普 通 高 等 教 育“十 一 五”国 家 级 规 划 教 材
一阶线性微分方程与总结
微分方程 · 第 22 次课（本课程最后一课）
教材：《医科高等数学》第四版（张选群 主编）
高等数学 C · 授课对象：医学生 · 2 学时
$y'+P(x)y=Q(x)$ · 积分因子 $\mu=e^{\int P\,dx}$ · 齐次方程代换 · 可降阶方程 · 静脉滴注稳态 · 全课微积分地图
💭 上课之前 · 请想一想
💊
恒速静脉滴注给药时，血药浓度会一直涨到无穷大吗？
不会。药一边以恒定速度进入血液，一边又按比例被代谢清除。进入与清除相互竞争，最终浓度会停在一个稳态浓度附近。这个"稳定下来"的规律，就是本课要解的一阶线性微分方程。
🧪
上一课的可分离变量方程能直接分离积分，但 $y'+2xy=4x$ 为什么不行？
因为 $y$ 的前面多了一个系数 $2x$，把 $y$ 和 $y'$ 缠在了一起，无法像 $\dfrac{dy}{dx}=f(x)g(y)$ 那样两边直接分开。我们需要一件新工具：积分因子。
✦ 带着这两个问题，进入全课程最后一课 ✦
🤔 怎么解 $y'+P(x)y=Q(x)$ 这种"含 $y$ 本身"的方程？
它比可分离变量方程更一般，是医学动力学模型里最常见的方程形式
📐标准形：先把 $y'$ 的系数化成 1，再套通解公式
🔑积分因子：乘 $\mu=e^{\int P\,dx}$，左边凑成 $(\mu y)'$
🔁常数变易法：先解齐次，再把常数"变"成函数
🧩齐次方程：令 $u=y/x$，把 $\dfrac{dy}{dx}=\varphi(y/x)$ 化可分离
🪜可降阶：$y''=f(x)$ 等三类，逐步降成一阶
🗺️全课总结：极限到微分方程的一条主干地图
在 22.1 节，我们会画出方程 $y'+2xy=4x$ 的通解 $y=2+C e^{-x^2}$ 的解曲线族——每一条曲线对应一个特解，先在这里预告一下。
微分方程不直接告诉你"未知函数是谁"，而是告诉你"未知函数与它的变化率之间满足什么关系"。
—— 从牛顿、莱布尼茨到今天，这条思路贯穿了整门微积分
🗺️
微积分：从两个问题到一张地图
17 世纪 · 牛顿与莱布尼茨各自独立创立微积分
把"变化"与"积累"这两个古老问题统一了起来
📖 一条主线串起整门课
微积分最初回答两个问题：一是"变化有多快"（瞬时速度、切线斜率），二是"累积有多少"（面积、总量）。前者引出了导数与微分，后者引出了定积分，而微积分基本定理把两者连成一件事——微分与积分互为逆运算。
本课程正是按这条主线展开：极限是地基，导数与微分描述局部变化，积分刻画全局累积，多元函数把一元的想法推广到多个变量，最后的微分方程则反过来——已知变化规律，去求那个未知的函数本身。
🎯 极限说清"趋向"，是后面一切概念的共同语言
📈 导数与微分回答"变化多快""局部近似成直线"
🧮 积分回答"累积多少"，并与微分互逆
🔗 微分方程由变化规律反推函数本身，回到真实世界
🌍 为什么医学生需要这张地图
生物与医学中大量规律不是"给出函数"，而是"给出变化率"。药物消除速率与浓度成正比，细菌增殖速率与当前数量成正比，这些都可写成微分方程。理解了整条主线，就知道微分方程是微积分从"算函数"走向"建模型"的最后一跃——它把前面学的极限、导数、积分全部串起来，用来回答真实世界的问题。
上一课我们学会了可分离变量方程——两边分开直接积分；这一课学更一般的一阶线性方程 $y'+P(x)y=Q(x)$，它需要一件新工具"积分因子"。
学完之后，我们把从极限到微分方程的整条主线画成一张地图，作为这门课的总结。
💡 学这一课之前
