從一摞方程到一個向量方程
至此，本級裡每一個方程都只有一個未知函數。可世界很少一次只遞給你一個。兩個互相交換鹽水的水箱、兩個用彈簧相連的質量塊、捕食者與獵物、一個雙迴路電路裡的電流——其中每一個裡，都有幾個量一同變化，而每一個的變化率都依賴於其餘所有的量。這種耦合正是要害所在：不連同其餘一起解，你就解不出任何一個。一個線性常微分方程組把這件事誠實地打包起來。把未知量寫成一個向量 x(t) = [x_1(t); x_2(t); ...; x_n(t)]，運動法則便成為 dx/dt = A x，其中 A 是一個 n 乘 n 的常係數矩陣。我們只談常數 A，這一情形既可解又無處不在。
有兩個事實，讓這不止是整潔的記號。其一，單個高階方程其實是喬裝的方程組。取阻尼振子 u'' + b u' + k u = 0。把速度命名為 v = u'，於是 u' = v 且 v' = -k u - b v；寫成向量形式，令 x = [u; v]，你便得到 dx/dt = A x，其中 A = [0, 1; -k, -b]。每一個 n 階線性方程都這樣地、通過把導數引作新變量，攤平成一個規模為 n 的一階方程組。方程組並不是一個另立門戶、更難啃的題目——它正是整套線性常微分方程理論最終所用的天然語言。
其二，本級第一篇裡的整套結構性理論原封不動地存活了下來，只是換上了向量的裝束。方程組 dx/dt = A x 是齊次且線性的，所以疊加原理依舊成立：把兩個解向量相加、縮放，你仍待在解集之內。一個 n 維方程組的解構成一個 n 維向量空間，我們需要 n 個獨立的解向量去張成它。把 x(t) 不要想成一組數字，而想成一個移動的點——在 n 維狀態空間裡描出的一個粒子，而 A x 正是那個速度的向量場，在每個位置上告訴這個點該往哪兒去。解這個方程組，就是找出那個點如何流動。
特徵值法：猜一個沿直線的解
我們怎麼撬開 dx/dt = A x？把當初解開單個方程的那個念頭偷過來。對一個標量方程 x' = a x，答案是 x = e^{at}：一個指數函數，因為對它求導只不過是乘以 a。試試向量的類比物——猜想這個方程組有一個永遠保持同一方向、只隨時間放大或縮小的解：x(t) = e^{lambda t} v，其中 v 是一個固定的非零向量，lambda 是一個數。求導：dx/dt = lambda e^{lambda t} v。代入方程：lambda e^{lambda t} v = A (e^{lambda t} v) = e^{lambda t} A v。約去那個永不為零的標量 e^{lambda t}，微積分便徹底消失，只剩一個純代數問題：A v = lambda v。
那個方程 A v = lambda v，正是線性代數裡的特徵值問題。一個其方向被 A 保持不變的向量 v——A 只把它按因子 lambda 伸縮——叫做特徵向量，而 lambda 是它的特徵值。這就是特徵值法：A 的每一對特徵對 (lambda, v) 都遞給你一個沿直線的解 e^{lambda t} v，一條永遠沿著過 v 的那條直線行進的軌跡，lambda > 0 時膨脹，lambda < 0 時朝原點坍縮。特徵向量正是那些特殊的方向，沿著它們，相互纏繞的耦合方程便解開，化為簡單、獨立的指數增長——它們是方程組的天然坐標軸。
要找特徵值，把 A v = lambda v 改寫成 (A - lambda I) v = 0，其中 I 是單位矩陣。一個非零向量 v 能滿足它，唯有當矩陣 A - lambda I 把它碾成零——而這恰好發生在該矩陣奇異之時，即 det(A - lambda I) = 0。這個行列式是關於 lambda 的一個多項式，即特徵多項式，其根就是特徵值。請留意這美妙的回響：對單個阻尼振子，你曾解一個關於指數 r 的特徵方程；在這裡，正是同一類多項式，如今由一個行列式生出，遞給你那些指數 lambda。那個單一方程，向來不過是這件事的 1 乘 1（或友矩陣）的影子。
Solve dx/dt = A x with A = [ 1, 1 ; 4, 1 ]
Characteristic polynomial:
det(A - lambda I) = | 1-lambda 1 |
| 4 1-lambda |
= (1-lambda)^2 - 4 = lambda^2 - 2 lambda - 3 = (lambda-3)(lambda+1)
=> lambda = 3, lambda = -1
Eigenvectors:
lambda = 3 : (A-3I)v=0 -> -2 v1 + v2 = 0 -> v = [1; 2]
lambda = -1: (A+I)v=0 -> 2 v1 + v2 = 0 -> v = [1; -2]
General solution (superpose the two straight-line solutions):
x(t) = c1 e^{3t} [1; 2] + c2 e^{-1 t} [1; -2]基本矩陣：把解捆成一束
對一個 n 維方程組，你湊齊 n 個獨立的解向量 x_1(t), ..., x_n(t)，通解便是它們的疊加 x(t) = c_1 x_1(t) + ... + c_n x_n(t)。把這些捆成一個對象是值得的。把這 n 個解向量豎起來，作為一個矩陣的各列：Phi(t) = [x_1(t) | x_2(t) | ... | x_n(t)]。這就是基本矩陣，它是你在第一篇裡遇到的基礎解系在方程組層面的版本。有了它，通解便塌縮成單單一個矩陣乘向量的積，x(t) = Phi(t) c，其中 c 是那一列任意常數。
