1. 课程导入与问题提出

在数值积分中，我们通常要计算形如 \( y' = f(t, y) \) 的初值问题在区间 \([t_0, t_f]\) 上的近似解。最直观的做法是固定步长积分：把区间等分成若干段，每段长度 \(h\) 保持不变，然后逐步推进。欧拉法、经典四阶龙格–库塔法（RK4）都可以这样使用。固定步长的优点是实现简单、节奏统一、便于预估总步数；但它的局限也同样明显——步长一旦选定，就无法根据解的实际变化自动调整。

问题在于，真实问题的解往往不是均匀变化的。以经典的范德波尔振子为例，在状态变量快速翻转的区间，解的变化率很大，需要很小的步长才能保证精度；而在缓慢漂移的区间，大步长已经足够。如果全程使用小步长，计算量会成倍增加；如果全程使用大步长，快速变化段又会出现明显误差，甚至导致数值不稳定。固定步长把这两个矛盾强行统一，结果往往是“要么浪费、要么失准”。

为了看清这一点，可以回顾局部截断误差的量级。以显式欧拉法为例，单步误差约为 \( \frac{h^2}{2} y''(\xi) \)，而 RK4 的单步误差约为 \( O(h^5) \)。无论哪种方法，误差都强烈依赖于步长和该处解的高阶导数。也就是说，误差不是均匀分布的，它随解的变化程度而波动。固定步长积分相当于对整条轨迹“一视同仁”，而误差却“厚此薄彼”。这正是自适应步长思想的出发点：让步长跟随误差走，而不是让误差迁就步长。

自适应步长与误差控制的核心思想

自适应步长积分的基本思路可以概括为三步循环：先试探、再估计、后调整。每一步先用当前步长 \(h\) 计算一个候选解，同时估计该步产生的局部误差；把估计误差与用户设定的容差进行比较，若误差在允许范围内，则接受该步并适当放大步长以提高效率；若误差超限，则拒绝该步、缩小步长后重新计算。这样，步长在积分过程中动态变化，误差被“压”在容差附近，计算资源则集中投放到真正需要的区段。

这里的关键是误差估计。工程上最常用的做法是嵌入式 Runge–Kutta 方法，例如 Dormand–Prince 5(4) 对（即 MATLAB 的 ode45、SciPy 的 RK45 所采用的方法）。它用同一组函数求值同时构造四阶和五阶两个解，两者之差就作为局部误差的估计。设五阶解为 \(y_{n+1}\)，四阶解为 \(\hat{y}_{n+1}\)，则误差估计为 \( e = \| y_{n+1} - \hat{y}_{n+1} \| \)。随后通过误差与容差之比 \( r = e / \text{tol} \) 来决定步长缩放因子，常见形式为 \( h_{\text{new}} = h \cdot \min(\text{max\_factor}, \max(\text{min\_factor}, 0.9 \cdot r^{-1/5})) \)，其中指数 \(1/5\) 来自五阶方法的误差阶。若 \(r \le 1\)，接受该步；否则拒绝并重算。

需要强调的是，容差通常分为绝对容差 \( \text{atol} \) 和相对容差 \( \text{rtol} \)，误差判据常写成 \( e_i \le \text{atol} + \text{rtol} \cdot |y_i| \)，逐分量检查。这样既能控制接近零的量的绝对误差，又能控制大幅值量的相对误差。容差不是“越小越好”：容差过严会导致步长被反复压缩、计算量激增，甚至因舍入误差累积而无法推进；容差过松则失去精度意义。合理设置容差，是自适应积分实践中的第一项基本功。

本课程的学习路径

围绕“自适应步长积分与误差控制”这一主题，本课程将沿着一条由浅入深、由理论到实现的路径展开。首先建立误差与步长的定量关系，理解局部截断误差、全局误差以及阶数概念；随后进入嵌入式 Runge–Kutta 方法，掌握误差估计的构造原理与 Dormand–Prince 系数；在此基础上学习步长控制律，包括缩放因子、安全系数、接受/拒绝判据以及容差设置；再进一步讨论刚性问题的特殊性，说明为什么显式自适应方法在刚性系统中会失效，并引出隐式方法与稳定性概念；最后通过可运行的实现与案例，把上述知识落到代码、参数和结果判读上。

学习过程中建议始终带着三个问题：误差从哪里来、如何被估计、又如何被控制。只要这三条线索清晰，后续的公式、系数表和代码就不会变成零散的记忆点。下面给出本课程的整体结构，便于建立全局视图。

最后需要明确本课程的目标定位：不是要求读者记住所有系数表，而是建立“误差可估计、步长可控制、结果可判读”的工程思维。当你能面对一个具体问题时，判断该选显式还是隐式、容差设多大、步长为何被反复拒绝、结果是否可信，这门课程的核心目的就达到了。接下来的章节将从误差的定量描述开始，逐步把这张路线图填满。