固定与自适应步长Runge Kutta 4收敛率分析方法咨询

针对自适应步长算法无固定步长的问题，可采用以下几种替代分析方法，直接对比两种算法的收敛性能与效率：

1. 基于计算量的误差对比（最推荐） #

这是对比自适应与固定步长算法的核心方法，直接反映相同计算成本下的误差表现：

• 固定步长RK4：测试一系列不同的固定步长h，对每个h计算两个指标：
  • 终时刻数值解与解析解的误差（或全局误差范数）
  • 总计算量：用总函数调用次数（RK4每步需4次ODE右端函数调用，总调用数=积分时长T/h *4），或总浮点运算数（FLOPs）更精准
• 自适应步长RK4：设置一系列不同的误差容限tol（比如1e-8到1e-2），对每个tol记录：
  • 终态误差（或全局误差范数）
  • 实际运行产生的总函数调用次数（自适应算法通常用嵌入型方法，比如RK4(5)，每步需6次调用，总调用数随tol减小而增加）
• 绘图：用双对数坐标，横轴为总计算量，纵轴为误差。这种图能直接展示：相同误差下自适应方法所需计算量远小于固定步长，或相同计算量下自适应方法的误差更低，完美体现自适应步长的效率优势。

2. 等效平均步长映射（快速定性分析） #

把自适应步长的表现映射到“等效固定步长”上，便于和固定步长算法直接对标：

• 对自适应步长算法的每次运行，计算平均步长h_avg = 总积分时长T / 总步数N
• 将自适应方法的终态误差对应到h_avg，和固定步长RK4在h=h_avg时的误差，一起画在双对数坐标图（横轴步长，纵轴误差）上
• 注意：这是近似对比，因为自适应步长的误差并非完全由平均步长决定（它在误差大的区域自动缩小步长），但能快速直观地看出“相近步长量级”下两种方法的误差差异。

3. 全局误差范数对比（更全面的收敛评估） #

不局限于终态误差，评估整个积分区间的误差分布：

• 计算误差的L2范数（平方误差的积分开根号）或L∞范数（区间内最大误差）：

  L2误差 = sqrt( ∫(t=0到T) |y_num(t) - y_ana(t)|² dt )
  L∞误差 = max( |y_num(t) - y_ana(t)|  for t∈[0,T] )
  

• 对固定步长，每个h对应一个范数；对自适应步长，每个tol对应一个范数
• 绘图可选择：
  • 误差范数 vs 总计算量（双对数）：聚焦效率
  • 误差范数 vs 平均步长（双对数）：聚焦步长与误差的关系
• 这种方法比终态误差更全面，能体现自适应步长在误差敏感区域的优化效果。

4. 收敛阶的斜率验证 #

通过log-log图的斜率验证两种算法的收敛阶是否符合理论预期：

• 固定步长RK4：理论收敛阶为4，在误差vs步长的双对数图中，斜率应为4（误差∝h⁴）
• 自适应步长RK4：若采用局部误差控制（比如将每步局部误差限制在tol*h），全局误差通常与tol成正比，在误差vs容限tol的双对数图中，斜率应为1；若局部误差限制为tol，则全局误差∝tol^(4/5)，斜率约为0.8
• 对比两种算法的斜率，可验证实现的正确性，同时量化收敛效率的差异。

绘图注意事项 #

• 所有对比图优先用双对数坐标，收敛阶的斜率会更直观，便于观察趋势
• 测试范围要覆盖足够宽的量级（比如步长从1e-4到1e-1，容限从1e-8到1e-2），确保曲线的趋势清晰
• 用不同样式区分两种算法（比如固定步长用实线，自适应用虚线），添加清晰的图例和轴标签

内容的提问来源于stack exchange，提问作者Lorenz