上一课我们建立了微分方程的基本概念：含未知函数及其导数的方程叫微分方程，阶是最高阶导数的阶数，通解含独立任意常数的个数等于阶数，特解由初始条件确定。我们还学会了可分离变量方程 $\dfrac{dy}{dx}=f(x)g(y)$——把 $y$ 的项和 $x$ 的项分开，两边积分即可。这一课要处理一类更常见的方程：$y$ 的前面多了一个函数系数。
🔗
一、一阶线性方程是什么
未知函数 $y$ 与导数 $y'$ 都只出现一次、且互不嵌套相乘的方程：$y'+P(x)y=Q(x)$。它比可分离变量方程更一般——绝大多数医学动力学模型（滴注、清除、房室）都能化成这个标准形。
🩺
二、为什么医学生必须学它
"输入恒定、消除与浓度成正比"是最基本的药物动力学假设：恒速静脉滴注、一级消除动力学、房室模型，都能写成 $C'+kC=k_0$ 这种一阶线性方程。解出它，就能回答"多久达到稳态""稳态浓度是多少"这类临床问题。
🎯
三、本课的四条主线
①一阶线性方程：标准形、通解公式、积分因子、常数变易法；②齐次方程：令 $u=y/x$ 化可分离变量；③可降阶方程：三类高阶方程逐步降阶（了解）；④全课总结：从极限到微分方程的微积分主干地图。
✦ 从"会分离"到"会凑全微分"，这是本课的关键一跃 ✦
22.1 一阶线性微分方程的标准形与通解公式
形如"未知函数的一阶导数 + 一个函数乘未知函数 = 另一个函数"的方程，是最实用的一阶方程。
📐 标准形
未知函数 $y=y(x)$ 及其导数 $y'$ 都是一次的方程，称为一阶线性微分方程，其标准形为
$$y'+P(x)\,y=Q(x)$$
其中 $P(x)$ 与 $Q(x)$ 都是已知的连续函数。★红线：套公式之前，必须先把 $y'$ 的系数化成 1——若方程写成 $a(x)y'+b(x)y=c(x)$，要先两边同除以 $a(x)$，得到标准形后再继续。
🚨 两个易错点（本课红线）：① 先化标准形（$y'$ 的系数为 1）；② 通解公式里出现两个积分 $\int P\,dx$ 与 $\int Q e^{\int P\,dx}\,dx$，这两个积分都不带任意常数，唯一的任意常数 $C$ 写在最后的方括号里。
🧮 通解公式
当 $y$ 的系数已化为 1 时，一阶线性方程 $y'+P(x)y=Q(x)$ 的通解为
$$y=e^{-\int P(x)\,dx}\left[\int Q(x)\,e^{\int P(x)\,dx}\,dx+C\right]$$
记 $\mu(x)=e^{\int P(x)\,dx}$ 称为积分因子，上式可简记为 $y=\dfrac{1}{\mu}\left[\int \mu\,Q(x)\,dx+C\right]$。这个公式不靠死记，它来自下一节要讲的"凑成全微分"思想。
⚪ 齐次与非齐次
当 $Q(x)\equiv0$ 时，方程变为 $y'+P(x)y=0$，称为齐次线性方程，它恰是可分离变量方程，可直接分离积分；当 $Q(x)\not\equiv0$ 时称为非齐次线性方程。
⚠️ 务必点明"齐次"的一词两义：这里的"齐次"指方程右端为零（$Q(x)\equiv0$），与"齐次函数"（满足 $f(tx,ty)=t^n f(x,y)$ 的函数）完全是两回事。后者对应的是 22.4 节的"齐次方程 $\dfrac{dy}{dx}=\varphi(y/x)$"。三种"齐次"含义不同，做题时先看清上下文。
✏️ 例 1 解方程 $y'+2xy=4x$
这里 $P(x)=2x$，$Q(x)=4x$。先算 $\int P(x)\,dx=\int 2x\,dx=x^2$（不带常数），积分因子 $\mu=e^{x^2}$。代入通解公式：
$$y=e^{-x^2}\left[\int 4x\,e^{x^2}\,dx+C\right]=e^{-x^2}\left[2e^{x^2}+C\right]=2+C\,e^{-x^2}$$
