从一摞方程到一个向量方程
至此，本级里每一个方程都只有一个未知函数。可世界很少一次只递给你一个。两个互相交换盐水的水箱、两个用弹簧相连的质量块、捕食者与猎物、一个双回路电路里的电流——其中每一个里，都有几个量一同变化，而每一个的变化率都依赖于其余所有的量。这种耦合正是要害所在：不连同其余一起解，你就解不出任何一个。一个线性常微分方程组把这件事诚实地打包起来。把未知量写成一个向量 x(t) = [x_1(t); x_2(t); ...; x_n(t)]，运动法则便成为 dx/dt = A x，其中 A 是一个 n 乘 n 的常系数矩阵。我们只谈常数 A，这一情形既可解又无处不在。
有两个事实，让这不止是整洁的记号。其一，单个高阶方程其实是乔装的方程组。取阻尼振子 u'' + b u' + k u = 0。把速度命名为 v = u'，于是 u' = v 且 v' = -k u - b v；写成向量形式，令 x = [u; v]，你便得到 dx/dt = A x，其中 A = [0, 1; -k, -b]。每一个 n 阶线性方程都这样地、通过把导数引作新变量，摊平成一个规模为 n 的一阶方程组。方程组并不是一个另立门户、更难啃的题目——它正是整套线性常微分方程理论最终所用的天然语言。
其二，本级第一篇里的整套结构性理论原封不动地存活了下来，只是换上了向量的装束。方程组 dx/dt = A x 是齐次且线性的，所以叠加原理依旧成立：把两个解向量相加、缩放，你仍待在解集之内。一个 n 维方程组的解构成一个 n 维向量空间，我们需要 n 个独立的解向量去张成它。把 x(t) 不要想成一组数字，而想成一个移动的点——在 n 维状态空间里描出的一个粒子，而 A x 正是那个速度的向量场，在每个位置上告诉这个点该往哪儿去。解这个方程组，就是找出那个点如何流动。
特征值法：猜一个沿直线的解
我们怎么撬开 dx/dt = A x？把当初解开单个方程的那个念头偷过来。对一个标量方程 x' = a x，答案是 x = e^{at}：一个指数函数，因为对它求导只不过是乘以 a。试试向量的类比物——猜想这个方程组有一个永远保持同一方向、只随时间放大或缩小的解：x(t) = e^{lambda t} v，其中 v 是一个固定的非零向量，lambda 是一个数。求导：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。约去那个永不为零的标量 e^{lambda t}，微积分便彻底消失，只剩一个纯代数问题：A v = lambda v。
那个方程 A v = lambda v，正是线性代数里的特征值问题。一个其方向被 A 保持不变的向量 v——A 只把它按因子 lambda 伸缩——叫做特征向量，而 lambda 是它的特征值。这就是特征值法：A 的每一对特征对 (lambda, v) 都递给你一个沿直线的解 e^{lambda t} v，一条永远沿着过 v 的那条直线行进的轨迹，lambda > 0 时膨胀，lambda < 0 时朝原点坍缩。特征向量正是那些特殊的方向，沿着它们，相互纠缠的耦合方程便解开，化为简单、独立的指数增长——它们是方程组的天然坐标轴。
要找特征值，把 A v = lambda v 改写成 (A - lambda I) v = 0，其中 I 是单位矩阵。一个非零向量 v 能满足它，唯有当矩阵 A - lambda I 把它碾成零——而这恰好发生在该矩阵奇异之时，即 det(A - lambda I) = 0。这个行列式是关于 lambda 的一个多项式，即特征多项式，其根就是特征值。请留意这美妙的回响：对单个阻尼振子，你曾解一个关于指数 r 的特征方程；在这里，正是同一类多项式，如今由一个行列式生出，递给你那些指数 lambda。那个单一方程，向来不过是这件事的 1 乘 1（或友矩阵）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]基本矩阵：把解捆成一束
对一个 n 维方程组，你凑齐 n 个独立的解向量 x_1(t), ..., x_n(t)，通解便是它们的叠加 x(t) = c_1 x_1(t) + ... + c_n x_n(t)。把这些捆成一个对象是值得的。把这 n 个解向量竖起来，作为一个矩阵的各列：Phi(t) = [x_1(t) | x_2(t) | ... | x_n(t)]。这就是基本矩阵，它是你在第一篇里遇到的基础解系在方程组层面的版本。有了它，通解便塌缩成单单一个矩阵乘向量的积，x(t) = Phi(t) c，其中 c 是那一列任意常数。
因为每一列都满足方程组，整个矩阵也满足方程组：dPhi/dt = A Phi，如今是一个矩阵微分方程。检验各列是否真正独立的判据，理所当然地，又是一个行列式——det Phi(t)，它在这里所扮演的角色，恰恰就是朗斯基行列式对单个方程所扮演的。若 det Phi 在某一时刻不为零，它便在每一时刻都不为零，各列构成一组基。这正是你先前见过的那种阿贝尔式的「全有或全无」行为，被抬升到了向量上。一个非奇异的基本矩阵，就是你那张证书，证明这 n 条轨迹确实张成了整个解空间。
