數學建模與應用（進階）：當方程開始對話——耦合系統、穩定性與混沌

當兩個方程開始對話：模型為什麼會「失控」？

入門篇的咖啡模型有個讓人安心的性質：它單調地趨近室溫，永遠不會反彈、不會震盪、不會爆炸。一條方程 $\frac{dT}{dt}=-k(T-T_{\text{env}})$，解出來就是乖乖的指數衰減，未來一目了然。

可是真實世界很少這麼乖。狐狸吃兔子，兔子多了狐狸跟著變多，狐狸多了又把兔子吃光，於是狐狸自己餓死，兔子才又翻身——這是一個互相牽制、來回拉扯的系統。疫情裡，易感者、感染者、康復者三群人的數量同時在變，誰也不能單獨寫成一條獨立的方程。當變數開始「彼此對話」，模型就從一條線性 ODE 升級成耦合非線性動力系統（coupled nonlinear dynamical system）。

這篇進階篇要回答的問題是：當模型不再是單一變數的單調衰減，我們還能不能預測它的長期命運？ 答案出人意料地深刻——即使解不出公式，我們仍能用幾何與線性代數，把系統的「性格」看穿。

從一條方程到一個向量場

入門篇的核心物件是「一個變數隨時間變化」。進階建模的核心物件升級成狀態向量（state vector）：把所有相關變數打包成 $\mathbf{x}(t)=(x_1,\dots,x_n)$，整個系統寫成

$$ \frac{d\mathbf{x}}{dt} = \mathbf{f}(\mathbf{x}) $$

這裡 $\mathbf{f}$ 是一個向量值函數，它在狀態空間（state space）的每一點都指定一個「下一步往哪走」的箭頭。換句話說，$\mathbf{f}$ 定義了一個向量場（vector field），而系統的演化就是一條沿著箭頭流動的軌跡（trajectory）。

這個觀點是進階建模的分水嶺。我們不再執著於求出 $\mathbf{x}(t)$ 的顯式公式——對絕大多數非線性系統，這種公式根本不存在。我們改問幾何問題：

• 系統有沒有平衡點（equilibrium）？也就是 $\mathbf{f}(\mathbf{x}^*)=\mathbf{0}$、箭頭歸零、系統靜止不動的地方。
• 平衡點是穩定還是不穩定？輕輕推一下，系統會回來還是跑掉？
• 軌跡的長期命運是收斂到一點、繞成一個循環，還是永遠不重複？

這套以幾何和定性分析為主、不依賴顯式解的方法，叫定性理論（qualitative theory of dynamical systems），由 Poincaré 開創。它告訴我們：看不懂解的公式，不代表看不懂系統的行為。

看一個例子：捕食者與獵物的拉扯

讓我們把「狐狸與兔子」寫成方程。設兔子（獵物）數量 $x$、狐狸（捕食者）數量 $y$，經典的 Lotka–Volterra 模型是：

$$ \begin{cases} \dfrac{dx}{dt} = \alpha x - \beta x y \\[2mm] \dfrac{dy}{dt} = \delta x y - \gamma y \end{cases} $$

逐項讀懂它的「翻譯」：

• $\alpha x$：兔子沒有天敵時指數成長。
• $-\beta x y$：兔子被吃掉的速率正比於「兔子與狐狸相遇的機會」$xy$。
• $\delta x y$：狐狸因為吃到兔子而繁殖，也正比於相遇 $xy$。
• $-\gamma y$：狐狸沒食物時自然死亡。

關鍵在那兩個 $xy$ 項——它們是非線性的，正是兩個變數「對話」的數學形式。一旦出現變數相乘，疊加原理失效，這個系統就再也不能像咖啡那樣分離變數一勞永逸地解開。