其中用到 $\int 4x\,e^{x^2}\,dx=2e^{x^2}$（把 $e^{x^2}$ 视作整体，其导数是 $2x\,e^{x^2}$）。回代验证：$y'=-2Cx\,e^{-x^2}$，于是 $y'+2xy=-2Cx\,e^{-x^2}+2x(2+C e^{-x^2})=4x$，恰好等于右端。
下方解曲线族里，每一条曲线对应一个 $C$；拖动滑块，看一族曲线如何被同一个通解 $y=2+C e^{-x^2}$ 组织起来。
22.2 积分因子：把左边凑成全微分
通解公式不是凭空来的。它的核心是一句话：找一个因子 $\mu$ 乘到方程两边，让左边恰好变成 $(\mu y)'$。
🔑 积分因子的构造
我们希望存在函数 $\mu=\mu(x)$，使 $\mu y'+\mu P(x)y$ 恰好是某个乘积的导数。注意到乘积法则 $(\mu y)'=\mu y'+\mu' y$，与 $\mu y'+\mu P(x)y$ 逐项对照，只要让 $\mu'=\mu P(x)$，即 $\dfrac{\mu'}{\mu}=P(x)$，两边积分得 $\ln\mu=\int P(x)\,dx$，故
$$\mu(x)=e^{\int P(x)\,dx}$$
这个 $\mu$ 就叫积分因子。
🧩 凑成全微分
用 $\mu$ 乘方程 $y'+P(x)y=Q(x)$ 两边：
$$\mu\,y'+\mu\,P(x)\,y=\mu\,Q(x)\quad\Longleftrightarrow\quad(\mu\,y)'=\mu\,Q(x)$$
左边已经凑成了一个完整的导数 $(\mu y)'$——这一步就是"凑成全微分"。两边对 $x$ 积分：$\mu\,y=\int \mu\,Q(x)\,dx+C$，两边再除以 $\mu$，就得到上一节的通解公式。
💡 为什么要这样凑：一旦左边写成 $(\mu y)'$，积分就只剩右边一项，未知函数 $y$ 被"解放"了出来。这正是积分因子的全部妙处——用一次乘法，把"$y$ 和 $y'$ 纠缠"的困难，转换成"积一个显式函数"的简单。
📈 直观：$\mu$ 长得有多快
对 $P(x)=ax$（常数 $a\gt0$）这种简单情形，$\mu=e^{\int ax\,dx}=e^{ax^2/2}$。拖动 $a$，看积分因子随 $x$ 增长得有多快——它增长得越快，说明 $y$ 的系数 $P(x)$ 越大。
22.3 常数变易法：把常数"变"成函数
通解公式能直接算，但了解它的另一种推导——常数变易法，能让你更清楚"齐次解 + 特解"的结构。
🪜 三步走
① 先解对应的齐次方程
对 $y'+P(x)y=0$ 分离变量：$\dfrac{dy}{y}=-P(x)\,dx$，积分得 $y=C\,e^{-\int P(x)\,dx}$，这是齐次方程的通解。
② 把常数变易为函数
把常数 $C$ 换成待定函数 $C(x)$，设 $y=C(x)\,e^{-\int P(x)\,dx}$，代入非齐次方程 $y'+P(x)y=Q(x)$ 去定 $C(x)$。
③ 解出 $C(x)$ 得通解
代回整理后，$C(x)$ 的项会被消去，只剩 $C'(x)$ 的一次方程，积分即得 $C(x)$，从而得到与通解公式一致的结果。
✏️ 例 2 用常数变易法重解 $y'+2xy=4x$
先解齐次方程 $y'+2xy=0$：分离变量得 $\dfrac{dy}{y}=-2x\,dx$，积分 $\ln|y|=-x^2+C_1$，故
$$y=C\,e^{-x^2}$$
再令 $y=C(x)\,e^{-x^2}$，代入原方程。计算 $y'=C'(x)e^{-x^2}-2xC(x)e^{-x^2}$，于是
$$y'+2xy=C'(x)e^{-x^2}=4x$$