矩阵指数 e^{At}
现在，来谈那个为整门学问加冕的念头。标量方程 x' = a x 有干净的闭式 x(t) = e^{at} x_0。方程组 dx/dt = A x 会不会也有一个同样干净的闭式 x(t) = e^{At} x_0，让矩阵 A 坐在数 a 曾坐的位置上？唯一的障碍是含义：一个矩阵的指数究竟能是什么？我们并不是真的把 e 升到矩阵次幂。我们改而借用指数那个从不提及根、也从不重复地把 e 相乘的定义——它的泰勒级数 e^z = 1 + z + z^2/2! + z^3/3! + ...——把一个矩阵喂进去。把矩阵指数定义为 e^{At} = I + At + (At)^2/2! + (At)^3/3! + ...，是完全说得通的：每一项都是矩阵，你把矩阵相加，而这个级数可证明对任何方阵 A 都收敛。
而它确实满足你所企盼的一切。把这个级数对 t 逐项求导——在其收敛半径内这是合法的，与寻常幂级数一模一样——你便得到 d/dt[e^{At}] = A + A^2 t + A^3 t^2/2! + ... = A e^{At}。于是 x(t) = e^{At} x_0 满足 dx/dt = A x，且在 t = 0 时等于 e^{0} x_0 = I x_0 = x_0。因此矩阵指数一举给出了任意起点 x_0 的初值问题的精确解。它也正是那个被归一化、使其在 t = 0 等于单位阵的特殊基本矩阵：e^{At} = Phi(t) Phi(0)^{-1}。仅仅一个对象，便把每一个初始条件向时间前方推送。
相平面：一眼读出流的样子
对一个 2x2 方程组，最美的回报是几何上的。把时间轴撇开，直接在 (x_1, x_2) 平面里画出轨迹——这就是相平面——每一条曲线都是一个解所扫出的路径，配上小箭头标明流动的方向。因为 A x 不随时间变（该方程组是自治的），这幅图是一个固定的向量场，而原点——A x = 0 之处——是那唯一的平衡点。令人惊叹的事实是：一个 2x2 矩阵的两个特征值，完全决定了这整幅画像的形状。它们的符号与它们是否为实数，把每一种线性流分门别类，归入一张简短的、有名有姓的图样清单——即相平面分类。
凭感觉把这些情形走一遍。两个同号的实特征值给出一个结点：若两者皆负，每条轨迹都向内流，原点是一个稳定的汇，所有路径都排向中心；若两者皆正，则是一个源，一切向外飞散。两个异号的实特征值给出一个鞍点——正是我们上面算过的那个 2x2 的情形，lambda = 3 与 lambda = -1：轨迹沿着负特征值的特征向量奔涌而入，转向，再沿着正的那个射出，描出一条条经过一个不稳定交汇处的、形如双曲线的路径。复特征值 lambda = alpha +/- i beta 则带来旋转，因为 cos 与 sin 藏在 e^{(alpha + i beta)t} 之内：实部 alpha 定半径，虚部 beta 定旋转。若 alpha 不为零，你得到一个螺线——轨迹绕着原点盘旋，同时收缩（alpha < 0，稳定螺线）或扩张（alpha > 0，不稳定螺线），这是一个阻尼或受驱振荡盘旋着衰落或上扬的通用画像。若 alpha 恰为零，纯虚特征值，你得到一个中心：闭合的椭圆轨道永远绕着原点转，既不增长也不衰减——无阻尼振荡，能量完美守恒，正是无摩擦单摆或理想 LC 电路在相平面里的面孔。自始至终，特征值实部的符号，正是关于稳定性的判决：负实部把你拉回家，正实部把你推开。
- 由 det(A - lambda I) = 0 算出两个特征值——等价地，由 A = [a, b; c, d] 的迹 tau = a + d 与行列式 Delta = ad - bc 算出，因为 lambda 满足 lambda^2 - tau lambda + Delta = 0。
- 实数且同号 -> 结点（皆负为汇，皆正为源）。实数且异号 -> 鞍点（恒不稳定）。
- 复数且实部非零 -> 螺线（实部 < 0 稳定，> 0 不稳定）。纯虚 -> 中心（闭合轨道，临界稳定）。
- 从实部读出稳定性：两个实部都为负，意味着每条轨迹都回到原点；只要有一个实部为正，它终将逃逸。
把诚实的边界放在眼前。这份清晰的图集，只对常系数线性方程组才是精确的；一个真实的非线性系统，有它自己的、也许狂野的几何。回去的桥，是你日后会遇到的线性化：在一个非线性场的平衡点附近，你用它的偏导数矩阵——即雅可比矩阵，一个径直来自多元微积分的念头——去近似它，而那个局部矩阵的特征值，通常能预言邻近的画像。是通常，而非总是：那些临界情形（一个中心、一个重特征值、一个零特征值）是微妙的，在那里，你丢弃的那些非线性项可以决定真正的行为。但在这些诚实的限度之内，你如今握有一项非凡的本领——从一个矩阵上读出两个特征值，你便能勾出整个系统的命运，而无须解出哪怕一条轨迹。