เครื่องคำนวณวิธีออยเลอร์

แก้สมการเชิงอนุพันธ์สามัญ (ODE) อันดับหนึ่ง y' = f(x, y) เชิงตัวเลขด้วยวิธีออยเลอร์ ดูตารางการวนซ้ำ รูปหลายเหลี่ยมออยเลอร์ที่วางซ้อนบน Slope Field และการเปรียบเทียบการลู่เข้าแบบสดที่ h, h/2 และ h/4 — พร้อมการวิเคราะห์ข้อผิดพลาดที่เป็นทางเลือกเทียบกับคำตอบในรูปแบบปิด

ตัวอย่างด่วน:

y' = x + y y' = y − x² y' = −2xy y' = sin x − y Logistic y' = y(1−y)

สมการเชิงอนุพันธ์

y' =

ใช้ x และ y เป็นตัวแปร รองรับ + − × ÷ ^ และฟังก์ชัน sin, cos, tan, exp, ln, log, sqrt, abs

x₀ เริ่มต้น

y₀ เริ่มต้น

ขนาดขั้นตอน h

จำนวนขั้นตอน n

คำตอบที่ถูกต้อง y(x) (ไม่บังคับ — เพื่อใช้ในการวิเคราะห์ข้อผิดพลาด)

หากระบุ ทุกจุดของออยเลอร์จะถูกเปรียบเทียบกับ y(x) และแสดงข้อผิดพลาดเป็นเส้นประสีส้ม

แสดงฟิลด์ความชัน เปรียบเทียบที่ h/2 และ h/4

Embed เครื่องคำนวณวิธีออยเลอร์ Widget

เกี่ยวกับ เครื่องคำนวณวิธีออยเลอร์

เครื่องคำนวณวิธีออยเลอร์ นี้ช่วยแก้ปัญหาค่าเริ่มต้นของสมการเชิงอนุพันธ์อันดับหนึ่งในรูปแบบ \( y' = f(x, y), \; y(x_0) = y_0 \) โดยใช้วิธีของออยเลอร์แบบดั้งเดิม (Forward Euler) เครื่องมือนี้จะแสดงตารางการทำซ้ำฉบับสมบูรณ์ พล็อตรูปหลายเหลี่ยมออยเลอร์บนฟิลด์ความชัน เปรียบเทียบคำตอบที่ขนาดขั้นตอนแตกต่างกันสามระดับเพื่อให้คุณเห็นการลู่เข้าของวิธีนี้ด้วยตาเปล่า และหากคุณระบุคำตอบที่แท้จริงในรูปทั่วไป ระบบจะทำการวิเคราะห์ข้อผิดพลาดในแต่ละขั้นตอนให้ด้วย

วิธีของออยเลอร์คืออะไร?

วิธีของออยเลอร์เป็นอัลกอริทึมที่ง่ายที่สุดในการประมาณคำตอบของปัญหาค่าเริ่มต้น เริ่มต้นจากจุดที่ทราบค่า \( (x_0, y_0) \) บนเส้นโค้งคำตอบ แล้วก้าวไปข้างหน้าซ้ำๆ ด้วยขนาดขั้นตอนเล็กๆ h ตามความชันเฉพาะที่ \( f(x, y) \):

y_n+1 = y_n + h · f(x_n, y_n), x_n+1 = x_n + h

ในทางเรขาคณิต แต่ละขั้นตอนคือส่วนของเส้นตรงสั้นๆ ที่มีความชันเท่ากับค่าของสมการเชิงอนุพันธ์ ณ จุดปัจจุบัน เส้นที่หักไปมาที่ได้ — หรือ รูปหลายเหลี่ยมออยเลอร์ — คือค่าประมาณของคำตอบที่แท้จริง (ซึ่งมักจะเป็นเส้นโค้ง)

มีความแม่นยำเพียงใด?