得 $C'(x)=4x\,e^{x^2}$，积分 $C(x)=2e^{x^2}+C$，代回得 $y=(2e^{x^2}+C)e^{-x^2}=2+C e^{-x^2}$，与例 1 完全一致。
📈 一阶线性方程：通解公式 vs 常数变易法
两条路殊途同归，都给出 $y=e^{-\int P\,dx}\left[\int Q e^{\int P\,dx}\,dx+C\right]$，但视角不同。
① 通解公式：一步到位
$y=e^{-\int P(x)\,dx}\left[\int Q(x)\,e^{\int P(x)\,dx}\,dx+C\right]$
优点直接套公式，适合标准化求解；
要点两个积分都不带常数，$C$ 只在最后出现；
前提$y'$ 的系数必须先化成 1。
② 常数变易法：先齐次后非齐次
$y=C(x)\,e^{-\int P(x)\,dx}$
思想先解齐次方程，再把常数"变"成函数去满足非齐次；
结构非齐次通解 = 齐次通解 + 非齐次的一个特解；
适用高阶线性方程里也照用，是一条可迁移的思路。
③ 结构：通解 = 齐次通解 + 特解
以例 1 为例，$2$ 是非齐次方程的一个特解（代入 $y'+2xy=4x$ 成立），$C e^{-x^2}$ 是齐次方程的通解，两者相加即得全部解。这个"齐次解 + 特解"的结构，是线性方程最深刻的性质——线性叠加原理。
📝 提醒：验算线性方程的解时，把求出的 $y$ 代回原方程，等式应恒成立；本课所有例题结论均已用程序独立复算并回代验证。
22.4 齐次方程：令 $u=\dfrac{y}{x}$ 化可分离
若方程能写成 $\dfrac{dy}{dx}=\varphi\!\left(\dfrac{y}{x}\right)$，即右端只依赖 $y$ 与 $x$ 的比值，就称为齐次方程，可用代换 $u=\dfrac{y}{x}$ 化成可分离变量方程。
🔁 代换 $u=y/x$
设 $u=\dfrac{y}{x}$，则 $y=ux$，由乘积法则 $y'=u+xu'$。代入 $\dfrac{dy}{dx}=\varphi(u)$：
$$u+x\,\frac{du}{dx}=\varphi(u)\quad\Longrightarrow\quad x\,\frac{du}{dx}=\varphi(u)-u$$
上式已是可分离变量方程：$\dfrac{du}{\varphi(u)-u}=\dfrac{dx}{x}$，两边积分即可，最后把 $u$ 换回 $\dfrac{y}{x}$。
⚠️ 再次区分"齐次"：本节的"齐次方程"指 $\dfrac{dy}{dx}=\varphi(y/x)$ 这种右端只依赖比值的方程，它对应"零次齐次函数"的背景；而 22.1 节里"齐次线性方程"指右端为零的 $y'+P(x)y=0$。两者名字里都有"齐次"，含义完全不同，判别的标志也不一样。
✏️ 例 3 解方程 $\dfrac{dy}{dx}=\dfrac{x^2+y^2}{xy}$（$x\gt0$）
右端 $\dfrac{x^2+y^2}{xy}=\dfrac{x}{y}+\dfrac{y}{x}=\dfrac{1}{y/x}+\dfrac{y}{x}$，只依赖比值 $\dfrac{y}{x}$，是齐次方程。令 $u=\dfrac{y}{x}$，则 $y'=u+xu'$，方程化为
$$u+xu'=\frac{1}{u}+u\quad\Longrightarrow\quad x\,\frac{du}{dx}=\frac{1}{u}$$
分离变量：$u\,du=\dfrac{dx}{x}$，积分得 $\dfrac{u^2}{2}=\ln x+C_1$，即 $u^2=2\ln x+C$。换回 $u=\dfrac{y}{x}$，得隐式通解
$$y^{2}=x^{2}\left(2\ln x+C\right)$$
