1. 课程导入与问题界定

在工程仿真与科学计算中，常微分方程（ODE）模型几乎是最常见的一类动态系统描述工具。无论是电机调速、药物代谢、弹簧阻尼系统，还是化工反应器温度控制，其核心都可以写成一组状态变量随时间演化的方程。然而，真正让模型"活"起来的往往不是方程的形式，而是其中的参数——阻尼系数、反应速率常数、增益、时间常数、扩散系数等。参数取值的微小变化，可能让系统从稳定走向振荡，从快速响应变为迟缓拖沓，甚至从可预测变为混沌。因此，ODE模型参数变化影响分析要回答的核心问题是：当参数发生改变时，系统的动态行为会如何变化？哪些参数最敏感？变化到什么程度会触发质变？

这一问题的意义体现在三个层面。第一是设计层面：在系统尚未定型时，通过参数影响分析可以判断哪些参数需要精确标定、哪些可以放宽容差，从而指导传感器选型与加工精度分配。第二是运行层面：实际系统参数会随温度、磨损、老化而漂移，分析参数漂移对输出的影响，是制定维护周期和容错策略的依据。第三是认识层面：参数影响分析揭示了模型的内在结构，例如哪些参数组合会形成分岔、哪些区域存在多稳态，这本身就是对系统机理的深入理解。

典型的工程与科学问题可以归纳为几类。其一是灵敏度问题：输出对某个参数的偏导有多大，即参数扰动1%时输出变化多少。其二是稳定性问题：参数变化是否使平衡点由稳定变为不稳定，例如二阶系统阻尼比从0.7降到0.1时超调急剧增大。其三是分岔问题：参数连续变化到临界值时，系统相图拓扑结构发生突变，如Logistic模型中增长率参数越过阈值后出现周期倍增。其四是参数辨识与反问题：由观测输出反推参数，需要先知道哪些参数可辨识、哪些参数组合存在强相关性。其五是鲁棒性问题：在参数不确定区间内，系统性能是否始终满足指标要求。

上图给出了本课程的整体知识结构：参数与初值共同作用于ODE模型，产生输出响应，而分析工作围绕灵敏度、稳定性、分岔、辨识与鲁棒性五个维度展开。需要强调的是，这五个维度并非彼此孤立——灵敏度高的参数往往也是稳定性临界点附近的参数，分岔分析则常借助灵敏度信息定位临界值。

为了让抽象概念落地，这里给出一个贯穿课程的示例对象：一个带阻尼的受迫振动系统，方程写作 m·ẍ + c·ẋ + k·x = F·sin(ωt)，取 m = 1 kg、k = 100 N/m、F = 10 N、ω = 8 rad/s，而阻尼系数 c 作为待分析参数。当 c = 20 N·s/m 时，阻尼比 ζ = c/(2√(mk)) = 1.0，系统临界阻尼、无超调；当 c 降到 2 N·s/m 时，ζ = 0.1，阶跃响应超调接近60%，且共振峰显著抬高。仅一个参数从20变到2，系统品质就发生了数量级的变化——这正是参数影响分析要提前预判的内容。上述数值为教学示例设定，用于说明参数与响应的对应关系，并非实测数据。

本课程的学习路径遵循"先建立判断能力，再掌握计算工具，最后形成工程闭环"的逻辑。首先建立参数—响应—指标之间的因果直觉，理解灵敏度、稳定性、分岔等基本概念及其工程含义；随后进入定量方法，包括局部灵敏度（前向差分、解析偏导）、全局灵敏度（Sobol、Morris筛选）、特征值判据、分岔图绘制与参数扫描；再结合参数辨识与鲁棒性评估，处理"参数未知"和"参数有区间"两类现实情形；最终通过完整案例，把参数扫描、指标提取、临界值定位、结论表达串成一条可复现的分析链。

需要提前界定的是本课程的边界：我们关注的是参数变化对ODE解的影响，而非数值求解算法本身的精度问题；分析对象以低维、连续、确定性ODE为主，随机微分方程与高维偏微分方程仅作延伸提及。明确边界有助于把精力集中在参数影响分析的方法论上，而不是被数值细节分散。后续各节将围绕这一主线，从概念、方法到案例逐层展开。