4. 物理建模的数学表达

在计算物理中，我们面对的第一个“真实问题”往往不是写出方程，而是把方程整理成计算机能够逐步推进的形式。牛顿第二定律 F = ma 看起来简单，但它是一个二阶微分方程：加速度是位置对时间的二阶导数。数值方法（尤其是本章后面要讲的有限差分）通常只擅长处理一阶导数，因此建模的第一步，就是把高阶方程“降阶”为一阶方程组。这一步不是数学游戏，而是所有后续离散化、初值设定和程序循环结构的直接依据。

一、为什么必须改写成一阶方程组

考虑一维情形，设位置为 x(t)，速度为 v(t)，则牛顿第二定律写作：

m · d²x/dt² = F(x, v, t)

这是一个二阶常微分方程。若直接对它做有限差分，需要同时处理 x_i+1、x_i、x_i−1 三个时刻，边界处理和初始条件都更繁琐。而如果我们引入速度作为独立变量，令 v = dx/dt，就得到两个耦合的一阶方程：

dx/dt = v
dv/dt = F(x, v, t) / m

这样，系统的“状态”就被压缩成一个向量 y = [x, v]^T，其演化由 dy/dt = f(y, t) 描述。计算机只需知道当前时刻的 y，就能算出下一时刻的 y，这正是显式时间推进（如欧拉法、龙格–库塔法）的标准输入形式。换句话说，降阶把“需要历史信息”的二阶问题，变成了“只需当前状态”的一阶初值问题。

二、改写的一般套路与符号约定

对于任意 n 阶常微分方程，降阶方法是一致的：为每个低阶导数引入一个新变量。以二阶为例，定义 y₁ = x，y₂ = dx/dt，则原方程化为：

dy1/dt = y2
dy2/dt = F(y1, y2, t) / m

这里必须先把参照约定说清楚，否则正负号会出错。本文统一采用：位置 x 向右为正，速度 v 向右为正，力 F 向右为正。例如竖直上抛问题中，若取向上为正，则重力 F = −mg，于是 dv/dt = −g；若取向下为正，则 dv/dt = +g。两种约定都对，但全文和程序必须一致。这个约定会直接写进 F(x, v, t) 函数的返回值里，是建模时最容易埋下隐患的地方。

三、一个可运行的示例：阻尼弹簧振子

设质量 m = 1.0 kg，弹簧刚度 k = 4.0 N/m，阻尼系数 c = 0.3 N·s/m，初始位置 x₀ = 1.0 m，初始速度 v₀ = 0。受力为 F = −kx − cv（弹簧力与位移反向，阻尼力与速度反向）。改写后：

def rhs(t, y):
    x, v = y
    F = -4.0 * x - 0.3 * v
    return [v, F / 1.0]

# 初值向量
y0 = [1.0, 0.0]

这段代码就是整个物理模型的“数学表达”落地形态：rhs 返回的列表第一个分量是 dx/dt，第二个是 dv/dt。后续无论用欧拉法还是四阶龙格–库塔法，都只需把这个函数交给时间推进器。注意 y 是长度为 2 的列表，而不是两个散落的变量，这种“状态向量”写法让程序结构可以直接推广到多自由度系统。

四、从单自由度到多体系统

降阶思想真正的价值在多体问题中才充分显现。设两个质量块由弹簧连接，位置分别为 x₁、x₂，速度 v₁、v₂，则状态向量扩展为四维 [x₁, v₁, x₂, v₂]，方程变为四个一阶方程。规律很清晰：每个二阶自由度贡献两个一阶方程，N 个自由度就是 2N 维一阶方程组。这也解释了为什么有限元、分子动力学等程序内部几乎都以“状态向量 + 导数函数”的接口组织代码。

五、初值、边值与离散化的衔接

改写成一阶方程组后，问题的类型也随之明确。若已知 t = 0 时刻的全部状态（x₀ 和 v₀），就是初值问题，可以从头逐步推进；若已知的是两端位置（如弦的两端固定），则属于边值问题，不能简单向前推进，需要打靶法或矩阵求解。牛顿第二定律的多数动力学问题天然是初值问题，这也是为什么降阶后特别适合时间步进。

离散化思想在此处体现得很直接：把连续时间 t 切成间隔 h 的网格 t_n = n·h，用差分代替导数。以显式欧拉法为例，x_n+1 = x_n + h·v_n，v_n+1 = v_n + h·F_n/m。这里 h 的选择不是随意的：对阻尼弹簧振子，h 过大时数值解会发散或出现虚假振荡，这就是稳定性问题；h 减小时误差按一阶下降，这是收敛性问题。降阶本身不改变物理，但它把“稳定性与收敛性”的分析对象统一成了一个标准形式 dy/dt = f(y, t)，后续章节的误差分析都建立在这个形式上。

把牛顿第二定律改写为一阶方程组，是计算物理建模中“把物理翻译成算法”的关键一步。它统一了问题形式，明确了初值需求，也为离散化、稳定性和收敛性分析提供了共同的语言。掌握这个套路后，无论面对弹簧振子、抛体运动还是多体耦合，都能迅速写出可被数值方法直接消费的模型。