1 概述与基本概念
1.1 多步法的定义与直观含义
多步法（multistep method）是用于数值求解微分方程（尤以常微分方程为主）的一类递推算法。其基本思想是：从时间推进的角度，求解器在计算当前时刻的近似解时，除了依赖函数在若干历史时刻的取值，还会综合使用前若干步已经得到的结果。由于下一步的计算要“看过去多步的信息”，因此称为“多步”。
直观地说，如果单步法每次只利用“当前点附近”的信息，那么多步法会把多次历史计算当作样本，借助插值或差分近似来推导更新公式。这样往往能在相同精度目标下减少函数评估次数或降低计算开销，但代价是需要额外的历史数据管理、以及初值启动与稳定性方面的处理。
1.2 与单步法的对比（如Runge–Kutta类）
单步法（如经典 Runge–Kutta 方法）通常在每一步只依赖上一时刻的解及若干次函数评估，不需要保存更早的历史点。因此启动简单：初始条件给出后即可直接迭代。
多步法的特点则相反：更新公式显式或隐式地包含若干个过去时刻的解值（或其组合），所以实现上需要存储最近若干步的近似解与对应的函数值。与此同时，多步法在理论与实践中常借助“插值多项式/差分算子”的结构来构造高阶精度，但这也使得稳定性约束往往更显著。
1.3 多步法的适用对象：常微分方程等
多步法最常见的应用对象是常微分方程 \[ y'(t)=f(t,y(t)),\quad y(t_0)=y_0. \] 在更一般的数值框架里，多步思想也能被推广到更复杂的模型（例如把连续算子离散后得到的时间演化问题）。不过，若方程对时间步长极为敏感或解缺乏足够光滑性，多步方法可能需要更谨慎的稳定性与误差控制策略。
2 数学表述
2.1 一般形式（递推关系）
多步法的一般形式通常写成如下递推结构（以固定步长为常见情形）： \[ \sum_{j=0}^{k} \alpha_j\, y_{n+j} = h\sum_{j=0}^{k}\beta_j\, f_{n+j}, \] 其中 \(h\) 为步长，\(y_{n+j}\) 是在若干相邻时刻 \(t_{n+j}=t_0+(n+j)h\) 的近似解，\(f_{n+j}=f(t_{n+j},y_{n+j})\)。系数 \(\alpha_j,\beta_j\) 决定了方法阶数与稳定性等性质。
当 \(\beta_k=0\) 时，右端不含“当前未知的函数值”，对应显式格式；当包含 \(f_{n+k}\) 且未知需要求解时，则属于隐式格式。无论显式还是隐式，多步法的核心都由这些系数与递推关系决定。
2.2 线性多步法的构造思路
线性多步法的常见构造思路是：假设在最近若干步上，解 \(y(t)\) 或其导数 \(y'(t)\) 能被某种插值多项式近似。将插值多项式的系数与导数值关联起来，再在离散网格上匹配泰勒展开或差分关系，从而得到 \(\alpha_j,\beta_j\) 的具体形式。
另一条常见路线是从差分算子的角度出发：用若干步的差分来近似导数或积分项，从而得到递推更新公式。无论采用哪种路线，最终都会落到统一的线性组合形式，这也是“线性多步法”名称的来源。
2.3 关键系数与记号约定
为了讨论阶精度与稳定性，通常会使用以下记号：
- \(k\)：方法的步数（也常对应“使用历史的长度”）。
- \(\alpha_j,\beta_j\)：决定离散格式的常数系数。
- \(h\)：时间步长（固定步长或局部变化步长的情形也可扩展）。
- \(y_n\)：第 \(n\) 步时刻的近似解。
- \(f_n\)：对应的函数评估值 \(f(t_n,y_n)\)。
在更细的理论分析中，常还会引入关于系数的多项式表达以刻画稳定域与一致性条件。此类表达在稳定性分析章节会进一步提及。
3 显式与隐式多步法
3.1 显式多步法
显式多步法在更新 \(y_{n+k}\) 时，右端使用的函数值只依赖已知的历史点，不包含未知的 \(f_{n+k}\)。因此每一步不需要求解方程组或迭代过程，计算流程相对直接。
