我想向大家展示一个简单的模拟，这是我制作的。其中有一个连接在弹簧上的质量块，但它受到一个来回振荡的外力影响。如果没有外力，你将这个质量块拉出后放手，弹簧会以其固有的自然频率进行振荡。但在这里，当我加入那个外力——比如一阵吹来的风时，它便以截然不同且无关的频率振荡。
我想让你注意的是起始阶段那种非常不规则的行为模式：振幅先变大，再变小，接着又变大，最终才稳定下来形成一种节奏。这背后究竟发生了什么？我们如何从数学上分析这种怪异、晃动的启动轨迹，并预测系统需要多久才能进入稳定状态？
当它真正步入正轨后，我们能否精确预测其来回摆动的幅度大小？研究这类系统以及众多其他系统的强大工具之一，就是拉普拉斯变换。今天，我想向大家展示如何运用这一工具来研究微分方程并分析动态系统。
作为背景补充，这是关于拉普拉斯变换系列的第三章。快速回顾一下，在第一章中，我们熟悉了形如 $e^{st}$ 的函数，其中 s 是一个复数。这些函数的输出在复平面上螺旋式延伸。
你需要掌握的关键概念是工程师们所称的“s平面”，即代表指数中项 s 所有可能值的复平面。其核心思想是将平面的每个点视为编码了整个函数 $e^{st}$，主要结论是：s 的虚部越大，对应函数的振荡越剧烈；实部为负反映衰减，为正则反映增长。
我们之所以关心这一点，是因为自然界中的许多函数都可以分解为指数项的组合。因此，我们需要一种机制来揭示这种分解的样子。这正是拉普拉斯变换的核心动机，我们在上一章中对此进行了详细阐述。
简而言之，这种变换的作用是将一个时间函数转换为一种新的语言，即输入为复数 s 的新函数。上次的主要结论是：如果你的函数确实能分解为指数项，那么在 s 平面上绘制变换后的图形时，图中的极点对应于隐藏在原函数中的指数项。
从符号上看，这归结为我希望你记住的两个关键属性：第一，如果输入一个指数函数（如 $e^{at}$），它会变换为 $\frac{1}{s-a}$。你应该在脑海中将其视为 s 平面上位于 a 值上方的一个极点函数。
第二，变换具有线性性质。这意味着如果你对一个函数的加权和进行变换，其结果等同于对每个单独函数应用变换后取相同的加权总和。因此，如果输入的函数确实由指数项组合而成，输出的形式就是多个分数的求和。
每个分数对应一个极点，反映其中一个指数项。仅凭这两个属性，你就已经能窥见为何这是一个有用的工具，可以帮助你定性理解某些情境下的动态特性。
如果你有一个随时间演变的系统，并通过我稍后展示的技术找到其拉普拉斯变换，那么当你在变换中看到具有虚部的极点时，这就告诉你存在某种振荡。如果这些极点的实部为负，表明有趋向于零衰减的趋势；而任何具有正实部的极点则指示不稳定性，即远离零爆炸式增长。
通常在研究物理问题时，你并不立即知道描述动态系统的函数是什么，但你知道描述它的微分方程。有趣的是，有一种方法可以直接从这样的微分方程推导到其解的拉普拉斯变换。
这既作为找到精确解析解（你可以在纸上圈出）的中间步骤很有用，同样重要的是，它本身也是对系统的一种有意义的表示。做到这一点依赖于第三个值得记住的关键属性，该属性解释了拉普拉斯变换如何将微分方程转化为代数运算，从而使求解变得更容易。
具体操作如下：如果你对某个时间函数 $f(t)$ 求导，然后对该导数进行拉普拉斯变换，其效果等同于先对原函数应用变换，然后将结果乘以 s。当然，几乎是这样——还有一个额外的项需要减去初始条件，即原函数 $f$ 在时间 t=0 时的值。
换句话说，变换将时域中的微分运算转化为 s 域中的乘法运算。这应该让你联想到，对于指数函数而言，时域微分等同于乘以 s。这并不是巧合，其根本原因是一样的。
乍一看，当你看到这个规则时，那个 $-f(0)$ 项可能看起来像是一个令人烦恼的小瑕疵，破坏了原本优雅的方程。但实际上，这是特性而非缺陷。当你将其应用于微分方程时，这个小瑕疵意味着你内置了一种处理初始条件的方法。
现在，我仿佛听到你在问：为什么这个属性成立？它从何而来？它与微分指数函数的概念究竟有何联系，那个 $-f(0)$ 项又是从何而来的？我当然会解释这一点。事实上，我能想到三种解释方法，但让我们先把这些推迟一分钟，转而深入探讨如何在实践中运用这一属性。