即 $y=\pm x\sqrt{2\ln x+C}$。下图画出这个隐式解族的上下两支，拖动 $C$ 观察曲线随常数的变化。
🔁 齐次方程 $\dfrac{dy}{dx}=\varphi(y/x)$ 的完整步骤
四步：设 $u=y/x$ → 代换 → 分离变量积分 → 换回 $y$。
① 判别
把右端所有 $x,y$ 看成同次的，若能整体写成只含 $\dfrac{y}{x}$ 的函数，就是齐次方程。例 3 中 $\dfrac{x^2+y^2}{xy}=\dfrac{x}{y}+\dfrac{y}{x}$ 只依赖比值。
② 代换
$u=\dfrac{y}{x}$，$y=ux$，$y'=u+x\dfrac{du}{dx}$
③ 分离变量积分
$x\dfrac{du}{dx}=\varphi(u)-u\ \Rightarrow\ \dfrac{du}{\varphi(u)-u}=\dfrac{dx}{x}$
④ 换回 $y$
积分出 $u$ 与 $x$ 的关系后，把 $u=\dfrac{y}{x}$ 代回，写成 $y$ 与 $x$ 的（隐式）通解。
📝 提醒：齐次方程的代换本质是"把两个变量按比例缩成一个新变量"，跟 22.5 节可降阶方程的"令 $p=y'$"同属"换元化简"这一大类技巧。
22.5 可降阶的高阶方程（了解）
有些高阶方程可以逐步"降阶"，变成我们已经会解的一阶方程。这里了解三类最典型的。
🪜 三种类型
| 类型 | 方程形式 | 降阶方法 |
|---|
| Ⅰ 缺 $y$ 缺 $y'$ | $y''=f(x)$ | 直接对 $x$ 积分两次，每积一次出一个常数 |
| Ⅱ 缺 $y$ | $y''=f(x,y')$ | 令 $p=y'$，则 $y''=p'$，化为一阶 $p'=f(x,p)$ |
| Ⅲ 缺 $x$ | $y''=f(y,y')$ | 令 $p=y'$，且 $y''=p\dfrac{dp}{dy}$，化为以 $y$ 为自变量的方程 |
👉 左右滑动查看完整表格 👈
✏️ 例 4 解 $y''=6x$（类型Ⅰ）
第一次积分：$y'=\int 6x\,dx=3x^2+C_1$；第二次积分：
$$y=\int\left(3x^{2}+C_1\right)dx=x^{3}+C_1 x+C_2$$
通解含两个独立常数 $C_1,C_2$，正好等于方程的阶数 2。若再给初始条件 $y'(0)=1,\ y(0)=0$，则由 $y'(0)=C_1=1$、$y(0)=C_2=0$ 得特解 $y=x^3+x$。下图是 $C_2=0$ 时随 $C_1$ 变化的曲线族。
📌 降阶思想的共同点：三类可降阶方程都靠"引入一个新变量代替低阶量"——类型Ⅱ、Ⅲ令 $p=y'$，其中类型Ⅲ还要用到链式法则 $y''=\dfrac{dp}{dx}=\dfrac{dp}{dy}\cdot\dfrac{dy}{dx}=p\dfrac{dp}{dy}$。掌握"降阶"这个动作本身，比记住三种具体形式更重要。
22.6 医学应用：恒速静脉滴注的稳态浓度 · 与 AI 的联系
一阶线性方程不是纸上谈兵——它是药物动力学里最基本的模型语言。
💊 恒速静脉滴注模型
设药物以恒定速率 $k_0$（单位时间的输入量）滴入血液，同时药物按一级动力学消除——消除速率与当前浓度成正比（比例系数 $k\gt0$）。则血药浓度 $C(t)$ 的变化率等于"输入"减去"消除"：
$$\frac{dC}{dt}=k_0-k\,C$$
整理成标准形 $C'+kC=k_0$，这是一阶线性方程，$P(t)=k$，$Q(t)=k_0$。由通解公式：$C(t)=e^{-kt}\left[\int k_0 e^{kt}\,dt+C\right]=\dfrac{k_0}{k}+A e^{-kt}$。
