- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我需要一个 ODE 求解器来解决类似于 MATLAB ode15s 的刚性问题。
对于我的问题,我需要检查不同初始值需要多少步(计算)并将其与我自己的 ODE 求解器进行比较。
我试过用
solver = scipy.integrate.ode(f)
solver.set_integrator('vode', method='bdf', order=15, nsteps=3000)
solver.set_initial_value(u0, t0)
然后整合:
i = 0
while solver.successful() and solver.t<tf:
solver.integrate(tf, step=True)
i += 1
print(i)
其中 tf
是我的时间间隔的结束。
使用的函数定义为:
def func(self, t, u):
u1 = u[1]
u2 = mu * (1-numpy.dot(u[0], u[0]))*u[1] - u[0]
return numpy.array([u1, u2])
其中初始值 u0 = [ 2, 0]
是一个刚性问题。
这意味着步数不应取决于我的常量 mu
。
但确实如此。
我认为 odeint
-method 可以解决这个棘手的问题 - 但我必须发送整个 t
-vector,因此需要设置数量已完成的步骤,这破坏了我的任务重点。
在两个 t0
和 tf
之间是否可以使用具有自适应步长的 odeint
?
或者您能看出我在使用 vode
集成器时遗漏了什么吗?
最佳答案
我看到了类似的东西;使用 'vode'
求解器,在 'adams'
和 'bdf'
之间更改方法不会对步数产生太大影响。 (顺便说一句,使用 order=15
没有意义;'vode'
的 'bdf'
方法的最大阶数solver 是 5('adams' solver 的最大阶数是 12)。如果你省略参数,它应该默认使用最大值。)
odeint
是 LSODA 的包装器。 ode
还提供了 LSODA 的包装器:将 'vode'
更改为 'lsoda'
。不幸的是,'lsoda'
求解器忽略了integrate
方法的 step=True
参数。
'lsoda'
求解器比使用 method='bdf'
的 'vode'
做得更好很多。你可以获得一个上限初始化 tvals = []
使用的步数,在 func
中,执行 tvals.append(t)
。当求解器完成时,设置tvals = np.unique(tvals)
。 tvals
的长度告诉您您的函数被评估的时间值的数量。这不是您想要的,但确实显示出巨大的差异在使用 'lsoda'
求解器和 'vode'
求解器之间方法 'bdf'
。 'lsoda'
求解器使用的步数是与您在评论中为 matlab 引用的顺序相同。 (我使用了 mu=10000
,tf = 10
。)
更新:事实证明,至少对于一个棘手的问题,如果您提供一个函数来计算雅可比矩阵。
下面的脚本使用这两种方法运行 'vode'
求解器,并且它运行 'lsoda'
求解器。在每种情况下,它都会运行带和不带雅可比函数的求解器。这是它生成的输出:
vode adams jac=None len(tvals) = 517992
vode adams jac=jac len(tvals) = 195
vode bdf jac=None len(tvals) = 516284
vode bdf jac=jac len(tvals) = 55
lsoda jac=None len(tvals) = 49
lsoda jac=jac len(tvals) = 49
脚本:
from __future__ import print_function
import numpy as np
from scipy.integrate import ode
def func(t, u, mu):
tvals.append(t)
u1 = u[1]
u2 = mu*(1 - u[0]*u[0])*u[1] - u[0]
return np.array([u1, u2])
def jac(t, u, mu):
j = np.empty((2, 2))
j[0, 0] = 0.0
j[0, 1] = 1.0
j[1, 0] = -mu*2*u[0]*u[1] - 1
j[1, 1] = mu*(1 - u[0]*u[0])
return j
mu = 10000.0
u0 = [2, 0]
t0 = 0.0
tf = 10
for name, kwargs in [('vode', dict(method='adams')),
('vode', dict(method='bdf')),
('lsoda', {})]:
for j in [None, jac]:
solver = ode(func, jac=j)
solver.set_integrator(name, atol=1e-8, rtol=1e-6, **kwargs)
solver.set_f_params(mu)
solver.set_jac_params(mu)
solver.set_initial_value(u0, t0)
tvals = []
i = 0
while solver.successful() and solver.t < tf:
solver.integrate(tf, step=True)
i += 1
print("%-6s %-8s jac=%-5s " %
(name, kwargs.get('method', ''), j.func_name if j else None),
end='')
tvals = np.unique(tvals)
print("len(tvals) =", len(tvals))
关于python - 刚性 ODE 求解器,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33733189/
我有以下代码: def multirk4(funcs, x0, y0, step, xmax): n = len(funcs) table = [[x0] + y0] f1,
我写了下面的代码。它是一个 ODE,其中有一个参数作为另一个 ODE。正如我们所见,M(m0,z,b,c) 用于另一个ODE,它本身就是一个ODE 函数。代码非常慢,有人能给我建议如何改进它吗? im
我目前正在尝试使用 SciPy 的 integrate.ode 包来求解一对耦合的一阶 ODE:比如 Lotka-Volterra predator-prey equation .但是,这意味着在集成
我在使用 scipy.integrate.ode 求解两个非常简单的非耦合 ODE 时遇到了问题。例如下面的简单代码: from scipy.integrate import ode def f(
我有以下包含一些颂歌的函数: myfunction 20) { # this is an internal threshold! Y <- 35000
是否使用odeint在这个方程中遇到了问题或 solve_ivp来解决。 import numpy as np from scipy.integrate import solve_ivp import
我有一个函数dφ/dt = γ - F(φ) (其中 F(φ) -- a 是 2π -周期函数)和函数图 F(φ) . 我需要创建一个输出 φ(t) 的 6 个图的程序对于 γ 的不同值(γ = 0.