不过，显式多步法往往在稳定性上更受限制：尤其在刚性问题中，允许的步长可能非常小，使得总体效率未必优于单步法或其他策略。实践中通常需要结合稳定性区域与误差控制来选取步长。
3.2 隐式多步法
隐式多步法的递推关系包含未知点对应的函数值 \(f_{n+k}\)。这使得每一步通常需要求解一个与 \(y_{n+k}\) 有关的方程： \[ \text{（递推式） } \Rightarrow \text{关于 } y_{n+k}\text{ 的非线性或线性代数方程}. \] 因此隐式方法单步计算成本更高，但换来的往往是更好的稳定性表现，尤其在刚性或高梯度变化的场景中更有优势。
3.3 隐式格式的求解需求（迭代/线性化）
对于一般的非线性常微分方程，隐式格式会导致非线性代数方程。常见做法包括：
这些过程的收敛速度与实现成本与步长、问题的局部非线性程度以及初猜质量密切相关。因此工程实现常把“预测-校正”的框架与隐式求解结合，以提高鲁棒性。
4 精度与收敛性
4.1 局部截断误差与全局误差
- 局部截断误差（local truncation error）：假设真解代入离散格式，会在“单步推进”上产生的误差量。它衡量离散近似相对微分方程真实关系的偏差。
- 全局误差（global error）：从初始时刻到某时刻累计的误差结果。它不仅受局部误差影响，也会受稳定性与误差传播机制控制。
多步法的误差传播还与历史项的权重分布相关，因此稳定性分析往往与收敛性紧密耦合。
4.2 阶精度的含义与常见记法
若某方法在合适正则性条件下满足：当步长趋于零时，全局误差按 \(h^p\) 的速度衰减，则称其为 \(p\) 阶方法（或具备 \(p\) 阶收敛性）。更细的表述还会区分一致性阶、局部截断误差阶以及与稳定性相关的收敛阶。
在实际资料中常用“阶”来直接描述误差随步长的衰减规律，但不同教材对“局部/全局”和“阶”的定义口径可能存在差异，阅读时通常需对照上下文。
4.3 收敛性条件的基本理解
收敛性可以理解为：当步长 \(h\to 0\) 时，数值解趋近于真解。其典型影响因素包括：
- 一致性：离散格式对微分方程的近似程度足够好（由截断误差决定）。
- 稳定性：误差在递推过程中不会被无限放大。
- 初值与启动误差：多步法需要若干起始步，若启动误差过大，可能破坏最终收敛表现。
因此，多步法的收敛性通常需要“一致性 + 稳定性（加上合理启动）”的组合条件。
5 稳定性分析
5.1 稳定性的必要性
即使方法具有高阶精度，若其稳定性不足，数值误差（包括舍入误差、启动误差、离散误差）在时间推进中也可能被放大，从而导致发散或出现不物理解。
多步法因为使用历史项进行递推，误差传播机制更复杂；因此稳定性分析在方法选择与步长控制中尤其关键。
5.2 线性稳定性与特征根视角
对线性化后的测试方程（例如常用的一类指数衰减模型），多步法的递推可化为与特征方程相关的形式。稳定性条件常可用“特征根是否位于单位圆内”的判据来表达：若满足相应条件，则误差不会随步数增长而显著放大。
这一视角把数值格式的系数结构转化为代数性质，使得可以系统判断在给定步长与参数范围下方法是否稳定。
5.3 稳定性在刚性问题中的影响
刚性问题的特征是存在快速衰减的尺度与慢变化的尺度共存。对这类问题，显式方法常出现“稳定性要求步长极小”的现象，即使精度上不需要那么小的步长，稳定性也强制你缩小 \(h\)。
隐式方法或某些专门为刚性设计的多步法通常拥有更大的稳定域，从而允许较大的步长并保持数值过程的可控性。实际工程中，是否刚性以及刚性程度会显著影响求解器的选择策略。
6 典型家族与代表算法
6.1 Adams–Bashforth 方法（显式）
Adams–Bashforth（AB）方法是一类典型显式多步法，核心特点是在更新中使用历史的函数值组合来近似积分或导数演化。它通常以明确的递推系数给出高阶公式，并且无需在每一步解方程。
