改进 Euler 法

一、直观理解：先预测，再按平均斜率校正

经典 Euler 只用区间左端点的斜率，等于假设整段时间里变化率不变。改进 Euler 法（Heun 法 / 预测—校正的一种）多做半步思考：

预测：仍用 Euler 冲到终点，得到试探值 $y^*$ ；
校正：计算终点处斜率 $f(t_{n+1},y^*)$ ，与起点斜率平均，再重新走一步。

公式为

\begin{aligned} y^* &= y_n + h f(t_n,y_n),\\ y_{n+1} &= y_n + \frac{h}{2}\Big[f(t_n,y_n)+f(t_{n+1},y^*)\Big]. \end{aligned}

直观上，这像过河时先按当前流向预估对岸位置，到了对岸再测一次流向，用两次流向的平均修正航线。平均斜率比“只信起点”更接近区间上的真实平均变化率，因此精度从一阶提升到二阶。

改进 Euler 仍是显式方法：校正步里的 $y^*$ 已知，不必解方程。它是理解 Runge–Kutta 家族的重要台阶，也是手写二阶方法时的常用选择。

二、适用场景与优缺点

类型	说明
适用场景	非刚性 ODE，希望比 Euler 更准但实现仍保持简单；教学中演示预测—校正与二阶收敛；步数不多、需要自写求解器的建模题；作为 RK4/`ode45` 之前的中间基线。
核心优点	全局误差 $O(h^2)$ ，通常明显优于同 $h$ 的 Euler；每步仅两次 $f$ 计算；公式透明，便于推导与调试；对光滑问题效率/精度比良好。
局限与缺点	仍为显式，刚性不适用；精度低于经典 RK4 与自适应 `ode45`；预测—校正差未自动转化为步长控制（需自行设计）；对强振荡/守恒系统，长期结构仍可能漂移。

使用前应确认：

问题非刚性，或已用特征值/时间尺度粗判；
有参照（解析解、ode45 或更小步长）以检验二阶收敛；
接受每步两次右端计算的成本；
终点时刻与输出网格已规划好。

三、核心原理：梯形思路与二阶精度

1. 积分形式

精确地，

y(t_{n+1})=y(t_n)+\int_{t_n}^{t_{n+1}} f(t,y(t))\,dt.

Euler 用左矩形公式近似积分；改进 Euler 用梯形公式，但右端点的 $y(t_{n+1})$ 未知，故先 Euler 预测再代入——这就是 Heun 显式化。

2. 误差

对足够光滑的 $f$ ，改进 Euler 的局部截断误差为 $O(h^3)$ ，全局误差为 $O(h^2)$ 。步长减半时，全局误差大约降为原来的 $1/4$ 。

3. 与中点 Euler、RK2 的关系

中点法：先走半步取斜率，再整步前进，也是二阶；
改进 Euler（Heun）：两端斜率平均，同为二阶显式 RK；
二者均属于两级二阶 Runge–Kutta，只是 Butcher 表不同。

4. 预测—校正监控

量

\delta_n=\|y_{n+1}-y^*\|

可粗略反映该步的局部不一致程度。 $\delta_n$ 突然变大，常意味着 $h$ 过大或解进入快变区域。

四、关键决策

步长选择
以二阶收敛为目标：比较 $h$ 与 $h/2$ 的末端误差比是否接近 4。
与 Euler 同屏对比
同一 $h$ 下改进 Euler 应显著更准；若几乎一样，优先怀疑实现写错（例如校正步仍用了预测斜率公式错误）。
是否升级到 RK4/ode45
当需要 1e-6 级相对误差、事件定位、密集输出或自动变步长时，不要停留在固定步长改进 Euler。
刚性判据
若必须 $h$ 小到远小于输出间隔才能稳定，改用隐式或 ode15s。
向量化与质量
对种群等模型，检查校正后是否破坏非负性；必要时对结果做物理可行投影并在报告中说明。

五、MATLAB 示例

%% 改进 Euler（Heun）求解 y' = -y, y(0)=1
f = @(t, y) -y;
t0 = 0; tEnd = 2; y0 = 1;
h = 0.1;

t = t0:h:tEnd;
y = zeros(size(t));
y(1) = y0;
for n = 1:numel(t)-1
    k1 = f(t(n), y(n));                 % 起点斜率
    yPred = y(n) + h * k1;              % Euler 预测
    k2 = f(t(n) + h, yPred);            % 终点斜率（用预测值）
    y(n+1) = y(n) + h/2 * (k1 + k2);   % 梯形校正
end

yTrue = exp(-t);
errHeun = max(abs(y - yTrue));

% 同步长 Euler 对照
yE = zeros(size(t)); yE(1) = y0;
for n = 1:numel(t)-1
    yE(n+1) = yE(n) + h * f(t(n), yE(n));
end
errEuler = max(abs(yE - yTrue));

figure;
plot(t, yTrue, "k-", "LineWidth", 1.5); hold on; grid on;
plot(t, yE, "s--");
plot(t, y, "o-");
legend("解析解", "Euler", "改进 Euler", "Location", "best");
xlabel("t"); ylabel("y");
title(sprintf("h=%.2f：Euler 最大误差=%.3e，改进 Euler=%.3e", h, errEuler, errHeun));

