Rayleigh-Ritz法与Galerkin法深度对比：从变分原理到有限元实现

如果你学有限元、做结构仿真，或者刚开始啃数值方法的教材，那“Rayleigh-Ritz法”和“Galerkin法”这两个名字一定绕不开。它们一个是变分法的代表，靠“能量极值”找近似解；一个是加权残值法的代表，靠“残差投影”求近似解。两条路看起来起点完全不同，却在很多问题里殊途同归，甚至算出来的方程一模一样。搞懂它们的关系，等于打通了从“解析推导”到“有限元实现”的任督二脉。

这篇文章适合正在学有限元理论、做结构或热分析仿真、以及所有被“试函数”和“弱形式”折磨过的人。我尽量不绕弯子，直接用一维算例把两个方法的推导过程、矩阵形式、边界条件处理全部走一遍，再聊聊它们在有限元里的真实地位和常见坑。看完你至少能回答一个问题：为什么有限元教材默认选Galerkin，但很多结构力学书却偏爱Rayleigh-Ritz。

1. 先搞清楚两个方法解决的同一个问题：微分方程太难解

1.1 真实工程里，精确解基本都是奢侈品

先看一个最简单的一维问题：一根两端固定的杆，受到轴向分布力，求位移场。杆的控制方程写出来是二阶常微分方程，边界条件也就两个点。这种问题存在精确解，手算也不难。但一旦几何形状变成二维曲面、材料不均匀、载荷随空间变化，偏微分方程的精确解基本就不存在了，或者存在你也求不出来。

于是数值近似成了唯一出路。近似的基本套路是：假设解具有某种形式，比如一组基函数的线性组合，然后把“未知函数”变成“有限个未知系数”。问题从“解方程”变成“算系数”。Rayleigh-Ritz法和Galerkin法，本质上是两种“算系数”的准则。

1.2 两类近似思想：变分原理派和加权残差派

工程问题往往对应一个物理量取极值。比如弹簧系统，平衡位置是势能最小的地方；受拉杆的位移场，是总势能取极小值时的位移场。如果能把微分方程等价转化为某个泛函的极值问题，那就可以先假设一个带有未知系数的近似位移场，代入泛函，再对每个系数求偏导令其为零，直接得到一组代数方程。这是Rayleigh-Ritz法的全部逻辑。

Galerkin法走另一条路：直接把近似解代回微分方程，肯定不满足，会剩一个残差。一个很自然的想法是，让这个残差在某种“平均”意义下等于零，也就是把残差投影到一组权函数上，令投影为零。Galerkin法选权函数的方式特别朴素：权函数就是试函数本身。这个选择看起来简单，却让它在有限元里成了统治级玩家。

2. Rayleigh-Ritz法：给能量找最小值

2.1 它的前提：有一个能量泛函

Ritz法的第一步不是写微分方程，而是找泛函。这个泛函通常是系统的势能或余能。比如对于一维问题

[ -u''+u=x,\quad u(0)=u(1)=0 ]

对应的泛函是

[ J(u)=\int_0^1\left(\frac{1}{2}(u')^2+\frac{1}{2}u^2-xu\right)\mathrm{d}x ]

你可能会问，这个泛函怎么来的？一个可靠方式是“反推”：泛函的Euler-Lagrange方程就是原微分方程。也就是说，你把泛函里的被积函数看成 (F(x,u,u'))，代 (F_u-\frac{\mathrm{d}}{\mathrm{d}x}F_{u'}=0)，得到的方程正好是 (-u''+u=x)。能写出这个泛函，Ritz法就有得玩。

这个泛函的物理意义很直观：前三项代表系统的应变能和“弹性支撑能”，第四项是外力功的负值。真实解让总势能最小，就像小球滚到碗底。近似解的难点在于，我们不知道“碗”长什么样，只能在某个受限的形状空间里找最低点。

2.2 试函数怎么选、边界条件怎么满足

Ritz法最核心的操作是选试函数。常见做法：

[ \tilde{u}(x)=\sum_{i=1}^{n}c_i\varphi_i(x) ]

(\varphi_i(x)) 是基函数，(c_i) 是待定系数。选择基函数的原则是：

• 必须逐项满足强制边界条件，也就是本质边界条件，比如本例的 (u(0)=u(1)=0)。
• 尽量满足光滑性要求，至少保证泛函中的积分有意义。
• 正交性越好，联立方程越容易解。

对于这个例子，最方便的一组基函数是 (\sin(i\pi x))。每个 (\sin(i\pi x)) 在两个端点都是零，而且不同频率之间正交，算起来非常舒服。

注意，不需要让每个基函数满足自然边界条件，比如自由端的力的边界。自然边界条件在变分原理里会被自动满足。很多人初学Ritz法时试图让试函数满足所有边界条件，结果反而把试函数空间限制得太小，精度下降，这是典型的过度设计。

