企业官网建设流程全解析

很多做仿真和数值计算的人，第一次把Rayleigh-Ritz法和Galerkin法放在一起看，通常是在有限元教材的中间章节。当时最容易产生的疑问是：一个从能量极值出发，一个从残值正交出发，最后列出来的代数方程怎么长得一模一样？等你真正上手做程序、跑算例，就会发现这两条路线只是表面上"殊途同归"，在适用范围、边界条件处理、稳定性表现上差别极大。这篇文章我会把两种方法的底层逻辑、等价条件、有限元里的落地方式，以及我实际踩过的坑一次讲清楚。适合正在学有限元原理、准备做二次开发，或者用着商业软件但一直想搞明白"刚度矩阵到底怎么来的"的读者。

1. 两种方法到底在解决什么问题

1.1 从"精确解不存在"说起

绝大多数实际的力学和物理问题，控制方程写出来容易，真要找个解析解难如登天。薄板弯曲、复杂边界的热传导、带对流的流动问题，解析解要么不存在，要么长得像天书。工程上可行的思路只有一个：在一个"足够好的有限维函数空间"里找一个近似解，让它尽量接近真实解。

这个"尽量接近"怎么定义，就衍生出了两大流派。一派说：真实解让某个泛函（比如总势能）取极小值，那我就在试探函数空间里找让能量最小的那个组合。这就是Rayleigh-Ritz法的核心态度。另一派说：真实解让微分方程处处成立，近似解做不到，那我就让方程的残差在某种度量下尽量小，最好是让残差与一组检验函数的"内积"全为零。这就是Galerkin法的核心态度。

1.2 两种叙事：找极值还是找正交

Ritz法的叙事是优化叙事。把微分方程的强形式丢掉，转而求解一个变分问题：在所有满足位移边界条件的函数里，找那个让总势能最小的函数。Galerkin法的叙事是投影叙事。近似解在有限维子空间里待着，真实解不在这个子空间里，于是两者的差（残差）必然存在，Galerkin要求这个残差与子空间里的每一个基函数都"垂直"。

这两种看起来完全不同的思路，在数学上却经常得到一模一样的代数方程组。原因在于：很多物理问题的能量泛函的"一阶变分为零"，恰恰就等价于"弱形式成立"。自伴算子、对称正定双线性形式这些概念，正是把两条路连接起来的桥梁。后面我会专门用一章讲这座桥。

2. 从能量极值切入：Ritz法的思想与推导

2.1 势能泛函为什么能用"最小"代替微分方程

拿一维杆件受轴向力的问题举例。控制方程是：

$$ -EA,u''(x) = f(x), \quad x \in (0,L) $$

左端固定 $u(0)=0$，右端受集中力 $EA,u'(L)=P$。对应的总势能泛函是：

$$ \Pi(u) = \int_0^L \frac{1}{2}EA,(u')^2,dx - \int_0^L f,u,dx - P,u(L) $$

第一项是应变能，后面两项是外力势能。真实位移 $u$ 让 $\Pi$ 取极小值。为什么极值等价于微分方程？给 $u$ 加一个小扰动 $\delta v$，代入 $\Pi$ 展开，一阶变分项为零会得到：

$$ \int_0^L EA,u' v',dx = \int_0^L f,v,dx + P,v(L), \quad \forall v $$

再对左边分部积分一次，结合边界条件就能回到 $-EAu''=f$。整个过程可以类比成"在山坡上找最低点"：能量泛函是位置高度，真实解是谷底，一阶变分为零就是在说"谷底处的梯度为零"。

2.2 试探函数怎么选：本质边界条件是硬门槛

Ritz法的实际操作是假设试探解：

$$ u_N(x) = \sum_{j=1}^{N} c_j \phi_j(x) $$

其中 $\phi_j$ 是事先选好的基函数，$c_j$ 是待定系数。把这个代入势能泛函，对 $c_i$ 求偏导为零，得到线性方程组：

$$ \sum_{j=1}^{N} K_{ij} c_j = F_i $$

$$ K_{ij} = \int_0^L EA,\phi_i',\phi_j',dx, \quad F_i = \int_0^L f,\phi_i,dx + P,\phi_i(L) $$

这里有个新手必踩的坑：$\phi_j$ 必须满足本质边界条件，也就是强制位移边界（比如固定端的 $u(0)=0$）。如果基函数不满足这个条件，杆件就像没有被约束住，刚度矩阵奇异，解出来完全不能用。反过来，自然边界条件（比如自由端的力边界）不需要基函数预先满足，它会在极值化过程中自动出现，这也是变分方法最漂亮的地方之一。