%% 收敛阶检验
hs = [0.2, 0.1, 0.05, 0.025];
err = zeros(size(hs));
for i = 1:numel(hs)
    hi = hs(i);
    ti = t0:hi:tEnd;
    yi = zeros(size(ti)); yi(1) = y0;
    for n = 1:numel(ti)-1
        k1 = f(ti(n), yi(n));
        yp = yi(n) + hi*k1;
        k2 = f(ti(n)+hi, yp);
        yi(n+1) = yi(n) + hi/2*(k1+k2);
    end
    err(i) = max(abs(yi - exp(-ti)));
end
disp(table(hs(:), err(:), [NaN, err(1:end-1)./err(2:end)]', ...
    'VariableNames', {'h', 'maxErr', 'ratio'}));
% ratio 应接近 4

%% 逻辑增长方程：y' = r y (1 - y/K)
r = 1.2; K = 100;
fLog = @(t, y) r * y * (1 - y/K);
h = 0.05;
t = 0:h:10;
y = zeros(size(t)); y(1) = 5;
for n = 1:numel(t)-1
    k1 = fLog(t(n), y(n));
    yp = y(n) + h*k1;
    k2 = fLog(t(n)+h, yp);
    y(n+1) = y(n) + h/2*(k1+k2);
end

% 与 ode45 比较
[tRef, yRef] = ode45(@(t,y) fLog(t,y), [0 10], 5);

figure;
plot(t, y, "o-"); hold on; grid on;
plot(tRef, yRef, "k-", "LineWidth", 1.2);
yline(K, "--");
legend("改进 Euler", "ode45", "K", "Location", "best");
xlabel("t"); ylabel("y");
title("逻辑增长：改进 Euler 与 ode45");

通用实现：

function [t, Y] = improved_euler(f, tSpan, y0, h)
t = tSpan(1):h:tSpan(2);
if t(end) < tSpan(2) - 10*eps
    t = [t, tSpan(2)];
end
m = numel(y0);
Y = zeros(numel(t), m);
Y(1,:) = y0(:).';
for n = 1:numel(t)-1
    tn = t(n); hn = t(n+1) - t(n);
    yn = Y(n,:).';
    k1 = f(tn, yn);
    yPred = yn + hn * k1;
    k2 = f(tn + hn, yPred);
    Y(n+1,:) = (yn + hn/2 * (k1 + k2)).';
end
end

六、如何解释结果

解释改进 Euler 的结果时，重点不是“比 Euler 高级”，而是给出可核验的精度证据：

写出预测式与校正式，避免审稿者误以为仍是一阶 Euler；
报告 $h$ 、函数计算次数（约 $2N$ ）与最大误差；
展示误差比接近 4 的表格，支撑二阶收敛；
与 ode45 在关键指标上的偏差；
若预测—校正差 $\delta_n$ 在某时段升高，说明该处解变化快，应局部减小 $h$ ；
说明方法适用边界：非刚性、中等精度。

对实际模型，把数值轨迹翻译为机制语言：例如逻辑增长是否单调趋于 $K$ 、是否出现数值振荡越过 $K$ 等。

七、常见误区

1. 校正步写成“再用一次 Euler”

常见错误是 $y_{n+1}=y^*+h f(t_{n+1},y^*)$ ，这并不是 Heun，精度与稳定性都会变差。

2. 以为二阶方法不再需要步长检验

阶数提高只改变收敛速度，不自动保证当前 $h$ 已足够。

3. 用改进 Euler 硬解刚性化学动力学

显式二阶稳定域仍然有限，刚性下应换方法。

4. 只比较终点误差

有的问题终点碰巧接近，中间峰值已偏。应报告区间上的最大范数误差或关键特征量误差。

5. 把 Heun 与改进欧拉的中点版本混称却公式不一致

名称在教材中略有出入。论文中应直接给出公式，避免名词歧义。

八、小结

改进 Euler 法的核心思想可以概括为：

先用 Euler 预测终点，再取起点与预测终点斜率的平均作为本步有效斜率，从而把积分精度提升到二阶。

它在“实现成本”和“精度”之间取得了很好的折中，是手写 ODE 求解器的重要一环。建模时可用它快速获得可信的中等精度轨迹，但在最终定量结论上，仍建议用步长收敛和 ode45 等自适应方法复核。

一、直观理解：先预测，再按平均斜率校正​

二、适用场景与优缺点​

三、核心原理：梯形思路与二阶精度​

1. 积分形式​

2. 误差​

3. 与中点 Euler、RK2 的关系​

4. 预测—校正监控​

四、关键决策​

五、MATLAB 示例​

六、如何解释结果​

七、常见误区​

1. 校正步写成“再用一次 Euler”​

2. 以为二阶方法不再需要步长检验​

3. 用改进 Euler 硬解刚性化学动力学​

4. 只比较终点误差​

5. 把 Heun 与改进欧拉的中点版本混称却公式不一致​

八、小结​