2.3 完整推导：一维杆件问题的Ritz解

取一阶近似

[ \tilde{u}_1(x)=c_1\sin(\pi x) ]

代入泛函，利用积分公式

[ \int_0^1\sin^2(\pi x)\mathrm{d}x=\frac{1}{2},\quad \int_0^1(\sin'(\pi x))^2\mathrm{d}x=\frac{\pi^2}{2},\quad \int_0^1x\sin(\pi x)\mathrm{d}x=\frac{1}{\pi} ]

得到

[ J(c_1)=\left(\frac{\pi^2}{4}+\frac{1}{4}\right)c_1^2-\frac{c_1}{\pi} ]

对 (c_1) 求导并令其为零：

[ \frac{\partial J}{\partial c_1}=\frac{\pi^2+1}{2}c_1-\frac{1}{\pi}=0 ]

解得

[ c_1=\frac{2}{\pi(\pi^2+1)}\approx 0.0585 ]

取二阶近似

[ \tilde{u}_2(x)=c_1\sin(\pi x)+c_2\sin(2\pi x) ]

由于 (\sin(\pi x)) 和 (\sin(2\pi x)) 在区间上正交，交叉项全部消失，系数直接解耦：

[ c_1=\frac{2}{\pi(\pi^2+1)},\quad c_2=\frac{-2}{2\pi(4\pi^2+1)} ]

注意 (c_2) 是负的，说明高次项在修正一阶近似。这两个系数一算，近似位移场就确定了。整个过程只有积分、求导、解一元方程，没有任何微分方程求解器的介入，这就是变分法的魅力。

3. Galerkin法：让残差在加权平均意义下为零

3.1 加权残值思想：误差也要“投影”

Ritz法起点是泛函。但如果一个物理问题找不到泛函怎么办？比如非保守系统、对流占优的对流扩散问题，这种情况变分原理可能不存在，或者构造出来的泛函稳定性极差。这时候需要更直接的近似准则：写出微分方程残差，逼它变小。

具体做法是：把近似解代回微分方程，得到残差

[ R(x)=\tilde{u}''(x)+\tilde{u}(x)-x ]

如果 (\tilde{u}) 是精确解，残差处处为零。但近似解做不到处处为零，那就让残差在“加权平均”的意义下为零：

[ \int_0^1 R(x)w_i(x)\mathrm{d}x=0,\quad i=1,2,\dots,n ]

权函数 (w_i(x)) 怎么选？最经典的选法是 (w_i=\varphi_i)，也就是基函数本身，这就是Galerkin法。如果把权函数取成Dirac函数，就成了配点法；取成不连续阶梯函数，就是子域法。Galerkin法在有限元里胜出的原因在于：它既有清晰的数学意义，又能自然推导出对称性良好的代数方程组。

3.2 Galerkin法的完整推导：同一个例子

还是那个方程

[ -u''+u=x,\quad u(0)=u(1)=0 ]

取近似解

[ \tilde{u}(x)=\sum_{i=1}^{n}a_i\sin(i\pi x) ]

残差是

[ R(x)=\sum_{i=1}^{n}a_i(i^2\pi^2+1)\sin(i\pi x)-x ]

Galerkin条件：对每个 (\sin(m\pi x))，令积分

[ \int_0^1 R(x)\sin(m\pi x)\mathrm{d}x=0 ]

利用正交性，左边只剩下 (m) 那一项：

[ a_m(m^2\pi^2+1)\cdot\frac{1}{2}-\frac{(-1)^{m+1}}{m\pi}=0 ]

所以

[ a_m=\frac{2(-1)^{m+1}}{m\pi(m^2\pi^2+1)} ]

看到这里你应该发现了，这和Ritz法得到的系数公式完全一致。取 (m=1)，得到 (a_1=2/(\pi(\pi^2+1)))；取 (m=2)，得到 (a_2=-2/(2\pi(4\pi^2+1)))。一模一样。

3.3 与Ritz法对比：结果一模一样，但路径不同

为什么两条路会得到相同的方程？因为在这个自伴正定问题里，微分方程对应泛函极值，Ritz法的极值条件 (\partial J/\partial c_i=0) 和Galerkin法的投影条件 (\int R\varphi_i=0) 经过分部积分后是等价的。具体说，Galerkin法里如果对含二阶导数的项做一次分部积分，就会得到弱形式：

[ \int_0^1\left(u'v'+uv-xv\right)\mathrm{d}x=0 ]

这里 (v) 取的是基函数。而Ritz法极值条件展开后也是这个式子。所以结论是：对于自伴正定算子、同一组试函数、本质边界条件相同，Ritz法和Galerkin法给出相同的近似解。