AB 方法易于实现且在非刚性问题上表现良好，但在稳定性方面往往不如对应阶的隐式对偶方法宽松，因此对步长更敏感。
6.2 Adams–Moulton 方法（隐式）
Adams–Moulton（AM）方法是与 AB 相关联的隐式多步家族。其递推公式包含对“末端未知点”附近的函数值权重，因此每步需要处理隐式性带来的求解需求。
与 AB 相比，AM 方法通常更适合在稳定性要求较高的场景中使用，代价是每步计算更复杂。工程上常将 AM 与显式预测结合以减少迭代成本。
6.3 BDF（后向差分公式，隐式）
BDF（backward differentiation formula）是重要的隐式多步方法家族。其构造基于对导数项的后向差分近似，从而形成递推关系，并常在刚性问题中表现突出。
由于其隐式结构与系数特性，BDF 方法在稳定性方面有较好的控制能力，但同时其高阶形式可能受到额外的限制（例如稳定性随阶数变化），因此通常需要结合阶数选择策略与误差控制来使用。
6.4 预测-校正（predictor–corrector）框架
预测-校正是一类将显式与隐式步骤结合的通用框架：先用显式方法（如 AB 类或其他显式近似）对下一步未知量做“预测”，再把预测结果作为初猜代入隐式公式进行“校正”。
这样做的目的通常包括：
- 提升隐式求解的初始猜测质量，减少迭代次数；
- 在不显著增加函数评估的前提下，提高隐式步骤的稳健性；
- 形成一种在误差控制与稳定性之间更平衡的求解流程。
7 启动过程（起始值处理）
7.1 为什么需要启动
多步法的递推关系需要若干步的历史信息。由于初始时刻只有给定的 \(y(t_0)\)（以及可能的额外条件），因此在计算到足够多的历史点之前，方法无法直接“按配方推进”。这就需要启动过程：通过其他方式获得最初若干步的近似解。
启动不当会引入额外误差，并通过递推关系影响后续计算的准确性与稳定性表现。
7.2 启动值的获得策略（用单步法预热）
常见策略是“用单步法预热”：先用高质量的单步方法（例如某种阶数较高的 Runge–Kutta）计算前 \(k\) 步近似值，再切换到多步法正式递推。
这样做的好处是启动误差相对可控，且实现上相对简单。实际工程中也可能根据问题特性选择更合适的单步方法阶数，以匹配目标精度与稳定要求。
7.3 启动误差对整体效果的影响
启动误差会以两种方式影响全局表现：
- 直接影响：初始若干步的误差通过递推权重进入后续。
- 间接影响：若方法稳定性条件较紧，启动误差引发的扰动可能更容易在后续放大。
因此，多步法的实际精度不仅取决于主递推格式的阶数，也取决于启动策略的误差规模是否足够小。对追求高精度的场景，启动阶段往往需要更严格的处理。
8 实用实现与工程考量
8.1 步长选择与自适应思路（概念层面）
在固定步长时，多步法实现简单，但当解变化快慢不均时容易造成效率损失：要么步长过小导致计算过多，要么步长过大导致误差超标甚至不稳定。
自适应步长的基本思路是基于误差估计调整 \(h\)。多步法由于能使用历史信息，通常可以通过“差分余量”或嵌套公式的差异来构造误差指标，再据此决定下一步步长调整。概念上，自适应机制在非均匀动力学中往往更能提升总体性能。
8.2 误差估计与控制（基本原则）
误差控制通常依赖于对局部误差或某种代理指标的估计，并使用阈值与反馈规则使误差保持在允许范围内。常见做法包括：
- 采用嵌套格式或预测-校正差作为误差估计来源；
- 使用比例控制或带阻尼的反馈来避免步长来回振荡；
- 对隐式方法，误差与迭代容差需要协调，避免“迭代误差主导”的情况。
在实现层面，还需考虑函数评估成本与矩阵求解成本，确保误差控制不会反过来造成过高计算开销。
8.3 计算成本与内存开销