2.3 Ritz法先天的三个局限

第一个局限：必须有能量泛函。如果算子不是自伴的，比如方程里有一阶导数项 $b u'$（对流项），就很难找到对称正定的能量泛函，Ritz法的地基就没了。

第二个局限：基函数要全局定义。在简单的一维杆、梁问题里，取多项式或三角函数做基函数很顺手。但换成二维不规则区域，要在整个区域上找一个满足边界条件的光滑函数，非常困难。这也是为什么直接Ritz法很难处理工程实际问题。

第三个局限：对光滑性要求偏高。势能泛函里含 $u'$，你至少需要试探函数平方可积的一阶导数，否则应变能积分都写不出来。这个限制在有限元里被"分片多项式"绕过了，但那是另一个层面的故事。

3. 从残值正交切入：Galerkin法的投影直觉

3.1 残值是什么，正交又是什么

Galerkin法不跟你谈能量，直接面对微分方程。把近似解 $u_h$ 代回强形式，一定会留下一个残差：

$$ R(x) = -EA,u_h''(x) - f(x) $$

理想情况下 $R=0$，但 $u_h$ 只是近似解，$R$ 不可能处处为零。Galerkin的解决办法是：要求残差与每个基函数的内积为零：

$$ \int_0^L R(x),\phi_i(x),dx = 0 $$

为什么是"与基函数正交"而不是"让残差尽可能小"？这背后是投影定理。$u_h$ 生活在有限维子空间 $V_h = \operatorname{span}{\phi_i}$ 里，真实解 $u$ 不在 $V_h$ 里。如果我们在某个内积意义下做投影，$u_h$ 就是 $u$ 在 $V_h$ 上的"最佳逼近"，而最佳逼近的残差向量必然垂直于 $V_h$。你可以想象一块木板斜插在水里，水面就是子空间，木板在水面以下的部分就是残差，它和水平面天然垂直。

3.2 弱形式推导：分部积分的魔力

直接对残差积分，$\phi_i$ 需要二阶可导，这不是个好要求。做一次分部积分：

$$ \int_0^L -EA,u_h'',\phi_i,dx = \int_0^L EA,u_h',\phi_i',dx - \big[EA,u_h',\phi_i\big]_0^L $$

代入边界条件 $u_h(0)=0$、$\phi_i(0)=0$ 以及 $EA,u_h'(L)=P$，得到：

$$ \int_0^L EA,u_h',\phi_i',dx = \int_0^L f,\phi_i,dx + P,\phi_i(L) $$

看出来了吗？这和Ritz法得到的代数方程一模一样。但Galerkin路径有一个巨大优势：对 $u_h$ 的光滑性要求降低了。强形式需要 $u_h$ 二阶可导，分部积分后只需要一阶导数平方可积。这意味着我们可以放心使用分片线性函数、分片双线性函数这类"不太光滑"的基函数——这正是有限元能跑起来的数学基础。

3.3 和配点法、子域法的一次对比

Galerkin是加权残值法大家族里的一员。权函数选法不同，方法就不同：

把Galerkin放在这个表里看，它其实是"用基函数本身当尺子去量残差"的做法。这条路径不需要能量泛函，只要能写出残差表达式就能用，适用范围天然更广。

4. Ritz和Galerkin之间那条微妙的等价线

4.1 自伴正定算子：两条路殊途同归的条件

很多教材直接说"在自伴正定条件下，Galerkin等价于Ritz"。这句话需要拆开看。设双线性形式：

$$ a(u,v) = \int_0^L EA,u' v',dx $$

如果 $a(u,v)$ 对称且正定，也就是 $a(u,v)=a(v,u)$、$a(u,u)>0$，那么可以构造能量泛函：

$$ \Pi(u) = \frac{1}{2}a(u,u) - F(u) $$

对 $\Pi$ 求极小值，一阶变分为零得到：

$$ a(u_N, \phi_i) = F(\phi_i), \quad i=1,\dots,N $$

Galerkin弱形式恰好也是这个方程。所以只要基函数空间相同，两边得到的刚度矩阵完全一致。有限元里的线弹性、热传导这类经典椭圆问题，正好落在自伴正定区间里，于是你用能量路径推出来的单元刚度矩阵，和用弱形式路径推出来的，是一个东西。

4.2 边界条件的处理差异：本质边界与自然边界

两条路在边界条件的理解上存在微妙差异。Ritz法里，本质边界条件是"事前强加"的：选基函数时就得让它满足。自然边界条件则是"事后自动满足"的：最小化过程会顺便把它实现出来。Galerkin弱形式里，本质边界条件同样要强加到试探函数空间，但自然边界条件会以边界积分项的形式显式出现在方程里。