若初始浓度 $C(0)=0$，则 $A=-\dfrac{k_0}{k}$，得
$$C(t)=\frac{k_0}{k}\left(1-e^{-kt}\right)$$
🧭 稳态浓度：令变化率为零，$0=k_0-k\,C_{ss}$，得 $C_{ss}=\dfrac{k_0}{k}$。当 $t\to+\infty$ 时 $e^{-kt}\to0$，故 $C(t)\to C_{ss}$——浓度单调上升并趋近稳态，不会无限增长，这正是开场思考题的答案。临床上由 $C_{ss}$ 与消除速率 $k$ 反推滴注速率 $k_0$，就靠这个关系。
下图画出 $C_{ss}=1$ 时的浓度曲线，拖动消除速率 $k$，看逼近稳态的快慢如何变化。
🔬 三个可检验的结论
① $C(0)=0$，从零开始；② $C(t)$ 单调增加且恒有 $C(t)\lt C_{ss}$（有界）；③ 由连续且单调，对任意介于 $0$ 与 $C_{ss}$ 之间的目标浓度 $C^*$，存在唯一时刻 $t^*$ 使 $C(t^*)=C^*$——这正是上一课介值定理与单调性的联合应用。
🤖 数学与 AI：微分方程在模型里意味着什么
微分方程与 AI 的联系，主要落在"用变化规律描述系统"这条思路上。
🔁 梯度下降的连续极限
训练神经网络靠梯度下降——每一步沿负梯度方向走一小步。把步长取得极小时，这个离散更新过程在极限下可用一条常微分方程近似描述，这正是"神经 ODE"研究的起点：用微分方程刻画信息在网络中的连续流动。
➕ 线性叠加原理
线性微分方程的解满足"齐次解 + 特解"的叠加结构，这与线性系统"输入可分解、响应可叠加"的思想一脉相承。许多信号处理与浅层模型正是建立在线性系统的这个性质之上。
🏥 药代动力学与剂量优化
房室模型把人体分成几个隔室，每个隔室的浓度变化写成线性微分方程组。AI 辅助给药、个体化剂量优化，往往先在这样的一阶线性方程系统上建模，再叠加数据驱动的方法。
🎯 实践含义
微分方程给出的是"规律"，AI 给出的是"从数据学规律"。两者结合，就是今天说的"物理/机理约束的机器学习"——先用微分方程写下已知的医学规律，再用数据校准其中的参数。
🔍 必须分清的一点：模型 ≠ 事实。恒速滴注的稳态公式依赖两个理想化假设——输入恒定、消除与浓度成正比。真实患者有代谢差异、药物相互作用，$k$ 与 $k_0$ 都要由实测数据校准。公式给出的是理想情形下的趋势，临床决策仍需回到个体数据。
22.7 拓展资源 · 自主加练
本课配有一条知识短片（约 8 分钟，中文解说 + 同步字幕，覆盖全课主线），另有可交互演示与公开课检索入口，方便你按自己的节奏复习。
🎬 本课知识短片
📖 短片内容：一阶线性方程的标准形 → 通解公式与两个积分 → 积分因子凑全微分 → 常数变易法 → 齐次方程代换 → 可降阶方程 → 静脉滴注的稳态浓度 → 全课微积分主干地图。本片为中文解说版（配音 + 同步字幕，无背景音乐，画面与配音均由程序生成），内容依据《医科高等数学》第四版。
🧪 页内交互演示（直接拖动滑块）
| 演示 | 位置 | 看什么 |
|---|
| 解曲线族 | 22.1 节 | 拖动 $C$，看 $y=2+Ce^{-x^2}$ 的一族曲线如何铺满平面 |
| 积分因子 | 22.2 节 | 改 $a$，看 $\mu=e^{ax^2/2}$ 的增长快慢 |
| 齐次方程 | 22.4 节 | 改 $C$，看 $y^2=x^2(2\ln x+C)$ 的上下两支 |
| 可降阶 | 22.5 节 | 改 $C_1$，看 $y=x^3+C_1x+C_2$ 的曲线族 |
| 稳态浓度 | 22.6 节 | 改 $k$，看浓度如何逼近稳态 $C_{ss}$ |
👉 左右滑动查看完整表格 👈
📚 公开课与教材配套资源