我正在尝试解决来自 DifferentialEquation 包的典型示例, 根据他们页面上的指南。 这是示例: using DifferentialEquations using Plots fun
我正在尝试复制发布的湖泊食物网络模型 here 。该模型代表两条食物链(沿海与远洋),由顶级捕食者(鱼类)连接。我已经对模型进行了编码,但是当我在 2-3 个时间步骤后运行它时,模型会生成 NaN。我
我正在尝试复制发布的湖泊食物网络模型 here 。该模型代表两条食物链(沿海与远洋),由顶级捕食者(鱼类)连接。我已经对模型进行了编码,但是当我在 2-3 个时间步骤后运行它时,模型会生成 NaN。我
我正在编写一些代码,其中我有以下方程组 here .问题是我非常想解决多个 k 值以及为每个 k 值绘制相平面/颤动图。有人可以帮帮我吗?到目前为止,这是我对求解器的了解: import numpy
我有一些微分方程需要使用 MATLAB 的 ODE 求解器求解。虽然微分方程本身相当简单,但它们取决于很多“常数”。这些常量不是通用的,需要由调用者提供。 这种 ODE 的例子是: dx/dt = -
我有一个看起来像的系统 dn/dt=f(n,v) dh/dt=g(h,v) 我想在流形 F(v,n,h)=0 上求解这个方程,流形是 v 中的非线性函数。我尝试使用类似 v=fzero(@(x) F(
我正在尝试求解具有复杂条目的 ODE 系统。从 GSL 文档可以看出它只接受真实条目。有没有办法传递复杂的(比区分实部和虚部更直接的方法)?如果不可能,您能否为此目的推荐任何其他好的图书馆? 最佳答案
我一直在尝试实现贝叶斯 ODE。在石油工业中,我们使用以下等式来拟合生产数据然后进行预测: ODE 方程描述为: 其中 0 我的初始代码: using DiffEqFlux, OrdinaryDiff
我一直在尝试实现 ODE 模型来模拟胰岛素信号通路,正如 supplementary material 中所介绍的那样的 this paper , 使用 python's GEKKO . 实现的模型变
我们可以使用 deSolve R 中的常微分方程 (ODE) 包,但是,我找不到解决两个嵌套 ODE 方程的方法,假设` b'(t) = beta - k*b(t); a'(t) = alpha -b
我正在尝试找出 Dymola 解决 Modelica 代码所需的步骤。通过阅读一些引用文献和书籍,我了解到 Dymola: 将 Modelica 代码转换为混合 DAE(扁平化)。 操纵 DAE 以将
这是我在这里的第一个问题,所以如果格式被关闭,我很抱歉。 我想将牛顿万有引力定律建模为 Python 中的二阶微分方程,但结果图没有意义。供引用,here's the equation和[这是结果][
如何使用 Sympy 求解矩阵微分方程? 我有一个形式为 y'(t) = A*y(t) + B 的方程,其中 A 是一个 3x3 矩阵,y(t) 是一个 1x3 向量,B 是一个 1x3 向量。 更具
我是一名优秀的程序员,十分优秀!