但路径不同意味着适用范围不同。Galerkin法不需要先构造泛函，只要方程能写出来，就能做加权残差，这让它远不止适用于变分问题。后面你会看到，Galerkin法的这个“糙”劲儿，正是它在有限元里称王的原因。

4. 两个方法在有限元里的地位与取舍

4.1 为什么有限元几乎都用Galerkin而不用Ritz

有限元方法每天被无数人使用，但细看它的理论源头，你会发现底层逻辑是Galerkin法。原因有三点。

第一，泛函不是谁都能找到的。很多实际问题，特别是非对称算子控制的问题，压根没有现成能量泛函。Ritz法在第一步就卡住了。Galerkin法不问泛函在不在，直接拿强形式方程做投影，通用性完胜。

第二，Galerkin弱形式对分片函数的要求更低。这是有限元能成功的关键。对于二阶方程，强形式要求试探函数二阶连续可导。但如果对二阶导数项做一次分部积分，得到弱形式后，积分里最多只有一阶导数，插值函数只要分片一阶连续，甚至一阶平方可积就够了。这样工程上最常用的分片线性函数就能上阵。Ritz法其实也会得到同样的弱形式，但它的推导前提是存在泛函；Galerkin法直接把弱形式作为起点，数学上少了很多包袱。

第三，弱形式的边界条件处理是自然发生的。在弱形式推导过程中，原来强形式里的自然边界条件会自己冒出来，只需要在边界积分项里代入给定值就行。Galerkin法把“本质边界条件”和“自然边界条件”的分工理顺了，这正是有限元前处理里复杂边界条件的处理基础。

4.2 一维有限元里的单元矩阵是怎么来的

既然提到有限元，我用一维杆单元展示一下Galerkin弱形式如何变成单元刚度矩阵。这是理解“Galerkin → 有限元”的关键一跳。

把区间划分成单元，每个单元长度 (h)。单元内用线性插值：

[ u(x)=N_1(x)u_1+N_2(x)u_2 ]

形函数是

[ N_1=\frac{x_2-x}{h},\quad N_2=\frac{x-x_1}{h} ]

Galerkin弱形式是

[ \int_0^1\left(u'v'+uv\right)\mathrm{d}x=\int_0^1 xv,\mathrm{d}x ]

取 (v=N_i)，把插值代入，得到单元矩阵：

[ \mathbf{K}^e=\frac{1}{h}\begin{bmatrix}1&-1\-1&1\end{bmatrix}+\frac{h}{6}\begin{bmatrix}2&1\1&2\end{bmatrix} ]

第一项叫刚度矩阵，来自 (u'v')；第二项叫质量矩阵或反应项，来自 (uv)。把每个单元的矩阵组装成全局矩阵，再处理端点约束，解线性方程组就得到节点位移。整个过程里，Galerkin弱形式是推导的发动机，形函数是试函数空间的“分片版本”。

对比第2节的Ritz法：那里用的是全局三角函数基函数，条件好、系数解耦；有限元用的是分片线性基函数，条件差但几何适应性强。三角函数适合简单规则区域，遇到复杂几何就废了；分片线性插值虽然精度不高，但可以在任意复杂几何区域上加密、贴合，这就是有限元称霸工程仿真的底层优势。

4.3 当Ritz法和Galerkin法不再等价：非自伴问题

前面说两者等价，前提是自伴正定算子。如果算子不对称，比如对流扩散方程

[ -u''+\epsilon u'+u=f ]

一阶导项让算子失去对称性。这时候找不到一个简单的能量泛函做Ritz法，强行构造会很别扭。但Galerkin法依然能用：写出残差，令残差对基函数投影为零。刚这么干也会遇到新问题，当对流项很强、(\epsilon) 很小时，标准Galerkin法会在边界层附近产生剧烈振荡。

于是出现了Petrov-Galerkin法：权函数不再等于试函数，而是给试函数加上一个“迎风”修正项，让误差被“推”向上游，抑制振荡。还有Galerkin/Least Squares方法，把最小二乘项加进投影方程，增强稳定性。这些都属于Galerkin思想体系的扩展。Ritz法在这种场景基本帮不上忙，因为泛函本身就不存在或极不稳定。

4.4 Ritz法在现代应用里并未过时

虽然Galerkin在有限元里是主流，Ritz法依然在结构力学和动力学里活得很好。原因是它能提供能量视角：近似解的势能总是高于或等于真实解的势能，刚度偏大，位移偏小。这意味着Ritz法给出的固有频率是真实频率的上界。做结构优化、刚度评估时，这个“上界/下界”信息非常有用。

