在解之前先讀懂方程
在上一篇你已經認識了偏微分方程究竟是什麼：它是一個未知函數與它對兩個以上自變數的偏導數之間的一個關係式。這是一個龐大的家族。在你能指望解出其中一員之前，你會想先替它分類——就像植物學家在決定如何照料之前，先替植物命名。最便宜也最有用的三個標籤，就是它的階數、它在線性階梯上的位置，以及它的主部。
這些標籤並不是繁文縟節，它們能預測行為。階數告訴你需要多少資料才能把一個解釘死。線性告訴你「把解相加」這個強大技巧是否可用。而主部——也就是那一群最高階導數——則暗中決定了方程的整個性格：擾動是以有限速度還是無限速度傳播、尖角是被抹平還是被保留，甚至哪些問題本身才是合理地被提出的。
階數：數出最深的那個導數
偏微分方程的階數，就是未知函數在任何單一項裡被微分的最高次數。在「u_t = k u_xx」中，最深的一項是 u_xx——對 x 微分兩次——所以這是二階。在輸運方程「u_t + c u_x = 0」中，每個導數都只微分一次，所以它是一階。像 u_xy 這樣的混合偏導數仍算二階，因為它疊了兩次微分，只是換了不同變數而已。
為什麼「數」這麼重要？因為階數預示了你必須提供多少附加條件。一階常微分方程需要一個常數；二階則需要兩個。偏微分方程遵循同樣的直覺，但有一個你要牢牢記住的轉折：偏微分方程的通解含有任意的函數，而不是任意的常數。波動方程「u_tt = c^2 u_xx」的通解是 u(x,t) = F(x - c t) + G(x + c t)，其中 F 與 G 可以是任意兩個函數。階數大致決定了會出現多少這樣的自由函數——因而也決定了需要多少資料把它們鎖定。
主部：最高階導數說了算
現在來談精微的部分。在一個二階方程內部，只把最高階的項收集起來——每一項都恰好帶兩個導數——你就得到了主部。對於兩個變數的一般二階方程，把主部寫成 A u_xx + 2B u_xy + C u_yy；其餘的一切（u_x、u_y、u 以及任何源項）都是較低階的餘項。主部是方程的脊椎，也是當我們想知道方程如何表現時所要讀取的東西。
這裡有個常讓新手吃驚的關鍵：較低階的項幾乎不影響方程的深層性格。定性類型——橢圓型、拋物型還是雙曲型——完全由主部的係數 A、B、C 決定，透過判別式 B^2 - A C 的正負號來判定。負的給出橢圓型（像拉普拉斯，描述穩態），零給出拋物型（像熱傳，描述擴散），正的給出雙曲型（像波動，描述傳播）。加上一個摩擦項或一個源項，類型並不會改變；性格就住在最高階的導數裡。
A u_xx + 2B u_xy + C u_yy + (lower-order terms)
principal part remainder
B^2 - A C < 0 elliptic (Laplace u_xx + u_yy = 0)
B^2 - A C = 0 parabolic (heat u_t = k u_xx)
B^2 - A C > 0 hyperbolic (wave u_tt = c^2 u_xx)若你沿著這條階梯再往上走，你會遇到一個微分算子的符號：把每個導數換成一個頻率變數，主部就變成主符號，那是一個多項式，它的正負號模式正好就是上面這套分類，並且乾淨地推廣到多個變數。眼下，只要記住這幅圖像：最高階導數承載著方程的靈魂。
線性階梯
第二個大標籤，依未知函數進入方程的方式來分類偏微分方程。當未知函數及它的所有導數都只出現一次方、並且係數只依賴於自變數時，這個方程就是線性的。下一篇會走完整條階梯——線性、半線性、擬線性與完全非線性——但這裡先給你一張速覽地圖，等你到那裡時這些詞就不陌生了。
- 線性：「u_t = k u_xx」。係數只依賴 x 與 t；u 與它的導數都只出現一次方。這是黃金標準，疊加原理就住在這裡。
- 半線性：主部仍是線性的（係數可為常數或變數），但某個較低階項是非線性的，例如「u_t = u_xx + u^2」。最高階導數很規矩，麻煩待在樓下。
- 擬線性：最高階導數仍只出現一次方，但它們的係數現在依賴於 u 或 u 的較低階導數，例如「u_t + u u_x = 0」。方程的幾何取決於它自己的解。
- 完全非線性：最高階導數以非線性方式出現，例如「u_x^2 + u_y^2 = 1」。此時連主部都隨解而彎曲；工具箱會急劇縮小。
誠實地說明這條階梯為何重要：大多數乾淨的理論——精確公式、傅立葉方法、漂亮的存在性結果——都住在線性那一階。當你往非線性的頂端爬升時，會冒出既美麗又殘酷的新現象。像「u_t + u u_x = 0」這樣的非線性守恆律，其光滑解可能在有限時間內發展出震波，之後梯度爆破，普通的古典解便不再存在。這不是你代數出了錯，而是方程的物理本性，也正因如此，非線性自成一塊大陸。
齊次、非齊次與疊加
線性世界裡還有一個值得一提的區別。當每一項都含有未知函數時，線性方程是齊次的，因此全零函數 u = 0 自動是一個解。當右邊獨立坐著一個源項時，它就是非齊次的，例如「u_t = k u_xx + f(x,t)」，其中 f 是一個不斷注入能量的加熱器。齊次意味著「無人打擾」；非齊次意味著「受到驅動」。
堅持留在線性的回報，就是疊加原理——它是你將要學到的幾乎每一種解法的引擎：若 u1 與 u2 各自滿足一個線性齊次方程，那麼任意組合 a u1 + b u2 也滿足。因此你可以把一個難題拆成簡單的零件，逐一解出，再把答案加回去。下一篇正是專門講這個想法，它支撐著傅立葉級數、特徵函數展開乃至熱核。而方程一旦變成非線性，疊加便失效——把「u_t + u u_x = 0」的兩個解相加並不會得到第三個解。
一張路線圖：三個模型方程
上面這一切，最終匯聚成一張極為精簡的路線圖：你遇到的幾乎每一個二階線性偏微分方程，就其主部而言，都是三個模型之一的偽裝版——每種類型一個。它們是熱方程「u_t = k u_xx」（拋物型）、波動方程「u_tt = c^2 u_xx」（雙曲型），以及由拉普拉斯算子構成的拉普拉斯方程「Laplacian u = u_xx + u_yy = 0」（橢圓型）。
這並不是三個隨機挑出的例子，而是三種行為的原型。熱方程的信號速度無限快、會瞬間抹平資料——但它不可逆，因此把它沿時間倒著跑是不適定的。波動方程速度有限、不抹平，把尖角原封不動地往前送。拉普拉斯方程完全沒有時間，描述的是平衡態；硬要替它指定錯誤類型的資料（例如柯西資料）同樣是不適定的。何種資料能讓問題成為適定，是由類型決定的——這就是依類型而定的適定性，而本梯級的最後一篇會把這三位主角講得活靈活現。
於是這個迴圈漂亮地閉合了。讀出階數，讀出主部，讀出判別式——你就已經知道自己面對的是哪一個原型、哪種資料會是適定的，以及解大致會如何表現，這一切都在你動手解任何東西之前就已知曉。這正是分類那份安靜的力量，也是你會帶著走進之後每一篇指南的那副透鏡。