知道变化率，如何反推整个演化过程

代数方程求未知数，微分方程求未知函数——已知y的变化率y′和x、y的关系，反求y(x)。物体运动、种群增长、电路、冷却、梯度下降的连续极限，都用微分方程描述。本节只进单变量一阶常微分方程（ODE）的门，掌握两类可解析求解的形式和一个万能数值法，为后续动力系统、神经网络连续模型打底。

4.1 基本概念

含未知函数导数的方程叫微分方程，出现的最高阶导数阶数就是方程的阶数。就讲一阶的 y′=F(x,y)。把一族函数代入方程，等式恒成立，这族函数就叫解。带一个任意常数的是通解，给个初值 y(x₀)=y₀ 把常数定下来，得到的就是特解。通解加特解，合起来叫初值问题，也叫柯西问题。解的存在唯一性定理的条件：F 连续，且对 y 满足利普希茨条件，比如 ∂F/∂y 有界，这时候初值问题在局部有唯一解。这个结论保证了数值法是有用的。

最基础模型：指数增长/衰减 y′=ky，通解 y=Ce^kx，初值定 C=y₀。k>0 增长（复利、种群早期）、k<0 衰减（放射性、冷却趋近）。它是后面两类解法与数值法的共同试金石。

4.2 可分离变量方程

形如 dy/dx=f(x)g(y) 的方程可分离：把含 y 的与 dy 放一边、含 x 的与 dx 放另一边，dy/g(y)=f(x)dx，两边各自积分。例 y′=ky：dy/y=k dx，积分 ln|y|=kx+C₁，取指数 y=Ce^kx。

dy/dx=y(1−y)是逻辑斯蒂增长的雏形。把式子变形：dy/[y(1−y)]=dx。左边拆成部分分式就是(1/y+1/(1−y))dy，积分后得到ln|y/(1−y)|=x+C，解出来y=1/(1+Ae^−x)，这就是S形的逻辑斯蒂曲线，用来描述有资源上限的增长。分离变量的时候注意，g(y)=0的常数解可能在分离除法里丢了，得单独补回来。

4.3 一阶线性方程与积分因子

标准形式 y′+P(x)y=Q(x)，y 和 y′ 都是一次。解法是乘积分因子 μ(x)=e^{∫P dx}，左边刚好变成 d/dx[μ y]，这是乘积法则逆用，所以 μy=∫μQ dx+C，最后除以 μ 就行。

例 y′+2y=e^−2x（P=2、Q=e^−2x）：μ=e^∫2dx=e^2x，乘上得 d/dx[e^2xy]=1，积分 e^2xy=x+C，故 y=(x+C)e^−2x。其中 Ce^−2x 是齐次解（Q=0 部分）、xe^−2x 是一个特解，结构=齐次通解+一个特解，这一结构在线性微分方程理论中反复出现。

4.4 解不出来就数值上：方向场与欧拉法

多数 ODE 没有初等解析解，比如 y′=x²+y²，但可以数值求解。方向场是这么做的：在网格的每一个 (x,y) 点，画一个斜率为 F(x,y) 的小箭头。解曲线就是处处顺着箭头走的曲线，它能把解的整体行为，比如趋向、鞍点、极限环雏形这些，可视化出来。

欧拉法是最简单的数值积分：从 (x₀,y₀) 出发，取步长 h，沿当前点切线方向走一小步，yₙ₊₁=yₙ+h·F(xₙ,yₙ)，xₙ₊₁=xₙ+h，反复迭代。它就是 m3 一阶泰勒/线性近似的递推，局部截断误差 O(h²)，全局误差 O(h)，属于一阶方法。缩小 h 能提高精度，但会增加计算量和舍入误差；改进欧拉（梯形/Heun，二阶）、龙格-库塔（四阶 RK4）用更多次斜率评估换取更高阶精度，是科学计算标配。

本节小结 · 单变量微积分精读收官

一阶 ODE 求未知函数，通解含常数、初值锁定特解；可分离变量方程两侧分别积分（注意补常数解）；一阶线性 y′+Py=Q 用积分因子 μ=e^∫P 化为 (μy)′；无解析解时用方向场定性、欧拉法定量（全局一阶 O(h)，RK4 更高阶）。至此 stage12 走完：极限连续→导数微分→中值定理与泰勒→不定/定积分→级数→微分方程，构成完整、严谨且与 AI 数学衔接的单变量微积分闭环。它与前面阶段十一的 AI 数学精要（线性代数、概率与信息论等）彼此呼应，这套语言也是理解梯度、优化与概率模型的底座。