拉格朗日量:简单系统

拉格朗日量(Lagrangian)。

拉格朗日量 LLL 是一个函数,它包含了系统的所有物理特性。它以18世纪数学家约瑟夫·路易·拉格朗日(Joseph-Louis Lagrange)的名字命名。

对于一个简单的系统,它的定义如下:

L=T−VL = T - VL=T−V

其中 TTT 是动能(运动的能量),VVV 是势能(储存的能量)。

所以对于一个单摆来说:

  • T=12mθ˙2T = \frac{1}{2}m\dot{\theta}^2T=21mθ˙2(摆动产生的动能)

  • V=mgh=mgℓ(1−cos⁡θ)V = mgh = mg\ell(1-\cos\theta)V=mgh=mgℓ(1−cosθ)(摆的高度产生的势能)

  • L=12mθ˙2−mgℓ(1−cos⁡θ)L = \frac{1}{2}m\dot{\theta}^2 - mg\ell(1-\cos\theta)L=21mθ˙2−mgℓ(1−cosθ)

妙处在于:一旦你求出了 LLL,你就可以用欧拉-拉格朗日方程推导出所有运动方程:

ddt(∂L∂q˙)−∂L∂q=0\frac{d}{dt}\left(\frac{\partial L}{\partial \dot{q}}\right) - \frac{\partial L}{\partial q} = 0dtd(∂q˙∂L)−∂q∂L=0

关于点符号,这很重要。

θ\thetaθ = 角度(位置)

θ˙\dot{\theta}θ˙ = 角度的变化率(速度)

点表示"对时间求导"。所以:

θ˙=dθdt\dot{\theta} = \frac{d\theta}{dt}θ˙=dtdθ

想象一个摆锤:

θ\thetaθ 表示它的位置,向左 30 度

θ˙\dot{\theta}θ˙ 表示它的运动速度,每秒摆动 2 弧度

类似地:

θ¨=d2θdt2\ddot{\theta} = \frac{d^2\theta}{dt^2}θ¨=dt2d2θ 是加速度,速度变化的快慢。

所以,当写出 T=12mθ˙2T = \frac{1}{2}m\dot{\theta}^2T=21mθ˙2 时,意思是动能取决于速度,即运动的快慢,而不仅仅是位置。

这个点只是"时间导数"的简写,它使公式更简洁。

这里的"简单系统"实际上指的是"非相对论经典力学,包含保守力"。这段话有点拗口,但它的意思很简单:

  • 运动速度不接近光速(非相对论)

  • 没有量子效应(经典)

  • 力可由势能函数导出(保守)

所以,确实存在一些更复杂的系统,L=T−VL = T - VL=T−V 并不适用:

电磁场: LLL 涉及场强,而不仅仅是 T−VT - VT−V

相对论: L=−mc21−v2/c2L = -mc^2\sqrt{1 - v^2/c^2}L=−mc21−v2/c2 ,形式完全不同

存在约束或摩擦的系统: 需要更复杂的公式

"简单"在某种程度上是为了教学方便,这是我们学习的起点。但它也确实能恰当地描述一大类真实系统:摆、弹簧、行星轨道等等。

拉格朗日公式极其通用,它几乎适用于所有物理现象。T−VT-VT−V 形式只是其中最简单的特例。

那么,为什么是 T−VT - VT−V 而不是 T+VT + VT+V 或其他什么呢?

真相是:这是经验观察和数学的巧妙结合。

经验上: 当我们使用 L=T−VL = T - VL=T−V 并应用欧拉-拉格朗日方程时,我们得到了牛顿定律。我们得到了对物体运动方式的正确预测。它行之有效。

数学上: 有一个叫做"最小作用量"的原理,自然界似乎会最小化或使其保持不变以下量:

S=∫L,dt=∫(T−V),dtS = \int L , dt = \int (T - V) , dtS=∫L,dt=∫(T−V),dt

系统沿着使该积分保持不变的路径演化。

但是,为什么自然界遵循最小作用量定律?为什么偏偏是 T−VT - VT−V 呢?

说实话......我们并不完全清楚,这是个深奥的谜题。我们已经发现宇宙就是这样运行的,但最终的"为什么"仍然是哲学层面的。

拉格朗日量 L=T−VL = T - VL=T−V 描述了系统在每个时刻的"状态"。你可以把它想象成一个分数:高动能 TTT?系统运动速度快,分数高。高势能 VVV?系统正在"储存"能量,降低得分。

然后,自然界会选择能够最大化总累积得分,即 S=∫L,dtS = \int L , dtS=∫L,dt 的时间路径。

水往低处流。

相关推荐
Wect6 小时前
LeetCode 130. 被围绕的区域:两种解法详解(BFS/DFS)
前端·算法·typescript
NAGNIP17 小时前
一文搞懂深度学习中的通用逼近定理!
人工智能·算法·面试
颜酱1 天前
单调栈:从模板到实战
javascript·后端·算法
CoovallyAIHub1 天前
仿生学突破:SILD模型如何让无人机在电力线迷宫中发现“隐形威胁”
深度学习·算法·计算机视觉
CoovallyAIHub1 天前
从春晚机器人到零样本革命:YOLO26-Pose姿态估计实战指南
深度学习·算法·计算机视觉
CoovallyAIHub1 天前
Le-DETR:省80%预训练数据,这个实时检测Transformer刷新SOTA|Georgia Tech & 北交大
深度学习·算法·计算机视觉
CoovallyAIHub1 天前
强化学习凭什么比监督学习更聪明?RL的“聪明”并非来自算法,而是因为它学会了“挑食”
深度学习·算法·计算机视觉
CoovallyAIHub1 天前
YOLO-IOD深度解析:打破实时增量目标检测的三重知识冲突
深度学习·算法·计算机视觉
NAGNIP2 天前
轻松搞懂全连接神经网络结构!
人工智能·算法·面试
NAGNIP2 天前
一文搞懂激活函数!
算法·面试