另外，在弹性力学、板的弯曲、屈曲分析等经典问题里，Ritz法的物理图像特别直观。工程师先用能量原理写出系统的总势能，再选一组满足几何边界条件的挠度函数，求极值系数，直接得到变形和稳定性临界载荷。整个过程可以用手算完成，非常适合方案阶段的快速估算。

所以在实际工作中，Ritz法适合“有能量背景、形状相对简单”的问题；Galerkin法适合“任意方程、任意几何、大规模数值计算”的问题。二者不是替代关系，而是互补关系。

5. 实操中的常见问题与避坑清单

5.1 边界条件没满足，算出来全是错的

初学Ritz法最容易犯的错误是：选试函数时光注意函数长得好看，忘了检查强制边界条件。比如本例如果选多项式 (\varphi(x)=1-x^2)，它在 (x=1) 处不为零，代入泛函求极值，得到的位移场在边界上会出现虚假的非零值，而且整体误差会被“污染”。

检验方法很简单：构造完试函数后，先把端点和已知位移约束点代进去，逐项确认每个基函数都满足本质边界条件。自然边界条件可以不管，那里让残差自己去“说话”。这个原则在Galerkin法里同样适用：弱形式的测试函数空间必须限制在“边界上为零”的空间里，否则边界项会带来未知的通量，方程就合不拢了。

5.2 试函数选择不当，收敛慢到你怀疑人生

用全局基函数做近似时，基函数的性质直接决定迭代速度。三角函数在周期性和光滑问题上效率极高；多项式在少数几项时也能用，但遇到边界层问题就拉了跨。

举个例子，如果精确解在端点附近有一个陡峭的变化层，用光滑的三角函数去逼近，需要取很多项才能在局部“追上”梯度的变化；如果换用带局部加密能力的分片插值，在陡峭区域把网格加密，问题就迎刃而解。这也是有限元对全局Ritz法的最大优势：试函数不是全局的，而是局部的，想在哪里加分辨率就在哪里补节点。

实操建议：做Ritz法习题时，先用最少项数算出一阶近似，再增加项数看结果是否稳定变化。如果系数在高阶项上仍然很大，说明试函数空间和真实解的形状匹配度差，换一组带边界层特征的基函数往往比硬加项数有效。

5.3 什么时候Ritz和Galerkin给出的矩阵不一样

前面证明了二者在一个自伴正定例子里完全等价。但在实际有限元实现里，如果你把Galerkin法的弱形式直接离散，得到的方程与Ritz法离散后得到的方程在“对称正定”、“低阶项来源”上完全一致；如果问题不对称，Ritz法可能根本写不出泛函，或者写出的泛函极值不是最小而是驻点，这时两者就失去可比性。

还有一个容易混淆的点：用Galerkin法处理强形式时，如果不对二阶导数做分部积分，直接对二阶导数项做加权积分，那就要求形函数二阶可导，线性分片函数直接不能用；而且矩阵不一定对称。这是新手调试代码时常见的坑：弱形式里的积分符号和强形式里的积分符号完全不是一回事。凡涉及二阶微分算子，请一律先做分部积分再离散。

5.4 常见问题速查表

5.5 代码实现时的三个小技巧

如果自己写程序实现这两个方法，有几点经验值得记下。积分尽量用解析积分或高斯积分，别用等距节点的梯形公式去硬算三角函数，精度不够时很难判断是方法不对还是积分误差在捣乱。线性方程组的系数矩阵如果是Ritz法生成的，往往对称正定，直接上Cholesky分解；Galerkin法生成的矩阵如果不稳定，先检查测试函数空间是否满足LBB条件或者是否有必要加稳定化项。

遇到复杂几何，别硬用全局Ritz法。老老实实剖网格、组装单元矩阵，走有限元路线。Ritz法适合教你好概念，Galerkin法才是干重活的工具。

6. 我的个人体会

把两个方法通篇推下来，我最大的体会是：学数值方法，不能只背“Ritz是变分法，Galerkin是加权残值法”这种标签。要亲手做一个算例，把同样的方程用两条路线各解一遍，看到系数一模一样、泛函和残差分别趋向最小值和零，才算真正打通了关节。

我个人强烈建议你用文中的例子亲手算一遍，从选 (\sin(\pi x)) 开始，做完一阶做二阶，比较近似解和精确解 (\frac{\sinh x}{\sinh 1}-x) 在区间中点的误差。你会直观看到：一阶近似的中点位误差在几个百分点量级，二阶近似迅速下降。这种“手算敏感度”是任何有限元软件都不会教你的。

最后再分享一个小技巧：当你面对一个新问题不知道用什么近似方法时，先问“这个问题有没有一个自然的能量泛函”。有，Ritz法给你一个稳定、对称、物理意义明确的近似；没有，Galerkin法兜底，配合合适的稳定化修正依然能拿下工程问题。把这个判断标准记在脑子里，比记住任何公式都管用。