常微分方程的數值方法

全域截斷誤差

局部誤差是理想條件下單一步的滑移。但真實計算會走上千步,每一步都不是從真曲線出發,而是從上一步留給你的不完美點出發。誤差被繼承下來、再被加上。全域截斷誤差是底線:在所有步驟都跑完、所有小錯誤都堆積並交互作用之後,你算出的值與最終時刻真解之間的總落差。

精確地說,在固定時刻 T 的全域截斷誤差,是真解與走完 N = (T - t0)/h 步後的數值之差 y(T) - y_N。關鍵關係是:要覆蓋固定區間你需要約 1/h 步,每一步貢獻約 h^(p+1) 的局部誤差,所以總和約為 (1/h) * h^(p+1) = h^p。這正是為何全域誤差比局部誤差小一次冪,也是為何我們依「全域」行為稱方法為「p 階」:h 減半,全域誤差就縮小 2^p 倍。

這才是你真正在乎的數字,因為它是你最終答案的誤差。它解釋了為何高階如此划算:尤拉法(一階)要多十倍步數才能多一位數字,而 RK4(四階)同樣十倍的細化大約能多四位數字。但這個故事不會永遠單調下去。當 h 縮向零時,步數爆炸,捨入誤差——有限精度算術無法避免的沙礫——開始成長,最終佔上風。存在一個最佳步長,低於它再縮小 h 反而會讓總誤差變壞而非變好。

在 [0, 1] 上以尤拉法解 y' = y:h = 0.1 時 y(1) 的誤差約 0.124;h = 0.05 時約 0.066;h = 0.025 時約 0.034。每次把 h 減半,誤差大致減半——這是一階(全域)方法明白無誤的特徵。

h^p 量級的全域誤差:一階時 h 減半、誤差減半。

更小的 h 不一定更好。低於某個依問題而定的最佳點後,步數增加帶來的累積捨入誤差會壓過縮小中的截斷誤差,總誤差又開始上升。準確度有一個實際的下限。

又称
accumulated errortotal discretization error累積誤差全局截斷誤差