以杆件右端自由为例，Ritz法的泛函里直接包含 $-Pu(L)$ 这一项，极值化时自然导出 $EAu'(L)=P$。而Galerkin法里，$P\phi_i(L)$ 是分部积分后留在边界上的项，物理意义就是外力的虚功。对标准问题两者效果相同，但一旦遇到非标准边界条件（比如弹性支承、混合边界），Galerkin路径的边界项处理更直观，也更容易写对。

4.3 什么时候等价会破功

等价性建立在"双线性形式对称正定"这个基础上。以下情况统统不再等价：

• 非自伴问题：比如对流-扩散方程 $-εu''+bu'=0$，含一阶导数项导致 $a(u,v)\neq a(v,u)$，找不到对称正定的能量泛函，Ritz法直接失效。
• 时间依赖问题：$\partial u/\partial t$ 这一项没有对应的"势能"，Galerkin可以在空间离散后配时间差分，Ritz法没有一个统一的变分原理可用。
• 非线性问题：很多非线性问题没有全局能量泛函，或者有但最小化过程过于复杂，Galerkin的弱形式反而是一条更可靠的出路。

4.4 常见误解：Galerkin是Ritz的推广吗

严格说，在自伴正定椭圆问题里，Galerkin是Ritz的复现；在更一般的问题里，Galerkin是加权残值思想对Ritz的替代，而不是它的推广。Ritz法依赖变分原理，Galerkin依赖弱形式，两者的理论根基不同。Galerkin应用范围更广，但"更广"不代表"自动更稳定"。非自伴、鞍点、对流占优这些问题，标准Galerkin照样会给出振荡或无意义的解，后面第六章详细说。

5. 有限元落地：从一维杆件看两种解释如何殊途同归

5.1 分片线性基函数和刚度矩阵

有限元本质上就是把Ritz或Galerkin的全局基函数换成分片多项式。以一维杆件两单元为例，把 $[0,L]$ 等分成两个单元，节点编号1、2、3。每个单元采用线性形函数：

$$ N_1(\xi)=1-\xi, \quad N_2(\xi)=\xi $$

单元刚度矩阵：

$$ k_e = \frac{EA}{L_e} \begin{bmatrix} 1 & -1 \ -1 & 1 \end{bmatrix} $$

两个单元长度都是 $L_e=L/2$，组装后的整体刚度矩阵：

$$ K = \frac{2EA}{L} \begin{bmatrix} 1 & -1 & 0 \ -1 & 2 & -1 \ 0 & -1 & 1 \end{bmatrix} $$

如果在节点1处固定，节点2、3自由，求解 $K_{22}u_2+K_{23}u_3=F_2$、$K_{32}u_2+K_{33}u_3=F_3$，就能得到节点位移。

5.2 两条推导路径，同一套矩阵

从Ritz视角看，节点位移 $u_2,u_3$ 就是Ritz系数 $c_j$，总势能对每个节点位移求偏导为零，得到的就是组装后的整体方程。从Galerkin视角看，在方程两端乘以形函数、分部积分、再对每个单元组装，得到的是完全相同的方程。

那为什么有限元教科书几乎都用Galerkin推导，而不是Ritz？原因是Galerkin弱形式对光滑性要求更低，且能自然延伸到非自伴、非线性和时变问题。你以后如果做流体、传热、电磁仿真，会经常用到"弱形式"这个说法，但它并不总对应一个能量极小问题。习惯从弱形式出发，切换问题时思路更顺。

5.3 一个看似巧合的数值例子

还是这根杆，$f$ 为均布载荷，两单元线性元算出来的节点位移是：

$$ u_2 = \frac{3fL^2}{8EA}, \quad u_3 = \frac{fL^2}{2EA} $$

而解析解 $u(x) = \frac{f}{EA}(Lx - \frac{x^2}{2})$ 在这两个节点上给出的值恰好完全相同。学生时代我一度以为线性有限元对均布载荷是精确解，后来换成变截面杆或非均布载荷，才发现这只是"精确解恰好是二次多项式、线性元的节点值在某些情况下恰巧精确"的特例。更一般的问题里，线性元只有收敛性，没有这种巧合，位移误差是 $O(h^2)$，能量范数误差是 $O(h)$，加密网格才能逼近精确解。

5.4 能量范数下的最优性

有限元误差分析里有个Céa引理的思想：在自伴正定问题中，有限元解与精确解在能量范数下的误差，不超过精确解与 $V_h$ 中任意函数的最小误差，最多差一个常数。换句话说，有限元解是子空间里能量意义上最好的那个近似。这个性质不是某个算法的巧合，而是Ritz/Galerkin共同的结构保证。理解了这一点，你就能明白为什么应力恢复和超收敛分析要从能量投影的角度去解释。

