关于求解线性ODE方程组时采用指数形式解假设的原因问询

嘿，这个问题问得特别到位！咱们一步步拆解为啥要做$\begin{pmatrix}\epsilon\\delta\end{pmatrix} = e^{\lambda t}\textbf{v}$这个假设：

• 匹配线性齐次方程组的核心特性
  你给出的是一阶线性齐次常系数ODE方程组，这类方程的关键性质是：解的线性组合依然是解。而指数函数$e^{\lambda t}$的绝妙之处在于，它的导数和自身成正比（$\frac{d}{dt}e^{\lambda t} = \lambda e^{\lambda t}$），刚好完美适配方程组的结构：
  把假设代入方程左边，得到$\lambda e^{\lambda t}\textbf{v}$；代入右边则是$e^{\lambda t}A\textbf{v}$（这里$A$就是你给出的系数矩阵）。两边约掉永远不为0的$e^{\lambda t}$，就把微分方程问题转化成了线性代数里的特征值问题$A\textbf{v}=\lambda\textbf{v}$——这可是我们有成熟解法的经典问题！

• 从单个ODE的解自然推广而来
  这个假设不是凭空拍脑袋想出来的，是从单个线性ODE的解延伸过来的。比如你肯定见过单个方程$\dot{x}=kx$，它的解就是$x=Ce^{kt}$。既然方程组是单个方程的多维扩展，那自然会猜测解是“指数函数乘向量”的形式，这是非常直观的推广思路。

• 能覆盖所有可能的解（完备性）
  对于常系数线性齐次方程组，只要系数矩阵$A$有n个线性无关的特征向量（这里n=2），那么所有解都可以表示成这些指数形式解的线性组合——也就是说这个假设不会漏掉任何可能的解。就算遇到重特征值的情况，我们也可以通过广义特征向量构造出对应的解，本质上还是围绕指数形式展开的。

备注：内容来源于stack exchange，提问作者Ambica Govind