唯一那個好主意：解隔壁那個問題
幾乎沒有一個真正要緊的方程能被精確求解。二次方程 x^2 + x - 1 = 0 有整潔的公式；而方程 x^2 + x - 1 = epsilon x^5 沒有，而且永遠不會有。但仔細看：當 epsilon 是個小數時，第二個方程與第一個幾乎沒有差別。於是一口氣說出正則微擾理論的全部哲學——參見正則微擾——當你解不了手上這個問題時，找一個鄰近的、你能解的問題，用一個小參數度量兩者之間的差距，再用一系列隨著你納入更多差距而愈發精細的修正項，去修補那個容易的答案。
這個小參數幾乎總寫作 epsilon（有時是 lambda，或像 v/c 這樣的物理比值）。令 epsilon = 0 就交給你那個未擾動問題——乾淨的、可解的那個。把 epsilon 稍微調大一點，便接通了你真正關心的那個小效應：微弱的非線性、輕微的阻尼、弱耦合、極小的質量。我們打的賭是：真實答案對 epsilon 光滑依賴，於是在 epsilon = 0 附近，它可以由它在那裡的取值和變化率來刻畫——這正是你在 Volume I 裡見過的線性近似的精神，只不過現在我們要遠遠超越第一個修正項。
機器：展開、代入、配冪次
下面這一招讓整部機器轉起來。你假定答案本身就是關於 epsilon 的一個冪級數：x = x_0 + epsilon x_1 + epsilon^2 x_2 + epsilon^3 x_3 + ...——這是一個級數，但展開的不是空間或時間變量，而是那個小參數。每個 x_n 都是一個待求的固定的數（對微分方程而言，則是一個固定的函數）。首項 x_0 是未擾動答案；x_1 是第一個修正，x_2 是對修正的修正，依此類推。神奇之處在於，你可以一個一個地把它們找出來，而過程中要解的，永遠不會比那個容易的問題更難。
它之所以管用，靠的是一條單一而堅實的原理：若兩個關於 epsilon 的冪級數對所有小 epsilon 都相等，那麼它們的係數必須逐冪相等。常數項相等，epsilon 的係數相等，epsilon^2 的係數相等，依此類推——每一條都給你一個獨立的方程。於是你把假定的級數代入那個困難問題，把一切展開，按 epsilon 的同次冪歸併，再令每個係數為零。一個雜亂的問題就裂成了一座井然有序的容易問題之塔，由 epsilon 的冪次編號。這個「裂開」就是全部訣竅。
- 找出旋鈕。把問題寫成讓困難的部分帶一個顯式的小因子 epsilon 的形式，並檢查 epsilon = 0 是否留下一個你確實能解的問題。若不能，就停下——你碰到的是奇異問題，而非正則問題。
- 假設級數。把未知量寫成 x = x_0 + epsilon x_1 + epsilon^2 x_2 + ...，並代入未知量出現的每一處。
- 歸併冪次。展開所有乘積與冪，把每一項按其 epsilon 的冪次歸類，再分別令每個冪次的係數為零。配係數原理正是在這裡發揮作用。
- 沿梯子向上解。解 epsilon^0 方程得 x_0；把它餵入 epsilon^1 方程解出 x_1；再把兩者一併餵入 epsilon^2 方程求 x_2。每一級都是一個嶄新的容易問題，其唯一的新原料，就是你已經求得的那些答案。
一幅推演圖：一個略微彎曲的二次方程
我們用圖來追蹤 x^2 - 1 = epsilon x 的一個根。當 epsilon = 0，方程不過是 x^2 = 1，於是未擾動根是 x_0 = 1——隔壁那個問題，一眼解出。現在寫 x = 1 + epsilon x_1 + epsilon^2 x_2 + ... 並代入。把級數平方，x^2 = 1 + 2 epsilon x_1 + epsilon^2 (x_1^2 + 2 x_2) + ...，而右邊 epsilon x = epsilon + epsilon^2 x_1 + ...。現在要求逐冪相等。
Solve x^2 - 1 = epsilon x near the root x = 1. Let x = 1 + e*x1 + e^2*x2 + ... (e means epsilon) x^2 = 1 + 2e*x1 + e^2*(x1^2 + 2*x2) + ... e*x = e + e^2*x1 + ... Match powers of e in (x^2 - 1) - e*x = 0 : order e^0 : 1 - 1 = 0 -> automatically true (this fixed x0 = 1) order e^1 : 2*x1 - 1 = 0 -> x1 = 1/2 order e^2 : (x1^2 + 2*x2) - x1 = 0 -> x2 = (x1 - x1^2)/2 = 1/8 So x = 1 + (1/2) e + (1/8) e^2 + ... Check against the exact root x = (e + sqrt(e^2 + 4)) / 2 : its Taylor series in e is 1 + e/2 + e^2/8 - ... -- the terms agree.