先找平衡點。 令兩條方程同時為零：

$$ \alpha x - \beta x y = 0, \qquad \delta x y - \gamma y = 0 $$

第一式提出 $x(\alpha-\beta y)=0$，第二式提出 $y(\delta x-\gamma)=0$。除了平凡的 $(0,0)$，還有一個共存平衡點：

$$ x^* = \frac{\gamma}{\delta}, \qquad y^* = \frac{\alpha}{\beta} $$

這個點很有意思：兔子的均衡數量 $x^*$ 只跟狐狸的參數（$\gamma,\delta$）有關，狐狸的均衡數量 $y^*$ 只跟兔子的參數（$\alpha,\beta$）有關。這種「交叉決定」是耦合系統才會出現的反直覺結論——你想控制兔子數量，得從調整狐狸下手。

線性化：在平衡點附近偷看系統的性格

我們找到了平衡點，但它穩定嗎？兔子和狐狸會穩定共存，還是稍有風吹草動就崩盤？

回答這個問題的核心技術叫線性化（linearization）。直覺是：在平衡點 $\mathbf{x}^*$ 附近放大來看，任何光滑的非線性函數都「長得像」一個線性函數——這正是多變數版的泰勒展開。我們把擾動 $\mathbf{u}=\mathbf{x}-\mathbf{x}^*$ 代入，保留一階項，得到：

$$ \frac{d\mathbf{u}}{dt} \approx J(\mathbf{x}^*)\,\mathbf{u} $$

其中 $J$ 是雅可比矩陣（Jacobian matrix），蒐集了 $\mathbf{f}$ 所有偏導數：

$$ J = \begin{bmatrix} \dfrac{\partial f_1}{\partial x} & \dfrac{\partial f_1}{\partial y} \\[3mm] \dfrac{\partial f_2}{\partial x} & \dfrac{\partial f_2}{\partial y} \end{bmatrix} $$

對 Lotka–Volterra 系統，$f_1=\alpha x-\beta xy$、$f_2=\delta xy-\gamma y$，逐項求偏導：

$$ J = \begin{bmatrix} \alpha - \beta y & -\beta x \\ \delta y & \delta x - \gamma \end{bmatrix} $$

代入共存平衡點 $(x^*,y^*)=\left(\frac{\gamma}{\delta},\frac{\alpha}{\beta}\right)$：

$$ J(\mathbf{x}^*) = \begin{bmatrix} \alpha - \beta\cdot\frac{\alpha}{\beta} & -\beta\cdot\frac{\gamma}{\delta} \\ \delta\cdot\frac{\alpha}{\beta} & \delta\cdot\frac{\gamma}{\delta} - \gamma \end{bmatrix} = \begin{bmatrix} 0 & -\dfrac{\beta\gamma}{\delta} \\[2mm] \dfrac{\delta\alpha}{\beta} & 0 \end{bmatrix} $$

穩定性由特徵值決定。 線性系統 $\dot{\mathbf{u}}=J\mathbf{u}$ 的解由 $e^{\lambda t}$ 型態組成，$\lambda$ 是 $J$ 的特徵值。求特徵方程 $\det(J-\lambda I)=0$：

$$ \lambda^2 - (\text{tr}\,J)\,\lambda + \det J = 0 $$

這裡 $\text{tr}\,J=0$、$\det J = \frac{\beta\gamma}{\delta}\cdot\frac{\delta\alpha}{\beta}=\alpha\gamma>0$，所以：

$$ \lambda^2 + \alpha\gamma = 0 \quad\Longrightarrow\quad \lambda = \pm\, i\sqrt{\alpha\gamma} $$

特徵值是純虛數。回顧線性代數：實部決定收斂或發散，虛部決定旋轉。實部為零意味著既不收斂也不發散，虛部不為零意味著繞圈——所以平衡點是一個中心（center），軌跡是繞著平衡點的閉合循環。這就解釋了真實生態觀測到的現象：兔子與狐狸數量永遠週期性地此消彼長，振盪頻率約為 $\sqrt{\alpha\gamma}$，誰也不會徹底消滅誰。

我們沒有解出 $x(t)$、$y(t)$ 的公式，卻已經用一個 $2\times2$ 矩陣的兩個特徵值，斷定了整個系統的長期命運。這就是線性化的威力：把全域的非線性難題，化約成局部的線性代數。