我想展示的例子从简谐振荡器开始，这是我们在两章前研究过的内容，你可以想象为一个连接在弹簧上的质量块。提醒一下，作用于该质量的力的一部分将其拉向中间位置，其强度与位移成正比。
距离那个中心点的位移，我们将其写为负 k 乘以 x。通常还会包含一个阻尼力，它通过减缓质量块的运动来起作用，其强度与速度成正比，同样使用某个负的常数比例系数。如果我们将所有这些项移到方程的一边，代数式通常会变得非常整洁，就像这样。无需进一步修改，这便是一个非常友好的线性方程。我们之前详细讨论过如何通过代入 e 的 st 次方来简单地求解它，这取决于你的视角：要么是一个令人沮丧且缺乏动机的猜测，要么是你在掌握了线性方程总是具有指数解这一基本事实后所遵循的既定程序。
这些都是之前的内容，但这次我们想象有一个第三种力作用在质量块上，即某种外力。在我们的例子中，这种力会根据余弦函数左右振荡，就像有周期性阵风从左向右吹一样。重要的是，这个外力的频率通常与弹簧的自然共振频率毫无关系。这并非我们在本频道之前研究光为何在玻璃等介质中减速时偶然出现的任意例子。在那种情况下，当我们深入视频内容后，相关的振荡器是材料内部的一个微小电荷，而外力则是入射的光波。
面对这样一个不再简单的线性方程（实际上是非齐次方程），求解变得更加复杂。这里简要预览一下通用策略：你对所有项进行拉普拉斯变换，然后求解该结果以揭示解的变换形式；接着，你可以逆转这一过程，用我们通常的语言——即时间域而非 s 域——恢复出该解。好的，这是高层级的概览，但让我们挽起袖子，一步步实际地分解这个过程。
按照惯例，我将把 x(t) 的变换写为大写的 X(s)，然后利用我们刚刚讨论过的规则，其导数的变换将表现为 s 乘以大写 X，再减去一个初始条件，我将其写为小写的 x₀（x naught）。那么二阶导数应该是什么样的呢？这其实是一个很好的暂停机会，可以作为练习尝试一下。它基本上看起来像是连续两次应用我们刚才讨论的那个关键规则。
应用一次，你得到二阶导数的变换应表现为 s 乘以一阶导数的变换，再减去 x'(0)。这一项与初始速度相同，所以我将其写为 v₀（v naught）。这就是在整个过程中，初始条件的那一部分被自动考虑到的地方。从这里开始，你可以代入该导数的拉普拉斯变换，再次表示为 s 乘以大写 X(s)，再减去一个初始条件。
我们可以在此处展开几项，将其代回之前的方程中，并带上其他常数 m、μ 和 k，便得到了这个虽然庞大但并非完全不可理喻的表达式。我想引起你注意的是这里的三项，即包含大写 X(s) 分量的那些项。如果我们将它们相加并提取出整个大写 X 部分，剩下的就是一个漂亮的小二次多项式。
如果只有这些该多完美啊，但破坏这种优雅的是所有这些初始条件项都混杂其中。我说它们破坏了优雅性，但我再次想指出，拥有一个内置的方式来整合初始条件其实是非常好的，这不会成为后来需要额外添加的步骤。然而，为了一个整洁的初始示例，让我们假设初始位置和初始速度都为零，也就是说我们的弹簧质量系统起初是完全静止的。请记住，对于更通用的解，你可能希望保留这些常数。
忽略它们的妙处在于，它揭示了一种应用拉普拉斯变换的特征模式：我们微分方程的这一部分（顶部的左侧）基本上被转换成了一个多项式，它看起来像是原方程的一种镜像。这个镜像拥有所有相同的常数，且每个高阶导数（如那个 x''）都变成了 s 的某次幂，在本例中是 s²。这正是该工具之所以有效的本质所在：微分表达式变成了多项式，而多项式是我们可以用代数运算处理的东西。
当然，对于本例来说，使其变得有趣的是右侧有这个其他振荡力。取余弦表达式的拉普拉斯变换是我们上一集详细讨论过的内容。在实践中，这类东西你要么已经 memorize 了，要么是查阅得到的；但如果你想暂停一下，我认为这是一个很好的练习机会：花点时间看看你是否记得为什么余弦表达式的变换会有两个不同的极点，在本例中是一个在 ωi 处，另一个在 -ωi 处。