วิธีของออยเลอร์เป็นวิธี อันดับหนึ่ง (First-order method) ข้อผิดพลาดจากการตัดปลายเฉพาะที่ในแต่ละขั้นตอนคือ \( O(h^2) \) และข้อผิดพลาดรวมหลังจากอินทิเกรตในช่วงที่กำหนดคือ \( O(h) \) ในทางปฏิบัติหมายความว่า:

การลดขนาดขั้นตอนลงครึ่งหนึ่ง จะช่วยลดข้อผิดพลาดรวมลงประมาณ ครึ่งหนึ่ง
ข้อผิดพลาดจะเพิ่มขึ้นตามความยาวของช่วงการอินทิเกรต
ข้อผิดพลาดจะรุนแรงที่สุดในจุดที่คำตอบมีความโค้งสูง

การเปรียบเทียบขนาดขั้นตอน (h, h/2, h/4) ในตัวช่วยให้คุณเห็นการลู่เข้าแบบเชิงเส้นนี้ได้โดยตรง: เพียงเปิดตัวเลือกนี้และตรวจสอบว่าค่าสุดท้ายทั้งสามค่าเข้าใกล้ขีดจำกัดเดียวกัน โดยแต่ละค่าจะมีระยะห่างจากขีดจำกัดประมาณครึ่งหนึ่งของค่าก่อนหน้า

การอ่านแผนภูมิ

การแสดงผลจะซ้อนทับข้อมูลสี่ประเภทบนระนาบพิกัดเดียว:

ฟิลด์ความชันสีเทา — เส้นตรงสั้นๆ ที่มีความเอียงเท่ากับ \( f(x, y) \) ณ จุดนั้น เปรียบเสมือน "ทิศทางการไหลที่สมการ ODE กำหนด" เส้นโค้งคำตอบใดๆ จะต้องสัมผัสกับฟิลด์นี้ในทุกจุด
รูปหลายเหลี่ยมออยเลอร์สีน้ำเงินคราม — คำตอบเชิงตัวเลขแบบทีละขั้นตอน แต่ละส่วนเริ่มจากจุดพิกัดก่อนหน้าและชี้ไปตาม \( f(x_n, y_n) \) เป็นระยะทาง h
เส้นโค้งจริงเส้นประสีเขียว — จะปรากฏเมื่อคุณระบุคำตอบที่แท้จริงเท่านั้น เส้นประแนวตั้งสีส้มคือข้อผิดพลาดเฉพาะที่ \( y_n - y_{\text{exact}}(x_n) \)
เส้นโค้งเปรียบเทียบสีส้มและสีเขียว — เป็นการรันปัญหาเดิมซ้ำที่ h/2 และ h/4 ซึ่งจะแสดงเมื่อเปิดใช้งานการเปรียบเทียบขนาดขั้นตอน

วิธีใช้งานเครื่องคำนวณนี้

ป้อนสมการด้านขวา ของ ODE ในช่องที่เขียนว่า y' = โดยใช้ x และ y เป็นตัวแปร ตัวดำเนินการที่รองรับคือ + − × ÷ ^ และฟังก์ชันที่รองรับ ได้แก่ sin, cos, tan, asin, acos, atan, exp, ln, log, log10, log2, sqrt, abs
ตั้งค่าเงื่อนไขเริ่มต้น: ค่าเริ่มต้น x₀, ค่า y₀ เริ่มต้น ณ จุดนั้น, ขนาดขั้นตอน h (ค่าบวกเพื่ออินทิเกรตไปข้างหน้า, ค่าลบเพื่ออินทิเกรตย้อนกลับ) และจำนวนขั้นตอน n
(ไม่บังคับ) ระบุคำตอบที่แท้จริง y(x) หากคุณทราบ เครื่องคำนวณจะคำนวณ \( |y_n - y(x_n)| \) ในทุกขั้นตอนและรายงานข้อผิดพลาดสูงสุดและข้อผิดพลาดสุดท้าย
สลับตัวเลือกการแสดงผล: ฟิลด์ความชันจะถูกเปิดไว้เป็นค่าเริ่มต้น ส่วนการเปรียบเทียบขนาดขั้นตอนจะซ้อนทับเส้นโค้งพิเศษอีกสองเส้นที่ h/2 และ h/4
คลิก รัน ส่วนผลลัพธ์จะแสดงสถิติสรุป แผนภูมิ แผงเปรียบเทียบการลู่เข้า และตารางการทำซ้ำฉบับเต็ม การวางเมาส์เหนือแถวในตารางจะเน้นจุดที่เกี่ยวข้องบนแผนภูมิ (และในทางกลับกัน)

ตัวอย่างการคำนวณ

พิจารณาสมการ \( y' = x + y, \; y(0) = 1 \) โดยที่ h = 0.1 และทำ 10 ขั้นตอน คำตอบที่แท้จริงคือ \( y(x) = -x - 1 + 2e^x \) เมื่อใช้วิธีของออยเลอร์จะได้:

n = 1: y₁ = 1 + 0.1 · (0 + 1) = 1.1 n = 2: y₂ = 1.1 + 0.1 · (0.1 + 1.1) = 1.22 n = 3: y₃ = 1.22 + 0.1 · (0.2 + 1.22) = 1.362 ⋮ n = 10: y₁₀ ≈ 3.1875, ค่าจริง y(1) = 2e − 2 ≈ 3.4366