因為每一列都滿足方程組，整個矩陣也滿足方程組：dPhi/dt = A Phi，如今是一個矩陣微分方程。檢驗各列是否真正獨立的判據，理所當然地，又是一個行列式——det Phi(t)，它在這裡所扮演的角色，恰恰就是朗斯基行列式對單個方程所扮演的。若 det Phi 在某一時刻不為零，它便在每一時刻都不為零，各列構成一組基。這正是你先前見過的那種阿貝爾式的「全有或全無」行為，被抬升到了向量上。一個非奇異的基本矩陣，就是你那張證書，證明這 n 條軌跡確實張成了整個解空間。
矩陣指數 e^{At}
現在，來談那個為整門學問加冕的念頭。標量方程 x' = a x 有乾淨的閉式 x(t) = e^{at} x_0。方程組 dx/dt = A x 會不會也有一個同樣乾淨的閉式 x(t) = e^{At} x_0，讓矩陣 A 坐在數 a 曾坐的位置上？唯一的障礙是含義：一個矩陣的指數究竟能是什麼？我們並不是真的把 e 升到矩陣次冪。我們改而借用指數那個從不提及根、也從不重複地把 e 相乘的定義——它的泰勒級數 e^z = 1 + z + z^2/2! + z^3/3! + ...——把一個矩陣餵進去。把矩陣指數定義為 e^{At} = I + At + (At)^2/2! + (At)^3/3! + ...，是完全說得通的：每一項都是矩陣，你把矩陣相加，而這個級數可證明對任何方陣 A 都收斂。
而它確實滿足你所企盼的一切。把這個級數對 t 逐項求導——在其收斂半徑內這是合法的，與尋常冪級數一模一樣——你便得到 d/dt[e^{At}] = A + A^2 t + A^3 t^2/2! + ... = A e^{At}。於是 x(t) = e^{At} x_0 滿足 dx/dt = A x，且在 t = 0 時等於 e^{0} x_0 = I x_0 = x_0。因此矩陣指數一舉給出了任意起點 x_0 的初值問題的精確解。它也正是那個被歸一化、使其在 t = 0 等於單位陣的特殊基本矩陣：e^{At} = Phi(t) Phi(0)^{-1}。僅僅一個對象，便把每一個初始條件向時間前方推送。
相平面：一眼讀出流的樣子
對一個 2x2 方程組，最美的回報是幾何上的。把時間軸撇開，直接在 (x_1, x_2) 平面裡畫出軌跡——這就是相平面——每一條曲線都是一個解所掃出的路徑，配上小箭頭標明流動的方向。因為 A x 不隨時間變（該方程組是自治的），這幅圖是一個固定的向量場，而原點——A x = 0 之處——是那唯一的平衡點。令人驚嘆的事實是：一個 2x2 矩陣的兩個特徵值，完全決定了這整幅畫像的形狀。它們的符號與它們是否為實數，把每一種線性流分門別類，歸入一張簡短的、有名有姓的圖樣清單——即相平面分類。
憑感覺把這些情形走一遍。兩個同號的實特徵值給出一個結點：若兩者皆負，每條軌跡都向內流，原點是一個穩定的匯，所有路徑都排向中心；若兩者皆正，則是一個源，一切向外飛散。兩個異號的實特徵值給出一個鞍點——正是我們上面算過的那個 2x2 的情形，lambda = 3 與 lambda = -1：軌跡沿著負特徵值的特徵向量奔湧而入，轉向，再沿著正的那個射出，描出一條條經過一個不穩定交匯處的、形如雙曲線的路徑。複特徵值 lambda = alpha +/- i beta 則帶來旋轉，因為 cos 與 sin 藏在 e^{(alpha + i beta)t} 之內：實部 alpha 定半徑，虛部 beta 定旋轉。若 alpha 不為零，你得到一個螺線——軌跡繞著原點盤旋，同時收縮（alpha < 0，穩定螺線）或擴張（alpha > 0，不穩定螺線），這是一個阻尼或受驅振盪盤旋著衰落或上揚的通用畫像。若 alpha 恰為零，純虛特徵值，你得到一個中心：閉合的橢圓軌道永遠繞著原點轉，既不增長也不衰減——無阻尼振盪，能量完美守恆，正是無摩擦單擺或理想 LC 電路在相平面裡的面孔。自始至終，特徵值實部的符號，正是關於穩定性的判決：負實部把你拉回家，正實部把你推開。
- 由 det(A - lambda I) = 0 算出兩個特徵值——等價地，由 A = [a, b; c, d] 的跡 tau = a + d 與行列式 Delta = ad - bc 算出，因為 lambda 滿足 lambda^2 - tau lambda + Delta = 0。
- 實數且同號 -> 結點（皆負為匯，皆正為源）。實數且異號 -> 鞍點（恆不穩定）。
- 複數且實部非零 -> 螺線（實部 < 0 穩定，> 0 不穩定）。純虛 -> 中心（閉合軌道，臨界穩定）。
- 從實部讀出穩定性：兩個實部都為負，意味著每條軌跡都回到原點；只要有一個實部為正，它終將逃逸。
把誠實的邊界放在眼前。這份清晰的圖集，只對常係數線性方程組才是精確的；一個真實的非線性系統，有它自己的、也許狂野的幾何。回去的橋，是你日後會遇到的線性化：在一個非線性場的平衡點附近，你用它的偏導數矩陣——即雅可比矩陣，一個徑直來自多元微積分的念頭——去近似它，而那個局部矩陣的特徵值，通常能預言鄰近的畫像。是通常，而非總是：那些臨界情形（一個中心、一個重特徵值、一個零特徵值）是微妙的，在那裡，你丟棄的那些非線性項可以決定真正的行為。但在這些誠實的限度之內，你如今握有一項非凡的本領——從一個矩陣上讀出兩個特徵值，你便能勾出整個系統的命運，而無須解出哪怕一條軌跡。