花点时间快速检查一下这是否与你在这里看到的表达式相符，特别是分母 s² + ω²。当我看到你看到那个时，我真正想在你脑海中浮现的概念是极点位于 ωi 和 -ωi。凭借对 s 平面的良好直觉，这应该让你从骨子里感受到频率为 ω 的振荡。
接下来处理页面上的符号时，步骤是除以这里的这个分量。有了这一点，你现在就得到了一个精确的最终表达式，完全描述了——嗯，不是系统的解本身，而是其解的拉普拉斯变换。正如我预览的那样，最后一步将是逆转拉普拉斯变换过程，揭示出那个原本神秘的函数。但在那之前，即使仅在这个步骤上，我也想让你注意到：通过观察这个变换版本，你已经获得了对系统动力学的很多直觉。
记住，在 s 域中的关键问题是：所有的极点在哪里？这个表达式的分母等于零的地方就是它的极点。在这个例子中，有四个不同的 s 值使这个分母为零。其中两个来自这里多项式的根，即我描述为谐振子方程镜像的那个多项式。任何看过前一章的人都会记得……
看起来，这归结为应用二次方程求根公式。当你调整常数 k、μ 和 m 时，该多项式的根会在 S 平面的不同位置出现。但通常情况下，它们具有负的实部；假设阻尼系数不太大，它们还具有虚部。当你看到 S 平面上这样的点时，你脑海中应该浮现的概念是带有某种衰减的振荡。换句话说，即使你将这个外力加到振子上，无驱动振子的解——即它原本会产生的运动——仍然潜伏在其中。隐藏在那里的，是与弹簧系统固有共振频率相匹配的振荡。
我们变换函数的其他极点来自这一部分的根，即 ωi 和 -ωi，它们对应于余弦形式的外力。换句话说，最终动力学的另一个分量——在这种情况下实际上是主导分量——是与该外力同步振荡的趋势。这应该很直观。如果你去推秋千上的孩子，但频率不一定与秋千的固有共振频率匹配，最终他们的运动方式也会以你的频率进行振荡，而不是秋千的自然频率。
如果我现在回到最初打开的那个模拟程序，这里可能会更清楚一些。顶部的图表显示了弹簧上质量块随时间的位置变化。再次注意，该图形有一个奇怪的初始启动期，在此期间它似乎在晃动中逐渐找到节奏，但最终它会进入那种韵律并遵循一致的正弦波模式，与外力同步。这里发生的情况是，解可以被视为两个不同分量的总和。一个分量对应于 S 平面左半部分的极点，它与无驱动方程的解相匹配，即弹簧在没有外部影响下会产生的运动。
另一个分量对应于拉普拉斯变换在虚轴上的两个极点，这意味着它是纯粹的振荡，没有增长或衰减，它只是一个与外力韵律匹配的余弦波。从这个角度来看，你可以认识到最初的晃动期对应于第一个分量仍然相关的时段。你拥有两个不同的频率相互竞争，而第一个频率尚未完全衰减至无形；但最终它会消失，只留下纯粹的余弦波。
好吧，我听到你们中的一些人说：“这一切都很好，但实际的解是什么？我明天就要考试了，我需要圈出试卷底部的某个表达式。”好吧，如果你想要一个精确的解析解，下一部分并不完全有趣，但它是直截了当的。如果你有一个像我们找到的这样的分数，并且你知道其分母的根（就像我们要讨论的四个根），你可以将其分解为四个分数之和，每个分数的分母看起来像 s 减去其中一个根。
你需要做的工作在于求解分子中的这些常数。有一个过程，称为部分分式分解。我不会逐步讲解细节，我想你们也不想让我这么做，但我会把关键思想作为屏幕上的小笔记展示出来。一旦你解出了这些常数，因为你知道指数项会变换为简单的分数（就像我们正在看的那些），逆过程就等同于逆转那个关键规则。你将每个分数转换为相应的指数项。
因此，每个极点的位置（即分母的根）对应于位于时间 t 前面的指数中的值。而你需要费心求解的那些常数，则保留为每个这些指数项前面的系数。如果你是那种喜欢做作业、享受钻研公式的人，并选择接受求解那些常数的挑战，我想让你关注该练习的一个非常有趣的结论。看前两项，对应于极点 +ωi 和 -ωi。
当你解出两个相关的常数时，得到的表达式并不完全相同；但如果 μ 非常接近零，每一个都近似于我们可以提取公因式的这个共享表达式。现在，你知道两个像这样的虚指数结合会形成一个余弦函数。所以这部分就是你看到的质量块最终进入的最终稳态余弦韵律。
