4. 刚性识别指标与判定方法

在工程实践中，判断一个微分方程是否刚性，往往比选择算法更关键。刚性不是方程本身的绝对属性，而是"方程 + 求解区间 + 精度要求"共同作用的结果。同一组方程在不同时间窗口下可能表现出截然不同的刚性程度。因此，识别刚性需要一套可量化、可操作的指标，而不是凭直觉判断。本节围绕特征值判据、雅可比矩阵分析、时间尺度分离三类主流方法展开，并说明各自的适用边界。

一、特征值判据：刚性比是最直接的量化指标

对线性常微分方程组 y' = Ay，刚性程度由矩阵 A 的特征值分布决定。设特征值实部为 λ₁, λ₂, …, λₙ，定义刚性比：

S = max|Re(λᵢ)| / min|Re(λᵢ)|   （仅统计 Re(λᵢ) < 0 的稳定特征值）

经验上，S 在 10 以内视为非刚性，10～10³ 为弱刚性，超过 10³ 通常需要按刚性问题处理。例如某化学反应动力学模型线性化后得到特征值 λ₁ = -0.02、λ₂ = -1800，则 S = 90000，属于强刚性。此时若用显式 Euler 法，为保持稳定需满足 h < 2/1800 ≈ 1.1×10⁻³，而系统真正关心的慢过程时间尺度约为 1/0.02 = 50，两者相差近五个数量级，显式方法会被迫使用极小步长，计算量不可接受。

特征值判据的局限也很明显：它严格适用于线性常系数系统。对非线性问题 y' = f(t, y)，只能在某个工作点附近做局部线性化，得到的是"局部刚性比"，随状态变化而漂移。此外，若存在实部为正的特征值（不稳定模态），刚性比的定义本身就需要修正，此时应关注稳定子空间与不稳定子空间的分离。

二、雅可比矩阵：非线性系统的局部刚性度量

对非线性系统，把特征值判据推广到雅可比矩阵 J = ∂f/∂y。在轨迹的每个时刻计算 J(t, y) 的特征值，取稳定特征值实部绝对值的最大值与最小值之比作为瞬时刚性比。实际实现中不必每步都做完整特征分解，常用做法是：

• 用幂迭代或 Arnoldi 方法估计 |λ|max，用反幂迭代估计最接近虚轴的非零 |λ|min；
• 或用矩阵的 1-范数/∞-范数给出刚性比的上界估计，代价低但偏保守；
• 在求解器内部，隐式方法本身会计算 (I - γhJ) 的分解，可顺带提取谱信息用于步长控制。

雅可比方法的优势是能跟踪刚性随状态的变化。例如燃烧问题中，点火前反应速率极低、系统接近非刚性，点火瞬间自由基浓度剧变、雅可比谱半径骤增，刚性比可能跨越数个量级。这种"刚性时变"现象正是自适应刚性求解器需要实时监测雅可比的原因。其局限在于：雅可比矩阵维数随系统规模平方增长，对大规模 PDE 离散化后的大系统，完整特征分解代价过高；同时局部线性化只在足够小的邻域内有效，强非线性区域的特征值可能误导判断。

三、时间尺度分离：从物理过程直接读出刚性

刚性最本质的物理含义是"系统中同时存在快过程和慢过程"。若能从建模层面识别出各过程的时间常数，刚性比可直接由 τ_slow / τ_fast 估计。以某温度控制系统为例：传感器响应时间常数约 0.05 s，加热器热惯性约 120 s，两者比值 2400，说明系统存在明显的时间尺度分离，数值求解时应预期刚性行为。这种方法的优点是物理意义清晰、无需数值线性代数，适合在建模阶段就预判刚性；缺点是依赖对过程机理的完整认识，对耦合复杂、时间常数难以单独辨识的系统（如多物理场耦合）往往只能给出粗略估计。

四、三类方法的配合与判定流程

实际工程中，三类方法通常组合使用：先用时间尺度分离做定性预判，确定是否可能存在刚性；再用雅可比矩阵做定量跟踪，在求解过程中监测刚性比变化；对可线性化的子系统，用特征值判据做精确校核。需要强调的是，任何单一指标都不足以作为最终结论。例如刚性比很大但求解区间极短时，显式方法仍可能因总步数有限而可接受；反之刚性比中等但区间很长，隐式方法的经济性优势会显现。因此判定刚性时，应同时记录刚性比、求解区间长度、精度容差三项信息，形成完整的判定依据。

综上，刚性识别不是一次性判断，而是贯穿建模、求解、验证的持续过程。特征值判据给出精确但局部的度量，雅可比矩阵提供可跟踪的时变指标，时间尺度分离提供物理直觉与预判能力。三者互补，配合求解区间与容差信息，才能形成可靠的刚性判定结论，为后续算法选型奠定基础。