуемости

Пусть начальное условие известно с точностью δ₀, и мы хотим предсказать решение с точностью Δ. Из оценки δ₀ · e^(λT) ≤ Δ следует:

Горизонт предсказуемости: T ≤ (1/λ) ln(Δ/δ₀).

Для атмосферы (метеорология): λ ≈ 1/5 суток⁻¹, δ₀/Δ ~ 10⁻⁶. Горизонт ≈ 5 × ln(10⁶) ≈ 5 × 13.8 ≈ 69 суток. На практике точность измерений гораздо хуже, и реальный горизонт предсказуемости погоды — около 2 недель. Это фундаментальное ограничение, не связанное с несовершенством компьютеров.

Вопрос для размышления: Если увеличить точность измерения начальных условий для прогноза погоды в 1000 раз, насколько удастся продлить горизонт предсказуемости? Что это говорит о принципиальных ограничениях долгосрочных прогнозов?

Практический вывод

Знание показателя Ляпунова позволяет инженеру заранее оценить, имеет ли смысл вкладываться в повышение точности измерений. Для устойчивых (λ < 0) систем — да: погрешности убывают, и более точные датчики напрямую улучшают качество управления. Для хаотических (λ > 0) — нет: горизонт предсказуемости растёт лишь как логарифм улучшения точности, и физические ограничения быстро становятся непреодолимыми.

Методы Рунге–Кутты и адаптивный выбор шага

Методы Рунге–Кутты 4-го порядка (RK4) — стандарт численного решения ОДУ. Формула: yₙ₊₁ = yₙ + (k₁ + 2k₂ + 2k₃ + k₄)/6, где k₁ = hf(xₙ, yₙ), k₂ = hf(xₙ+h/2, yₙ+k₁/2) и т.д. Глобальная погрешность O(h⁴) — значительно лучше метода Эйлера. Адаптивный шаг (метод Дорманд–Принс, ode45): сравниваем результаты RK4 и RK5. Если разность мала — шаг увеличиваем; велика — уменьшаем. Лемма Гронуолла обосновывает, что при достаточно малом шаге накопленная ошибка остаётся ограниченной. Это математическая гарантия корректности адаптивных алгоритмов, применяемых в SciPy, MATLAB и Julia DifferentialEquations.