在你解出的那个大表达式内部，我想留给你的家庭作业是深入思考最终表达式的振幅如何依赖于弹簧的共振频率与该外力频率之间的差异。特别是，当这两个频率彼此接近时会发生什么？这可能与任何希望建造不希望摇晃倒塌的桥梁的人有何关联？
从树木中退后一步纵观森林，你会明白我所说的拉普拉斯变换如何将微分方程转化为代数运算的含义。这一切都根植于第三个关键属性：时间中的导数变为乘以 s。因此，自然产生的迫切问题是，为什么这个属性首先成立？
正如我所说的，我可以想到三种解释它的方法。一种是基础但有限的，另一种是通用但有点晦涩的；然后是我喜欢的第三种方法，这需要一些额外的理论来描述。第一种实际上并不是一个完整的解释。其想法是，任何时候你在数学中看到新公式，尝试在一个你熟悉的例子中运行它总是一个好主意。这样你可以建立一点直觉。
在这种情况下，你和我很熟悉的例子是什么？嗯，我们已经反复强调过这样一个事实：如果你输入一个指数函数（比如 e 的 at 次方），那么它的拉普拉斯变换看起来像 1 除以 s 减 a。所以让我们看看这个例子会发生什么。你知道如何对这样的指数函数求导，它非常简洁，你只需乘以那个常数 a。
然后，由于线性性质，这意味着拉普拉斯变换也仅仅拾取了那个附加因子 a。起初，这实际上看起来是错误的。它似乎与期望的结论不一致。我们并没有乘以 s（新变换函数的输入）。相反，我们要乘的是这个随机常数 a 。
这决定了我们具体代入的是哪种指数函数。但这其实只是进行一些温和的代数变形的问题。注意，如果我加上这个分数 (s-a)/(s-a)，这等同于加 1，所以我必须减去 1 来抵消它。当你把这两个分数合并时，分子中会出现一些漂亮的消去现象，留下一个简洁的 s 因子。你会注意到，我们现在是从整个表达式中减去某样东西——也就是 1。而这恰好就是初始条件。它是将 t=0 代入我们最初输入的原始函数时得到的结果。因此，事实上，这与预期的结论完全一致。
当然，这只是一个非常具体的函数例子，并非通用的解释，但它蕴含着更广泛适用性的种子。如果你喜欢练习花点时间说服自己这个结果对于任何指数函数的组合也是成立的。这实际上又归结为对线性性质的倚重，包括变换的线性和导数的线性。这仍然不是完整的解释，它仅适用于指数函数的组合，但公平地说，这也涵盖了我们到目前为止看到的每一个例子。整个系列的一个 overarching 主题是：从正确的视角来看，许多事物真的可以被分解为指数函数。
我想简要提及的第二个解释是你会在大多数教科书中看到的那种。思路是直接引用拉普拉斯变换的定义，这在上一章之后我们其实从未真正查看过它，然后通过分部积分来求值。我认为对于任何好奇且精通微积分的学生来说，最好让细节留在屏幕上，以便他们暂停并思考清楚。这是一个完全合理且整洁的推导过程，实际上非常简短，但有时我觉得每当涉及分部积分时，你几乎可以看到观众面前的直觉在消散。
在这种情况下，如果你停下来问自己那个乘以 s 的部分究竟从何而来，或者为什么我们要减去初始条件，这两者都感觉像是偶然发生的。第三个解释——至少在我脑海中——真正展示了为什么该性质不仅为真，而且编织在拉普拉斯变换诞生的本质之中。需要注意的是，这需要理解我们尚未讨论过的内容，即逆拉普拉斯变换。这可能正是你已经开始好奇的事情。
回顾我们的微分方程例子，在恢复原始函数的那个最后一步中反转过程时，一个非常合理的问题是：如果你不能将结果分解为这些简洁的分式部分，这该如何运作？这个问题与另一个问题紧密相关：如果你的原始函数本身就不能分解为离散指数部分的和，那么拉普拉斯变换意味着什么？逆变换是一个足够大的话题，值得单独成章。
例如，它涉及一个对我们来说有趣的新概念：围道积分。我想在下一章中做的是带你走一遍如何为自己重新发明这个工具，从渴望创造具有我们一直关注的第三个关键属性的事物开始——即导数转化为某种乘法。我认为存在一个非常自然的故事线，缓慢地拉扯某条逻辑线索会引导你同时发明拉普拉斯变换及其逆变换公式，作为统一的一对。
在此过程中，你还可以看到它与傅里叶变换及傅里叶逆变换的关系。如果你准备好深入探索该主题的深层理论，欢迎在下一章加入我。