穩定性的完整地圖

把上面的邏輯推廣，二維系統平衡點的「性格」完全由雅可比矩陣的跡 $\tau=\text{tr}\,J$ 與行列式 $\Delta=\det J$ 決定。這是一張建模者必備的分類地圖：

判讀原則其實只有一句話：特徵值的實部全為負則穩定，有任一為正則不穩定。 跡與行列式只是讓你不必每次都解特徵方程的捷徑（因為 $\tau=\lambda_1+\lambda_2$、$\Delta=\lambda_1\lambda_2$）。

這張表是 SIR 傳染病模型、化學反應動力學、電路振盪、經濟景氣循環的共同語言。你只要會算一個雅可比矩陣、判斷它的特徵值，就同時握有了橫跨流行病學、化工、電機、總體經濟的分析工具。 這正是入門篇所說「結構同型」在進階層次的兌現。

動手試試：消滅無因次的多餘參數

Lotka–Volterra 有四個參數 $\alpha,\beta,\gamma,\delta$。但你可能隱約覺得：它們真的全都「獨立重要」嗎？換不同的時間單位、不同的數量單位，方程會長得不一樣，但描述的其實是同一個系統。進階建模有一招專門對付這件事：無因次化（nondimensionalization）。

我們引入縮放後的新變數，把單位「除掉」。令：

$$ u = \frac{\delta}{\gamma}x, \qquad v=\frac{\beta}{\alpha}y, \qquad \tau = \alpha t $$

代入原方程（這裡示範第一條，請自己驗算第二條）。由 $x=\frac{\gamma}{\delta}u$、$t=\tau/\alpha$，鏈鎖律給出 $\frac{dx}{dt}=\frac{\gamma}{\delta}\cdot\alpha\frac{du}{d\tau}$，代入 $\frac{dx}{dt}=\alpha x-\beta xy$ 並同除 $\frac{\gamma\alpha}{\delta}$，整理後得：

$$ \frac{du}{d\tau} = u - u v, \qquad \frac{dv}{d\tau} = \rho\,(uv - v) $$

其中只剩一個無因次參數 $\rho=\frac{\gamma}{\alpha}$。原本四個參數，現在縮成一個！這代表系統的本質行為只由 $\rho$ 一個比值決定，其餘三個參數只是在改變時間與數量的刻度，不改變定性結構。

這個威力在工程上叫Buckingham π 定理：一個含有 $n$ 個物理量、$k$ 個基本因次的問題，真正獨立的無因次參數只有 $n-k$ 個。流體力學的雷諾數（Reynolds number）、傳熱的Nusselt 數，都是這樣榨出來的。對建模者的實際意義是：做實驗或數值掃描前先無因次化，可以把要試的參數組合從四維塌縮成一維，省下天文數字的計算量。 這是「會算」與「會聰明地算」的分野。

當預測徹底失效：決定論裡的混沌

線性化讓我們以為非線性系統都能被馴服。但 1960 年代氣象學家 Lorenz 發現了一個顛覆性事實：有些完全決定論（方程裡沒有任何隨機項）的系統，長期行為卻本質上無法預測。

關鍵概念是對初始條件的敏感依賴（sensitive dependence on initial conditions），俗稱蝴蝶效應。兩條起點相差 $\varepsilon$ 的軌跡，它們的距離會隨時間指數放大：

$$ \|\delta\mathbf{x}(t)\| \approx \|\delta\mathbf{x}(0)\|\,e^{\Lambda t} $$

其中 $\Lambda$ 是最大 Lyapunov 指數（Lyapunov exponent）。若 $\Lambda>0$，任何微小的量測誤差都會在有限時間內放大到淹沒整個預測——這就是混沌（chaos）的數學定義。

混沌對建模哲學的衝擊是深遠的。它告訴我們：「決定論」不等於「可預測」。 即使你寫對了方程、即使沒有任何隨機性，只要 $\Lambda>0$，長期精確預測在原理上就不可能，因為你永遠無法把初始條件量到無限精確。這就是為什麼天氣預報過了一兩週就形同擲骰子——不是模型不夠好，而是大氣系統的 $\Lambda>0$。建模者必須誠實地區分：哪些系統值得追求長期預測（穩定、可積），哪些只能轉而預測統計性質（混沌、湍流）。