多步法的内存需求通常比单步法更高：需要保存至少 \(k\) 步的 \(y\) 值与可能的函数值。隐式方法还涉及额外计算，如迭代更新、线性化求解或雅可比处理。
因此多步法的实际效率常由以下因素决定：
- 每步函数评估次数与保存策略；
- 隐式求解的迭代次数与收敛代价；
- 稳定性约束导致的步数增加；
- 启动与步长变化带来的额外开销。
在工程选型时，通常需要在“稳定性收益”和“每步成本”之间做权衡。
9 适用性与局限
9.1 对问题光滑性与步长的依赖
多步法的高阶收敛依赖于解的足够光滑性；若解在某些区间出现不规则变化（例如导数高阶项难以存在或数值噪声较强），局部截断误差的理论阶数可能难以体现。
此外，步长过大不仅会降低精度，还可能触发稳定性风险。实践中需要通过误差控制与稳定性判断综合调节。
9.2 刚性问题中的注意事项
对刚性系统，多步法（尤其隐式家族）往往更合适，但仍存在注意点：
- 阶数选择会影响稳定域与计算效率；
- 隐式求解可能增加迭代成本；
- 误差控制与迭代停止准则需要协调，避免“高阶但被求解精度限制”的现象。
因此在刚性情形下，选择合适的方法家族与合理的求解参数非常关键。
9.3 高阶与稳定性之间的权衡
提高阶数通常提升精度潜力，但也可能带来更严格的稳定性约束或更复杂的误差传播行为。尤其在多步法中，历史项的组合可能在某些参数范围内对误差放大更敏感。
因此实际使用中，高阶并不总是“越高越好”。通常需要在目标精度、稳定裕度、迭代/函数评估成本之间寻找平衡。
10 相关概念与扩展
10.1 与网格/离散化的关系
多步法属于时间离散的一类方法。其离散化依赖时间网格的构造（步长大小、是否允许变化、网格点是否均匀等）。在更复杂的数值方案中，多步法通常与空间离散（如有限差分、有限元、谱方法）配合，形成“先离散空间再推进时间”的整体框架。
当时间步长与空间离散误差相互制约时，必须进行误差与稳定性的联合考虑。
10.2 对非线性方程与系统方程的推广（概念）
对非线性常微分方程或系统形式，递推结构仍可使用类似的形式，但隐式部分需要求解更复杂的代数系统。方法本身的分类（显式/隐式、多步阶数）依旧成立，只是求解子步骤会更重。
在系统方程中，稳定性与收敛性分析通常需要更强的条件或通过线性化来获得可操作的判据。
10.3 多阶历史项的选取规则（概念）
多步法通过选择使用的历史点数（步数 \(k\)）与对应系数组合来实现不同阶精度。历史项选取的关键规则可概括为：
- 需要足够的步数以达到目标阶；
- 系数由一致性与阶条件决定；
- 若使用可变步长或非均匀网格，需要重新构造系数或采用变步长公式以保持理论性质的可用性。
这些规则决定了方法在给定精度目标下的结构与实现方式。
11 参考与进一步阅读（建议方向）
11.1 教科书与经典论文的阅读路径
建议优先阅读数值常微分方程教材中关于多步法的章节，通常会系统覆盖：
- 线性多步法的一般理论表示；
- 一致性、收敛性与稳定性之间的联系；
- AB、AM、BDF 等典型家族的构造与比较。
在此基础上，阅读针对特定主题（例如刚性、多步稳定性判据、变步长实现）的经典论文或综述，有助于建立更完整的全景理解。
11.2 数值计算社区常用资料类型
常见资料类型包括：
- 方法与稳定性方面的综述文章；
- 数值库文档或求解器说明（如针对 ODE 求解器的算法描述与参数建议）；
- 以测试集为基准的对比研究，用于观察方法在不同问题类别上的表现差异。
这类资料通常强调“何时选什么方法”的实践经验，对工程决策很有帮助。
11.3 教学示例与对比基准（经验性方向）
教学中常用的对比基准包括指数衰减模型、振荡模型以及具有快速尺度的刚性模型。通过观察：
- 误差随步长变化的趋势；
- 稳定性失败或误差放大的征兆；
- 隐式求解迭代次数随步长与问题参数的变化；
可以更直观地理解多步法在不同场景中的适用边界。
此外，加入预测-校正框架的示例能帮助把“理论公式”与“实现流程”连起来，减少概念上的跳跃感。