4. 步长与误差的定量关系

在自适应步长积分中，最核心的问题不是“要不要调步长”，而是“步长改变后，局部误差会按什么规律变化”。只有把这种定量关系搞清楚，步长调整才有依据，而不是凭经验拍脑袋。本节从局部截断误差的定义出发，推导步长变化对误差的影响阶数，并给出步长调整的基本公式。

局部截断误差与步长的幂次关系

考虑一阶常微分方程初值问题 y' = f(t, y)，y(t₀) = y₀。设某一步从 tₙ 出发，步长为 h，数值方法给出近似值 yₙ₊₁。所谓局部截断误差，是指假设 yₙ 恰好等于精确解 y(tₙ) 时，经过一步计算后近似值与精确解之差：

τₙ₊₁ = y(tₙ₊₁) − yₙ₊₁

对 p 阶方法，局部截断误差的主项可以写成：

τₙ₊₁ = C · h^p+1 · y^(p+1)(ξ) + O(h^p+2)

其中 C 是与方法有关的常数，ξ 位于区间 [tₙ, tₙ₊₁] 内。这个表达式说明：局部截断误差的主项与 h^p+1 成正比。注意这里的阶数是 p+1，而不是 p——p 阶方法指的是全局误差为 O(h^p)，而单步的局部误差比全局误差高一阶。

以经典的四阶 Runge–Kutta 方法（RK4）为例，p = 4，局部截断误差主项为 O(h⁵)。若步长从 h 缩小为 h/2，局部误差主项将缩小为原来的 (1/2)⁵ = 1/32。这个“五次方”的衰减速度，正是高阶方法在步长控制上具有优势的根本原因。

从局部误差到步长调整公式

实际计算中，我们无法直接知道精确解，因此不能直接算出 τₙ₊₁。但可以利用“误差主项与 h^p+1 成正比”这一结构，通过两次不同步长的计算结果来估计误差，并反推合适的步长。

设当前步长 h 产生的局部误差估计为 E(h)，目标误差容限为 Tol。由于 E(h) ≈ C·h^p+1，若希望新步长 h_new 满足 E(h_new) ≈ Tol，则有：

Tol / E(h) ≈ (h_new / h)^p+1

两边取 1/(p+1) 次方，得到步长调整的基本依据：

h_new = h · (Tol / E(h))^1/(p+1)

这个公式就是自适应步长控制的核心。它告诉我们：步长应按误差比值的 1/(p+1) 次幂缩放。对 RK4，指数为 1/5；对二阶方法，指数为 1/3。阶数越高，同样的误差超标程度只需要更温和的步长缩减，因为高阶方法的误差对步长更敏感。

误差估计的实用途径：步长加倍法

要使用上面的公式，必须先得到 E(h)。一种经典且直观的做法是步长加倍法（也称 Richardson 外推思想）：用步长 h 走一步得到 y^(h)，再用两个 h/2 走两步得到 y^(h/2)。对 p 阶方法，两者之差与局部误差同阶：

E(h) ≈ |y^(h/2) − y^(h)| / (2^p − 1)

以 RK4 为例，分母为 2⁴ − 1 = 15。这个估计值代入步长调整公式，就能在每一步动态决定下一步该用多大步长。实际的自适应 RK 方法（如 RKF45、Dormand–Prince）采用嵌入式一对高低阶公式，用同一组函数值同时得到两个不同阶的解，其差值直接作为误差估计，效率更高，但背后的定量依据仍然是“误差主项 ∝ h^p+1”。

阶数差异带来的实际影响

把不同阶方法的误差-步长关系放在一起对比，能更直观地理解“阶数”在步长控制中的意义。下表给出几种常见方法在步长减半时局部误差的缩小倍数（按主项估算）：

从表中可以看出，低阶方法对步长变化“不敏感”，误差随步长缩小下降得慢；高阶方法则“敏感”，步长稍一缩小误差就迅速下降。这带来两个实践结论：其一，高阶方法在光滑问题上可以用大步长达到高精度，效率优势明显；其二，高阶方法的步长调整指数更小，同样的误差超标只需更小的步长缩减比例，步长变化更平缓，数值稳定性更好。

建立步长调整的基本依据

综合以上推导，自适应步长调整的逻辑可以归纳为三步：

1. 估计当前步的局部误差 E(h)，可用步长加倍法或嵌入式方法得到；
2. 按幂次关系反推目标步长：h_new = h · (Tol / E(h))^1/(p+1)；
3. 施加安全因子与裁剪，防止步长振荡或突变，再进入下一步计算。

需要强调的是，这个公式成立的前提是误差主项确实由 h^p+1 主导，即步长处于方法的渐近收敛区。如果步长过大，高阶项不可忽略，甚至方法本身失稳，公式给出的预测就会失真。因此实际算法中还要结合稳定性限制（如对刚性问题的稳定性边界）对步长设上限。此外，误差容限 Tol 通常按绝对容限与相对容限组合设定：Tol = Atol + Rtol·|y|，以兼顾大分量和小分量的精度需求。

至此，我们已经建立了“误差估计 → 幂次反推 → 安全裁剪”的定量链条。它把“步长该调多少”从经验判断变成了可计算的公式，为后续自适应算法的具体实现（如步长接受/拒绝判据、初始步长选取、连续多步的平滑控制）提供了直接依据。