重點回顧

• 進階建模的核心物件是狀態向量與向量場：當多個變數彼此耦合、出現非線性項（如 $xy$），疊加原理失效，通常解不出顯式公式，必須改用幾何與定性方法。
• 平衡點 + 線性化 + 特徵值是分析非線性系統的標準三部曲：求 $\mathbf{f}(\mathbf{x}^*)=0$、算雅可比矩陣 $J(\mathbf{x}^*)$、看特徵值實部判斷穩定性。
• 二維穩定性由 $\tau=\text{tr}\,J$ 與 $\Delta=\det J$ 完全分類：鞍點、結點、螺旋、中心，一張表通吃生態、傳染病、電路、經濟。
• 無因次化能榨掉多餘參數：Lotka–Volterra 的四參數可塌縮成一個比值 $\rho$，Buckingham π 定理大幅降低實驗與計算維度。
• 決定論不等於可預測：混沌系統的正 Lyapunov 指數讓長期預測在原理上失效，建模者須誠實界定模型的預測極限。

深入探討（研究所視角）

把定性理論再往上推，會通往動力系統與計算科學的若干前沿。

Hartman–Grobman 定理：線性化憑什麼合法？ 我們理直氣壯地用線性系統的特徵值去判斷非線性系統的穩定性，但這個「以線性近似非線性」的跳躍需要嚴格保證。Hartman–Grobman 定理告訴我們：當平衡點是雙曲（hyperbolic）的——即雅可比矩陣所有特徵值的實部都不為零——非線性系統在平衡點鄰域的相圖，與其線性化系統拓樸等價（topologically conjugate）。這正是線性化方法的理論基石。但請注意它的漏洞：上面 Lotka–Volterra 的中心 $\lambda=\pm i\sqrt{\alpha\gamma}$ 實部恰為零，屬於非雙曲情形，定理失效。此時線性化預測的閉合軌道未必反映真實非線性系統（可能其實是緩慢的螺旋），需要動用中心流形（center manifold）理論或尋找守恆量／Lyapunov 函數另作判定——事實上 Lotka–Volterra 確實存在守恆量，這才真正證明了軌道閉合。

分歧理論：當參數跨過臨界值，質變發生。 上面我們固定參數分析。但若參數本身緩慢變動，系統的定性結構可能在某個臨界值突然改變——平衡點的穩定性翻轉、循環軌道憑空誕生。這叫分歧（bifurcation）。最著名的 Hopf 分歧描述一個穩定螺旋如何在參數跨越時失穩、並吐出一個極限環（limit cycle）——這是心律、神經元放電、化學振盪（Belousov–Zhabotinsky 反應）的數學機制。分歧理論把「為什麼系統會突然從穩定變成週期振盪」這類質變現象，化為對雅可比矩陣特徵值如何隨參數穿越虛軸的精確刻畫。

從連續到資料：模型發現與動力系統學習。 傳統建模是人類「先寫下 $\mathbf{f}$、再求解」；當代計算科學則反過來問：能不能直接從觀測軌跡資料反推出 $\mathbf{f}$ 本身？ SINDy（Sparse Identification of Nonlinear Dynamics）用稀疏回歸從資料中挑出主導項；Neural ODE 則把 $\mathbf{f}$ 參數化為神經網路，用反向傳播學習動力學。這把入門篇提到的「逆問題」推到極致——不只反推參數 $k$，而是反推整條方程的結構。但這裡有個深刻的張力：資料驅動的模型可能擬合得極好卻不可解釋、缺乏物理守恆律保證。於是物理資訊神經網路（PINN）等方法把已知的守恆律與對稱性「燒進」損失函數，試圖兼得資料的彈性與機制的可信。這正回應了入門篇的結語：在 AI 能自動擬合一切的時代，判斷「這個模型的穩定性、守恆量、預測極限是否在物理上講得通」的批判能力，反而是建模者最不可替代的核心。 動力系統的定性理論，給的正是這種判斷力的數學語言。