注意這個小例子揭示的三件事。第一，除首階外，每個方程對新未知量都是線性的，儘管原方程是非線性的——把 x_0 = 1 與一個小修正相乘平方，永遠只產出一份新項。微擾理論慣常地把非線性線性化，這正是它易於處理的原因。第二，本例有精確答案可供對照，而級數逐項重現了它的泰勒展開——這讓人確信記賬無誤。第三，你想在哪兒停就在哪兒停：在 epsilon = 0.1 時，僅兩項就已給出精確到百分之幾的根，而你根本沒付出求根公式的代價。
把它提升到微分方程
同一台引擎也跑在微分方程上，此時未知量 x_0、x_1、x_2 成了未知函數而非數。取一根弱非線性彈簧，d^2x/dt^2 + x + epsilon x^3 = 0，從振幅 1 處靜止釋放。當 epsilon = 0，它就是那個你爛熟於心的普通簡諧振子，答案為 x_0(t) = cos t。代入 x = x_0 + epsilon x_1 + ... 並歸併 epsilon 的冪次。一階方程化為 d^2x_1/dt^2 + x_1 = -x_0^3 = -cos^3(t)，其中 x_1 從零靜止出發。
看看剛剛發生了什麼，因為這正是該方法對微分方程如此強大的核心：每個修正 x_n 在左邊解的是同一個微分算子——這裡是 d^2/dt^2 + 1，那個簡單的振子——而右邊只由你已經掌握的低階解搭成。你只需把未擾動方程解一次，此後便永遠複用它的機器，每次配上一個已知的強迫項。那個困難的非線性耦合，被降格為一串標準的受迫振子問題，正是 Volume I 與更早的台階教會你去解的那一類。
何時管用，何時失敗，以及如何判斷
正則微擾在三個條件成立時奏效。未擾動問題確實可解；那個小參數在你關心的區域裡確實小；並且答案對 epsilon 光滑依賴，在 epsilon = 0 處沒有性質上的突變。當這些條件成立時，級數能廉價地給出準確答案，而保留到 epsilon^n 項之後的誤差是 epsilon^{n+1} 量級——把 epsilon 縮小十倍，則隨著你保留一、二、三個修正項，首階誤差就分別下降十倍、一百倍、一千倍。
現在是誠實的部分——該方法背叛你的三種方式，每一種都通向本台階其餘的內容。第一種是你剛見過的長期項：彈簧例子的樸素級數預言振幅永遠增長，而真實的彈簧卻以穩定的振幅、在略微偏移的頻率上振盪。該級數對頭幾個週期沒問題，對長時間則荒謬；其療法是讓頻率本身依賴於 epsilon，即第 5 篇的龐加萊-林德斯泰特方法。第二種是奇異情形：若 epsilon 乘在最高階導數上，令 epsilon = 0 會降低方程的階，於是你無法滿足所有邊界條件——一層薄薄的邊界層便在你的正則級數乾脆出錯的地方形成。
第三個意外最為深刻，它應當永遠改變你看待級數的方式：微擾級數可能對每個非零 epsilon 都發散，卻依然壯麗無比。這是漸近級數的領地——貫穿整個台階的主題。一個發散的漸近級數並不隨你加項而收斂，然而在恰當處截斷，它的部分和竟能以驚人的精度匹配真實答案。各項先變小，達到一個最小項，然後再次變大；你在最小項處停下，誤差大致就是那個最小項的大小。「發散」聽來像失敗，但在這裡它只是另一種、更誠實的承諾——正如你在本台階早先的漸近展開裡所見。
那麼，在投入數小時之前，你如何判斷自己的問題是否正則？按主導平衡的精神做一次快速合理性掃描：令 epsilon = 0，問問剩下的問題與完整問題是否屬於同一類型，是否有相同數目的解、相同的邊界條件。若是，便滿懷信心地展開。若階數下降、某個邊界消失，或一個有界解想要爆掉，那你就身處奇異領地，而一個樸素的關於 epsilon 的冪級數會悄悄地騙你。全部的本領，就在於動手搖曲柄之前，先弄清自己身處哪個世界。