🎓 中国大学 MOOC
在 icourse163.org 搜索"高等数学"或"医科高等数学"，可找到完整课程录像。微分方程这一章通常归在"常微分方程"模块内。
📺 视频平台
在主流视频平台搜索"一阶线性微分方程""积分因子法""常数变易法"，建议选择有完整推导过程的视频，边看边把积分因子凑全微分的步骤自己抄写一遍。
📖 教材对应章节
《医科高等数学》第四版（张选群主编）：一阶线性微分方程、可降阶的高阶微分方程。课后习题建议全部完成，其中一阶线性方程的通解与初值问题至少各做 5 道。
📌 复习建议：这一课最容易被"公式背下来却不会用"骗过去。建议按这个顺序练：先练"化标准形 + 套公式"（保证 $y'$ 系数为 1）→ 再练积分因子凑全微分 → 再练齐次方程的 $u=y/x$ 代换 → 最后练静脉滴注求稳态浓度。每类各做 3 道，手感就出来了。
22.8 随堂练习 · 答对撒花庆祝 🎉
1️⃣ 求方程 $y'+\dfrac{1}{x}y=x^2$（$x\gt0$）的通解。
A. $y=\dfrac{x^3}{4}+\dfrac{C}{x^2}$
B. $y=\dfrac{x^3}{4}+\dfrac{C}{x}$
C. $y=\dfrac{x^3}{3}+\dfrac{C}{x}$
D. $y=\dfrac{x^3}{4}+Cx$
2️⃣ 求初值问题 $y'+2xy=4x$，$y(0)=3$ 的特解。
A. $y=2+3e^{-x^2}$
B. $y=2-e^{-x^2}$
C. $y=2+e^{-x^2}$
D. $y=3-e^{-x^2}$
3️⃣ 解可降阶方程 $y''=6x$，满足 $y'(0)=1$，$y(0)=0$ 的特解是？
A. $y=x^3-x$
B. $y=x^3+x+1$
C. $y=3x^3+x$
D. $y=x^3+x$
4️⃣ 齐次方程 $\dfrac{dy}{dx}=\dfrac{x^2+y^2}{xy}$（$x\gt0$）的隐式通解是？
A. $y^2=x^2(2\ln x+C)$
B. $y^2=x^2(\ln x+C)$
C. $y=x(2\ln x+C)$
D. $y^2=2x\ln x+C$
5️⃣ 恒速静脉滴注模型 $\dfrac{dC}{dt}=k_0-kC$（$k\gt0$），其稳态浓度 $C_{ss}$ 为？
A. $C_{ss}=k_0\,k$
B. $C_{ss}=\dfrac{k_0}{k}$
C. $C_{ss}=\dfrac{k}{k_0}$
D. $C_{ss}=k_0+k$
22.9 数学思维导图 · 本课小结与课程总结
🧠 本课知识思维导图
📘 一阶线性方程
与课程总结
一阶线性方程
- 标准形 $y'+P(x)y=Q(x)$
- 先化 $y'$ 系数为 1
- 通解公式
- 两个积分不带常数
积分因子
- $\mu=e^{\int P\,dx}$
- 左边凑成 $(\mu y)'$
- 常数变易法
- 齐次解 + 特解
齐次与可降阶
- 齐次方程 $u=y/x$
- 化可分离变量
- 可降阶三类
- 令 $p=y'$
医学应用
- 恒速静脉滴注
- 一级消除动力学
- 稳态浓度 $C_{ss}=k_0/k$
- 唯一达峰时刻
全课地图
- 极限 → 导数微分
- 积分 → 多元
- → 微分方程
- 由变化率反推函数
🗺️ 全课微积分主干知识地图
拖动滑块，逐站回顾全课主线：极限 → 导数与微分 → 积分 → 多元函数 → 微分方程。
🗺️ 全课微积分主干知识地图（完整版）
一条主线：用极限的语言，把"变化"与"积累"算清楚，再用来描述真实世界的变化规律。
① 极限 —— 地基
回答"当自变量越来越接近某点时，函数值趋向谁"。它是导数、积分、连续性的共同语言，也是求导、求积分的定义来源。
