自治系统与非自治系统：理解动态系统的时变特性

1. 自治系统：当你的系统“忘记”了时间

想象一下，你正在玩一个简单的弹球游戏。你用一个弹簧发射一个小球，小球在空中飞行，然后落回地面。你每次都用同样的力度、同样的角度去发射它。你会发现，无论你是上午10点玩，还是晚上8点玩，只要初始条件（力度、角度）一样，小球飞行的轨迹就完全一样。这个系统，就很像一个自治系统，或者说时不变系统。

用数学家的“黑话”来说，一个自治系统可以用这样一个微分方程来描述： dx/dt = f(x)

这个方程看起来有点唬人，但其实很简单。x 代表系统的状态，比如小球的位置和速度。dx/dt 就是这个状态随时间的变化率，也就是小球飞得多快、方向如何变化。最关键的是右边这个 f(x)，它只依赖于当前的状态 x，而不显式地包含时间 t。

这是什么意思呢？我打个比方。你开车，决定你下一秒车速和方向的，是你现在踩了多少油门、打了多少方向盘、路面是什么状况。至于现在是星期一还是星期天，是早上9点还是下午3点，只要你踩油门的脚法和方向盘的角度不变，车在相同路况下的动态响应就是一样的。系统（车）的“行为规则” f 本身，不随着日历或钟表的时间而改变。这就是“时不变”的精髓。

注意一个常见的误解：说系统是时不变的，并不是说系统的状态不随时间变化。小球当然会飞，车当然会跑，状态 x(t) 肯定是时间的函数。这里的“不变”，指的是支配系统演化的规则 f 本身不随时间改变。规则是固定的，就像游戏的物理引擎是写死的，不管你在什么时间点启动游戏，引擎的计算法则都一样。

让我给你看两个具体的“代码”例子，这样更直观：

例子1：线性自治系统

# 假设系统状态 x 是一个二维向量 [位置, 速度]
# 系统方程: dx/dt = A * x
import numpy as np

A = np.array([[0, 1],  # 这个矩阵描述了位置和速度之间的关系
              [-2, -1]]) # 比如，加速度和位置、速度有关

def autonomous_system(x):
    # f(x) = A * x， 这里没有时间 t 作为输入！
    return np.dot(A, x)

# 无论 t 是 0, 10, 还是 100，计算状态变化率的方式都一样
x_current = np.array([1.0, 0.5])
dxdt_at_noon = autonomous_system(x_current)
dxdt_at_midnight = autonomous_system(x_current) # 结果和上面一模一样！

这个系统里，矩阵 A 是常数。只要 x 相同，算出来的 dx/dt 就相同，跟你什么时候算没关系。

例子2：非线性自治系统

# 一个更复杂的例子，比如描述单摆的无阻尼运动（小角度近似下）
# dx/dt = [x2, -sin(x1)]， 其中 x1 是角度， x2 是角速度
def pendulum(x)