為什麼「一個固定步長」是個錯的問題
到現在你已能漂亮地積分一個初值問題：挑一個步長 h，用 RK4 從 x_n 走到 x_{n+1}，整體誤差便以 O(h^4) 下降。但稍早那些篇章裡，每一步都用同一個 h 走完整段旅程——而這幾乎從不是你要的。想像一顆彗星掠過太陽：好幾個月裡它幾乎走在一條直線上漂移，接著在短短幾小時內繞著近日點急甩而過。一個小到足以解析那記急甩的步長，若處處都用，就會在平靜處浪費掉數百萬個毫無意義的步。
所以對的問題不是「步長多大？」，而是「我能容忍每步多少誤差，又是哪個步長能在此時此地剛好給出那麼多？」這就是 自適應步長控制：一個好的積分器會時時估計每一步會犯下的局部截斷誤差，並在行進中拉長或縮短 h，讓誤差貼著使用者設定的容忍值。平靜段大步走，狂暴段細步爬，誤差大致均勻地灑滿整條路徑——這就是目標。
估計那看不見的誤差
難處在這裡：要控制誤差，你得先估計它，但你又從不知道真正的解能拿來比對。訣竅是用不同階數的方法把同一步走兩次，再從兩者之間的落差讀出誤差。最乾淨的版本是嵌入式龍格-庫塔對，例如著名的 Runge-Kutta-Fehlberg，或 MATLAB 的 ode45 背後那個 Dormand-Prince 對。同一組級（stage）求值，配上一組權重給出比方說一個五階估計，再配上第二組權重給出一個四階估計——一批工作換來兩個答案。
兩個答案之間的差，由較低階方法的誤差主導，因此它是一個廉價而誠實的估計，告訴你這一步錯得多離譜——就叫它 err。嵌入的妙處在於兩條公式共用它們的級求值：你幾乎是免費地拿到誤差估計，而不是用另一套完整的方法把這一步重做一遍。（回想一下，對 f 的每級斜率求值，是任何 龍格-庫塔方法的主要成本；重複利用它們，正是自適應變得划算的關鍵。）
一旦你有了 err 和容忍值 tol，基本的微積分就告訴你如何挑下一個步長。若方法的誤差按 h^(p+1) 縮放，那麼要把 err 壓到 tol，就把 h 乘上 (tol/err) 的 1/(p+1) 次方。下面是個常見、略偏保守的配方。若 err 已落在 tol 之下，你就保留這一步、並把 h 放大供下次用；若 err 超標，你就拒絕這一步、縮小 h、重做它——絕不把一個過大的誤差往前帶。
One adaptive step (embedded pair of orders p and p+1):
take step h -> y_high (order p+1), y_low (order p)
err = || y_high - y_low || # cheap error estimate
ratio = ( tol / err ) ^ ( 1 / (p+1) )
h_new = SAFETY * h * ratio # SAFETY ~ 0.9
if err <= tol: accept y_high, advance, use h_new next
else: reject step, set h = h_new, redo多步法：記住，別重算
龍格-庫塔方法是單步的：要從 x_n 前進，它只看 y_n，並靠著在步內部的好幾個臨時點上對斜率 f 求值來換得高階——那些點隨後就被丟掉。線性多步法做的是相反的交易。它把單步的健忘變成長期的記憶：要算 y_{n+1}，它重複利用先前各步早已算過、存下的斜率 f(y_n)、f(y_{n-1})、f(y_{n-2})、...。舊工作不被丟棄，而是被回收。
經典的一族是 亞當斯（Adams）方法。想像過去那幾個存下的斜率；用一個多項式穿過它們，然後在下一個區間上積分那個多項式，以預測 y 如何往前移動——這正是數值求積那一級的「先替換再積分」一招，套用在斜率上。亞當斯-巴什福斯（Adams-Bashforth）只用過去、早已知道的斜率，所以是顯式的：一條公式、不必求解，而且關鍵在於——無論階數多高，每步只多一次 f 求值。這就是它的招牌優勢——RK4 每步花四次斜率求值；一個四階的亞當斯-巴什福斯本質上只花一次。
當然，天下沒有白吃的午餐。多步法在開步前需要好幾個過去的點，所以它無法只憑單一個初始條件自行啟動——你得先用一個單步法（常是 RK4）替前幾步「灌引水」。它也討厭改變 h：存下的斜率是按舊步長間隔排列的，所以一次乾淨的步長變更，意味著要重新推導係數或重新內插歷史，這也是為什麼自適應多步法的程式碼，比自適應 RK 要更繁瑣。這筆交易是：用每步更少的函數呼叫，換來一台較顛簸、被歷史綁住的機器。
預測-修正：先猜，再精修
如果你改成讓多項式穿過過去那些斜率以及 x_{n+1} 處的新斜率，你就得到一個亞當斯-莫頓（Adams-Moulton）方法——但現在未知的 y_{n+1} 出現在方程式的兩邊，因為 f(y_{n+1}) 需要的，正是你正在求解的那個值。這方法是隱式的：你不能直接代入硬算，每步都得解一個關於 y_{n+1} 的方程式。對同樣的階數，隱式方法更準確、也穩定得多，這正是它們對下一篇那些剛性問題至關重要的原因——但解那個方程式是要付代價的。
優雅的折衷是 預測-修正法。先由廉價的顯式亞當斯-巴什福斯預測出一個暫定的 y_{n+1}。接著把那個猜測代入隱式亞當斯-莫頓公式的右側來修正它——把那道困難的隱式方程式，變成一次容易的顯式求值。你可以只施一次修正，或依喜好迭代個一兩次。附帶的好處是：預測值與修正值之間的落差，本身就是一個免費的局部誤差估計，隨時可以像嵌入式 RK 對那樣，拿來驅動自適應步長控制。
BDF，以及顯式方法撞上的那堵牆
亞當斯方法擬合一個多項式到過去的斜率上、再積分它。還有第二個同樣重要的多步族，它擬合一個多項式到過去的解值 y_n、y_{n-1}、... 上，並強迫它在 x_{n+1} 處的導數對上 f：這些就是反向差分公式，即 BDF。它們依其構造就是隱式的，而且是一類惡名昭彰的問題的首選方法——剛性問題，其中解的某些分量以兇猛的速度衰減，而另一些卻在爬行。
在這裡，光靠自適應是不夠的，而這正是整個這一級誠實的關鍵句。在一條剛性方程式上，一個顯式方法——RK4、亞當斯-巴什福斯，無論你的步長控制器多聰明——都被迫採取荒謬地微小的步，不是為了準確度，而是純粹為了數值上的穩定性：只要踏出一步太大，算出的解就會爆成一堆與真正、平滑衰減的答案毫不相干的振盪。自適應控制器盡責地把 h 砸到極小以防爆炸，於是你的運算慢得像在爬，而真正的解卻幾乎一動不動地坐在那裡。
隱式方法——尤以 BDF 為最——能逃出這個陷阱，因為它們的穩定區域極為廣闊，所以即使在剛性問題上，它們也能採取由準確度決定大小的大步。這就是為什麼正式的 ODE 求解器都配兩具引擎：一具顯式自適應 RK（如 ode45）對付普通問題，一具隱式 BDF 程式碼（如 ode15s）對付剛性問題。隱式為什麼會贏、「絕對穩定區域」究竟是什麼意思、以及如何在剛性毀掉你的運算之前就認出它——這正是本級下一篇、也是最後一篇的故事。