② 导数与微分 —— 局部变化
导数回答"变化有多快"（瞬时变化率、切线斜率）；微分回答"局部近似成一条直线"。中值定理、洛必达法则、极值问题都是它的应用。
③ 积分 —— 全局累积
不定积分是"求原函数的全体"，定积分回答"累积了多少"（面积、总量）。微积分基本定理把微分与积分连成互逆运算，反常积分、微元法与定积分应用随之展开。
④ 多元函数 —— 多个变量
偏导数、全微分、复合与隐函数求导、极值与条件极值，把一元的想法推广到多个变量，用于描述多因素共同作用的系统。
⑤ 微分方程 —— 反推函数
前面的知识是"给函数算变化"，微分方程反过来"给变化规律求函数"。可分离变量方程、一阶线性方程、齐次方程、可降阶方程，都服务于这一步——从规律回到函数。
📝 一句话收束：极限给出语言，导数微分看局部，积分看全局，多元看多个变量，微分方程看"由变化率反推函数"——五站连成一条从"算变化"到"建模型"的主线。
✅ 本课小结
📐
一阶线性方程先化标准形再套公式：$y'+P(x)y=Q(x)$ 的通解是 $y=e^{-\int P\,dx}\left[\int Q e^{\int P\,dx}\,dx+C\right]$。两条红线：$y'$ 系数先化为 1；两个积分都不带常数，唯一的 $C$ 写在最后。
🔑
积分因子凑全微分：$\mu=e^{\int P\,dx}$ 乘到两边，左边恰好变成 $(\mu y)'$，把"$y$ 与 $y'$ 纠缠"转成"积一个显式函数"。这是通解公式的全部来历。
🔁
常数变易法：先解齐次方程得 $y=Ce^{-\int P\,dx}$，再把 $C$ 换成 $C(x)$ 代入非齐次方程。它揭示了解的结构——非齐次通解 = 齐次通解 + 特解。
🧩
"齐次"一词三义要分清：① 齐次线性方程指右端为零（$Q\equiv0$）；② 齐次方程 $\dfrac{dy}{dx}=\varphi(y/x)$ 用 $u=\dfrac{y}{x}$ 代换；③ 齐次函数是 $f(tx,ty)=t^n f(x,y)$。三者判据不同，别混。
🪜
可降阶方程：$y''=f(x)$ 两次积分；$y''=f(x,y')$ 令 $p=y'$；$y''=f(y,y')$ 令 $p=y'$ 且 $y''=p\dfrac{dp}{dy}$。共同思路是"引入新变量，把高阶降到一阶"。
🏥
医学：恒速滴注趋于稳态：$C'+kC=k_0$ 的解是 $C(t)=\dfrac{k_0}{k}(1-e^{-kt})$，稳态浓度 $C_{ss}=\dfrac{k_0}{k}$。浓度单调上升、有界、趋近稳态，且对每个目标浓度存在唯一达峰时刻。
🎓 课程总结与后续学习方向
这是全课程的最后一节，因此这里不做下节预告，改为对整门课做一个收束，并给出后续学习的方向。
🧭 我们走过了什么
从极限（说清"趋向"）出发，经导数与微分（瞬时变化率与局部线性近似）、积分（累积与面积，且与微分互逆）、多元函数（偏导、全微分、极值与条件极值），到最后的微分方程（由变化规律反推函数本身）。一条主线：用极限的语言，把"变化"与"积累"算清楚，再用来描述真实世界的变化规律。
🩺 对医学生的下一步
微积分是后续课程的共同底座：概率论与数理统计（医学统计、临床试验）、线性代数（多变量系统）、生物数学与药代动力学（本课的微分方程模型会反复出现）、生物信息与医学 AI（梯度下降、优化、神经网络）。
🚀 怎样继续学
三步建议：先把本课程 22 讲的思维导图与练习回顾一遍，找到薄弱环节；再补概率统计与线性代数这两块；最后带着微分方程去读一两篇药代动力学或流行病学模型的论文，体会"数学怎么变成模型"。
🌙
结语：数学不是一堆公式，而是一套"把世界的变化写成方程、再把方程解出来"的语言。愿这套语言，成为你今后读文献、做研究时的一件趁手工具。