ข้อผิดพลาดสุดท้ายอยู่ที่ประมาณ 0.249 หากลด h ลงเหลือ 0.05 ข้อผิดพลาดสุดท้ายจะลดลงเหลือประมาณ 0.13 และหากลดลงอีกเหลือ 0.025 ข้อผิดพลาดจะเหลือประมาณ 0.067 ซึ่งเป็นการลู่เข้าแบบเชิงเส้นตรงตามทฤษฎี

วิธีของออยเลอร์เทียบกับวิธีเชิงตัวเลขอื่นๆ

วิธี	อันดับ (Order)	การประเมินต่อขั้นตอน	ข้อผิดพลาดรวม	หมายเหตุ
ออยเลอร์ (ไปข้างหน้า)	1	1	O(h)	วิธีที่ง่ายที่สุด เหมาะสำหรับการสอนและสร้างต้นแบบ
ออยเลอร์ปรับปรุง (Heun)	2	2	O(h²)	หาค่าเฉลี่ยความชันที่จุดเริ่มต้นและจุดสิ้นสุดของขั้นตอน
จุดกึ่งกลาง (RK2)	2	2	O(h²)	ประเมินความชันที่จุดกึ่งกลางของแต่ละขั้นตอน
รุงเงอ-คุตตา 4 (RK4)	4	4	O(h⁴)	ตัวแก้ปัญหาอเนกประสงค์ มีความแม่นยำสูงมากต่อขั้นตอน
ออยเลอร์ย้อนกลับ (Implicit)	1	1 (บวกกับการแก้ราก)	O(h)	มีความเสถียรแบบไม่มีเงื่อนไข จำเป็นสำหรับ ODE ที่ตึงตัว

เมื่อวิธีของออยเลอร์เกิดข้อผิดพลาด

วิธีของออยเลอร์แบบไปข้างหน้าอาจทำงานผิดปกติในสามสถานการณ์:

ขนาดขั้นตอนใหญ่เกินไป — รูปหลายเหลี่ยมจะแกว่งหรือลู่ออก วิธีแก้คือลด h ซึ่งการเปรียบเทียบ h, h/2, h/4 จะทำให้เห็นปัญหานี้ทันที
สมการ ODE ที่ตึงตัว (Stiff ODEs) — สมการที่มีทั้งโหมดที่สลายตัวเร็วและช้าพร้อมกันจะบังคับให้ h ต้องเล็กมากเพื่อความเสถียร ควรเปลี่ยนไปใช้วิธีอิมพลิซิต (Backward Euler) หรือ BDF
ภาวะเอกฐานใน f(x, y) — การหารด้วยศูนย์, sqrt ของค่าลบ หรือ ln ของค่าที่ไม่เป็นบวกจะทำให้การอินทิเกรตหยุดลง เครื่องคำนวณจะรายงานขั้นตอนที่มีปัญหาอย่างชัดเจน

การประยุกต์ใช้งานทั่วไป

ฟิสิกส์ — กฎข้อที่สองของนิวตันในฐานะระบบอันดับหนึ่ง, การสลายตัวของกัมมันตภาพรังสี \( \dot{N} = -\lambda N \), กฎการเย็นตัวของนิวตัน
ชีววิทยาและระบาดวิทยา — การเติบโตแบบโลจิสติก \( \dot{y} = r\,y(1 - y/K) \), แบบจำลอง SIR แบบแบ่งส่วน
เศรษฐศาสตร์ — ดอกเบี้ยทบต้นต่อเนื่อง, แบบจำลองการเติบโตของ Solow อย่างง่าย
เคมี — จลนพลศาสตร์ปฏิกิริยาอันดับหนึ่ง \( \dot{c} = -k c \)
การศึกษา — การแนะนำแนวคิดเรื่องการอินทิเกรตเชิงตัวเลขก่อนที่จะขยับไปใช้ RK4 หรือตัวแก้ปัญหาแบบปรับค่าได้ (adaptive solvers)

คำถามที่พบบ่อย

วิธีของออยเลอร์คืออะไร?

