用三种数值积分法求解常微分方程，并与精确解实时对比。调整步长 h，在对数坐标图上直观感受 O(h)、O(h²)、O(h⁴) 精度差异。
前向欧拉法
$$y_{n+1}= y_n + h\,f(x_n,\,y_n)$$RK4 公式
$$k_1=f(x_n,y_n),\quad k_2=f\!\left(x_n+\tfrac{h}{2},y_n+\tfrac{h}{2}k_1\right)$$ $$k_3=f\!\left(x_n+\tfrac{h}{2},y_n+\tfrac{h}{2}k_2\right),\quad k_4=f(x_n+h,y_n+hk_3)$$ $$y_{n+1}=y_n+\frac{h}{6}(k_1+2k_2+2k_3+k_4)$$我们求解的是一阶常微分方程的初值问题，这是描述许多物理系统瞬态行为的基础模型：
$$\frac{dy}{dx}= f(x, y), \quad y(x_0) = y_0$$其中 $y$ 是我们关心的物理量（如温度、位移、浓度），$x$ 通常是时间或空间坐标，$f(x, y)$ 描述了 $y$ 的变化率如何依赖于当前位置和状态。
前向欧拉法（一阶精度）：仅使用当前点的斜率进行最简单的线性外推。
$$y_{n+1}= y_n + h \cdot f(x_n, y_n)$$$h$ 是步长，$(x_n, y_n)$ 是当前已知点。方法简单但精度低，误差与 $h$ 成正比。
四阶龙格-库塔法 RK4（四阶精度）：通过计算四个中间斜率并进行加权平均，极大地提高了精度。
$$ \begin{aligned}k_1 &= f(x_n, y_n) \\ k_2 &= f(x_n + \frac{h}{2}, y_n + \frac{h}{2}k_1) \\ k_3 &= f(x_n + \frac{h}{2}, y_n + \frac{h}{2}k_2) \\ k_4 &= f(x_n + h, y_n + h k_3) \\ y_{n+1}&= y_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4) \end{aligned} $$$k_1$ 是起点斜率，$k_2$ 和 $k_3$ 是中间点斜率，$k_4$ 是终点斜率。加权平均后，其整体截断误差与 $h^4$ 成正比，因此步长减半，误差理论上减少为原来的1/16。
汽车碰撞模拟与结构动力学：在CAE中模拟汽车碰撞时，需要求解车身各部件在巨大冲击下的运动方程（二阶ODE可化为一阶系统）。RK4因其高精度和稳定性，常被用于计算零件在瞬态载荷下的位移、速度和加速度，确保模拟结果的可靠性，避免因数值误差误判安全性能。
计算流体动力学（CFD）中的粒子追踪：模拟烟雾、污染物颗粒在风场中的运动轨迹，本质上就是求解描述粒子位置和速度的常微分方程。使用RK4可以更准确地预测颗粒的扩散路径，对于环境评估和通风设计至关重要。
控制系统与电路仿真：自动驾驶系统的控制器、电子电路中的瞬态响应（如电容充电）都需要实时求解状态方程。RK4在保证精度的同时，计算量相对可控，是许多实时仿真软件中时间积分模块的核心算法之一。
多体系统与机器人轨迹规划：工业机器人机械臂的运动由多个关节的微分方程耦合描述。规划一条平滑、精确的运动轨迹，需要高精度的数值积分器来求解这些方程，RK4在此类复杂系统的离线仿真和在线控制中应用广泛。
首先，人们常认为“RK4总是优于欧拉法”，但实际上并非绝对如此。虽然其精度确实更高，但由于每一步需要计算4次函数$f(x, y)$，计算成本约为4倍。例如，在短期模拟简单振动现象时，若将欧拉法的步长设置得足够小，有时能以更短的计算时间获得与RK4相当的精度。请始终权衡“精度与计算时间”的平衡。
其次，“步长$h$越小越好”也是一个误区。虽然误差理论上会减小，但计算步数会急剧增加，舍入误差开始累积。尤其在欧拉法中，即使将$h$设置得极小，误差也可能从某个点开始反向增大。在本模拟器中尝试将$h$设为0.001或0.0001等极端小值时，应能观察到理论与实测不完全吻合的现象。
最后，请不要将这种比较局限于“仅适用于一维常微分方程”。在实际工程中的CAE问题中，例如结构振动（微分方程组）或流体热对流（偏微分方程的时间演化），这些方法常作为时间积分的基本组件嵌入其中。RK4的思想已被扩展至更高维度、更复杂的系统中。
本模拟器中体验到的“时间积分”概念，支撑着众多工程领域的核心。例如在汽车碰撞安全仿真中，为追踪毫秒级车体变形与乘员运动，需逐时刻求解运动方程。此类问题重视稳定性，常采用欧拉法的改进型——隐式解法。
此外，在控制系统设计中也不可或缺。计算机械臂平滑移动至目标位置的轨迹时，需用RK4等高精度方法求解各关节角度与角速度的微分方程。若步长过粗可能导致控制失稳，甚至引发实际机器人失控。
更进一步，该方法还应用于气象预测与气候模拟等超大规模计算领域。将全球划分为网格并预测各格点风速与温度的时间变化，正是巨型常微分方程组的数值积分问题。这堪称对计算资源与精度权衡要求最严苛的领域之一。
首先作为下一步，强烈建议学习“常微分方程组”的应用。例如弹簧-质量-阻尼系统的振动可用位移$y$与速度$v$两个因变量构成的方程组$dy/dt = v, \quad dv/dt = -(c/m)v - (k/m)y$描述。欧拉法与RK4均可自然扩展为同时更新$y$和$v$的形式。
若希望深化数学背景，应掌握“泰勒展开”与“数值解法推导”的关系。直观理解是：欧拉法将函数近似到一阶，而RK4实质上巧妙地融合了四阶以内的信息。这种“阶数”概念在未来理解“有限元法”或“有限体积法”等空间离散化精度时也大有裨益。
从实用角度出发，建议学习“显式解法与隐式解法”的区别。欧拉法与RK4属于“显式解法”，可直接通过当前状态计算下一状态。而需要求解含未知状态方程（常为非线性的）“隐式解法”虽计算成本较高，却具备绝对稳定的强大特性，在处理刚性较强的问题（如弹簧系数极大的系统）时效果显著。本模拟器中领悟到的“方法选择”重要性，将在更高层次的研究中反复体现。