6. 对流占优、非自伴场景里，两种方法都容易翻车

6.1 为什么Ritz在非自伴问题上直接失效

前面提到，对流-扩散方程 $-εu''+bu'=0$ 含一阶导数项，它的双线性形式不对称。你可以试着构造泛函，让一阶变分为零恰好导出这个方程，但求出来的泛函通常不是"下界"，甚至可能是非凸的，极小值不存在或对应完全错误的解。实际遇到这类问题，就别想着找能量泛函了，老老实实走弱形式路线。

6.2 标准Galerkin在对流占优中的振荡：Peclet数

标准Galerkin用起来也会翻车。一维稳态对流-扩散问题，网格尺寸为 $h$，单元Peclet数定义为：

$$ Pe = \frac{b h}{2\varepsilon} $$

当 $Pe > 1$ 时，标准Galerkin离散后的解会出现非物理的节点振荡，扩散项太小，中心差分式的离散无法传递迎风信息，数值解就像"波纹"一样在真实解附近震荡。工程上遇到这个问题，第一反应是加密网格把 $Pe$ 压回1以内，但三维问题网格一加密计算量成倍增长，不是长久之计。更实用的做法是引入迎风或稳定化项（比如SUPG），本质是在权函数上做手脚，强制数值格式感知流动方向。

6.3 鞍点问题：inf-sup条件的暗礁

不可压缩流动里的速度-压力混合格式是另一个经典坑。速度场和压力场各自离散后，如果两个空间配合不当，压力场会出现棋盘状振荡。数学上这要求离散空间满足inf-sup条件，也叫LBB条件。很多新手用相同阶次的插值函数同时近似速度和压力，结果压力场一团糟，还以为是边界条件写错了。实际工程里，要么选满足LBB条件的单元组合，要么引入压力稳定化。这类问题Ritz法连边都沾不上，只能在Galerkin框架下小心处理。

6.4 工程排查思路：振荡了先检查什么

我自己的排查顺序是：先看网格Peclet数，计算一下局部单元的对流强度和扩散强度，如果 $Pe>1$，优先怀疑对流占优振荡；再看是否用了稳定化格式，如果没有，先加SUPG试试；然后检查边界条件，尤其是自然边界条件的边界项是否在弱形式里正确加载；接着检查是否存在刚体位移——约束不足时刚度矩阵奇异，解出来是整体漂移而不是振荡；最后如果是瞬态问题，检查时间步是否满足CFL条件。按这个顺序排查，绝大多数"莫名其妙振荡"的问题都能定位到具体原因。

7. 跳出二元对立：扩展方法与选型建议

7.1 Petrov-Galerkin：权函数不等于试探函数

标准Galerkin要求权函数等于试探函数，Petrov-Galerkin把这个限制放开：权函数 $w_i$ 和试探函数 $\phi_i$ 来自不同空间。在对流占优问题里，SUPG方法正是Petrov-Galerkin思想，取：

$$ w_i = \phi_i + \tau, b\cdot\nabla \phi_i $$

其中 $\tau$ 是稳定化参数，第二项只在流线方向起作用，相当于给离散格式注入迎风效应，同时保持一致性（精确解代入时，额外项因残差为零而不影响）。我第一次实现SUPG时，最惊讶的是它几乎不增加额外自由度，只是把单元矩阵的组装复杂了一点，但稳定性提升非常明显。

7.2 最小二乘有限元：换一种方式获得对称正定

最小二乘有限元把残差的平方积分最小化，等价于把 $a(u,v)=(Lu,Lv)$ 当成新的内积做Galerkin，得到的代数系统天然对称正定，这在不含适定性理论的情况下很有吸引力。代价是要求函数足够光滑，且往往需要引入辅助变量把高阶方程降阶，未知量数量变多、方程组变大。在部分电磁场问题里，这个代价是值得的。

7.3 按问题做选型

我整理了一张简单选型表，工程上可以直接对着选：

7.4 从仿真软件想到的最后一件事

如果你主要用商业软件做分析，很少手写矩阵，我的建议是：把Ritz和Galerkin的区别记住，不是为了考试，而是为了排查问题。当你看到异常振荡、边界条件不生效、收敛速度出奇地慢，能够快速判断"这是离散格式的稳定性问题，不是我的几何模型问题"。我在实际项目里遇到过一次热-流耦合结果在界面附近剧烈振荡，当时第一反应就是检查耦合界面上是否满足自伴条件、对流项有没有做稳定化，最后定位到是界面通量插值方式不合适，换了迎风处理后立刻正常。

这两种方法，一个是站在能量山顶往下看全局，一个是蹲在方程旁边一尺一尺量残差。理解它们各自的长处与偏见，数值分析这条路才算真正入了门。