วิธีของออยเลอร์เป็นขั้นตอนวิธีเชิงตัวเลขที่ง่ายที่สุดในการแก้ปัญหาค่าเริ่มต้น y' = f(x, y), y(x0) = y0 ในแต่ละขั้นตอนจะเลื่อนคำตอบไปตาม y_{n+1} = y_n + h · f(x_n, y_n) โดยดำเนินตามความชันที่จุดปัจจุบันเป็นระยะทางสั้นๆ h วิธีนี้มีความแม่นยำอันดับหนึ่ง หมายความว่าข้อผิดพลาดรวมคือ O(h)

วิธีของออยเลอร์มีความแม่นยำเพียงใด?

วิธีของออยเลอร์มีข้อผิดพลาดจากการตัดปลายเฉพาะที่ O(h²) และข้อผิดพลาดรวม O(h) การลดขนาดขั้นตอนลงครึ่งหนึ่งจะทำให้ข้อผิดพลาดรวมลดลงประมาณครึ่งหนึ่ง นี่คือสาเหตุที่การเปรียบเทียบการลู่เข้าที่ h, h/2 และ h/4 ในเครื่องคำนวณนี้มีประโยชน์มาก: คุณจะเห็นข้อผิดพลาดลดลงแบบเชิงเส้นตาม h

วิธีของออยเลอร์ล้มเหลวเมื่อใด?

วิธีของออยเลอร์อาจไม่เสถียรสำหรับปัญหาที่ตึงตัวหรือเมื่อขนาดขั้นตอนใหญ่เกินไปเมื่อเทียบกับความโค้งของคำตอบ คุณอาจเห็นคำตอบเชิงตัวเลขแกว่งไปมา พุ่งไปสู่อินฟินิตี้ หรือเบี่ยงเบนจากคำตอบที่แท้จริงอย่างเห็นได้ชัด การลด h มักจะช่วยได้ สำหรับสมการที่ตึงตัว แนะนำให้ใช้วิธีอิมพลิซิต เช่น วิธีออยเลอร์แบบย้อนกลับ

ฉันควรเลือกขนาดขั้นตอนอย่างไร?

เริ่มต้นด้วย h ที่ให้ขั้นตอนประมาณ 10 ถึง 50 ขั้นตอนในช่วงที่สนใจ หากรูปหลายเหลี่ยมออยเลอร์เบี่ยงเบนจากฟิลด์ความชันหรือจากคำตอบที่แท้จริงของคุณอย่างชัดเจน ให้ลด h ลงครึ่งหนึ่งแล้วรันใหม่ ใช้การเปรียบเทียบ h, h/2, h/4 ในตัวเพื่อตรวจสอบว่าเส้นโค้งทั้งสามลู่เข้าหากันหรือไม่

วิธีของออยเลอร์แตกต่างจากรุงเงอ-คุตตา (RK4) อย่างไร?

รุงเงอ-คุตตาอันดับสี่จะประเมินความชันที่สี่จุดต่อขั้นตอนและรวมเข้าด้วยกันด้วยน้ำหนัก (1, 2, 2, 1)/6 ทำให้มีข้อผิดพลาดรวม O(h⁴) ซึ่งดีกว่า O(h) ของออยเลอร์หลายเท่าสำหรับจำนวนขั้นตอนที่เท่ากัน แต่ออยเลอร์ยังคงมีค่าสำหรับการสอนแนวคิดเรื่องการอินทิเกรตเชิงตัวเลขและสำหรับการใช้งานที่ง่ายมากหรือไม่ต้องการความแม่นยำสูง

ฉันสามารถใช้สิ่งนี้กับระบบของสมการ ODE ได้หรือไม่?

เครื่องคำนวณนี้จัดการสมการ ODE อันดับหนึ่งแบบสเกลาร์เดียว y' = f(x, y) สำหรับระบบสมการหรือ ODE อันดับสูง คุณสามารถเขียนสมการใหม่เป็นระบบอันดับหนึ่งและใช้ตัวแก้ระบบโดยเฉพาะ หรือแปลงสมการอันดับสองเป็นอันดับหนึ่งสองสมการแล้วแก้ทีละส่วนประกอบ

ฉันสามารถอินทิเกรตย้อนกลับได้หรือไม่?

ได้ — เพียงป้อนขนาดขั้นตอน h เป็นค่าลบ เครื่องคำนวณจะเลื่อนจาก x₀ ไปในทิศทางลบเป็นจำนวน n ขั้นตอน ซึ่งมีประโยชน์สำหรับการจำลองเหตุการณ์ในอดีตจากสถานะปัจจุบันที่ทราบค่า