我显然已经通读了 documentation , 但我无法找到更详细的幕后情况描述。具体来说,有几个行为我很疑惑:
一般设置
import numpy as np
from scipy.integrate import ode
#Constants in ODE
N = 30
K = 0.5
w = np.random.normal(np.pi, 0.1, N)
#Integration parameters
y0 = np.linspace(0, 2*np.pi, N, endpoint=False)
t0 = 0
#Set up the solver
solver = ode(lambda t,y: w + K/N*np.sum( np.sin( y - y.reshape(N,1) ), axis=1))
solver.set_integrator('vode', method='bdf')
solver.set_initial_value(y0, t0)
问题 1:solver.integrate(t0)
失败
设置积分器,并在第一次请求 t0
时返回一个成功的积分。重复此操作会返回正确的数字,但 solver.successful()
方法返回 false:
solver.integrate(t0)
>>> array([ 0. , 0.20943951, 0.41887902, ..., 5.65486678,
5.86430629, 6.0737458 ])
solver.successful()
>>> True
solver.integrate(t0)
>>> array([ 0. , 0.20943951, 0.41887902, ..., 5.65486678,
5.86430629, 6.0737458 ])
solver.successful()
>>> False
我的问题是,solver.integrate(t)
方法中发生了什么,导致它第一次成功,随后失败,“不成功”是什么意思一体化?此外,为什么积分器默默地失败,并继续产生看起来有用的输出,直到我明确询问它是否成功?
相关,有没有办法重置失败的集成,或者我是否需要从头开始重新实例化求解器?
问题 2:solver.integrate(t) 立即返回几乎所有 t
值的答案
即使 y0
的初始值是在 t0=0
处给出的,我也可以在 t=10000
处请求该值并获得立即回答。我希望在如此大的时间跨度内进行数值积分至少需要几秒钟(例如,在 Matlab 中,要求积分超过 10000 个时间步长将需要几分钟)。
例如,从上面重新运行设置并执行:
solver.integrate(10000)
>>> array([ 2153.90803383, 2153.63023706, 2153.60964064, ..., 2160.00982959,
2159.90446056, 2159.82900895])
Python 真的那么快吗,还是这个输出完全是胡说八道?
最佳答案
问题0
不要忽略错误信息。是的,ode
的错误消息有时可能很含糊,但您仍然希望避免它们。
问题1
因为您已经在第一次调用 solver.integrate(t0)
时积分到 t0
,所以您积分的时间步长为 0
第二次调用。这会引发神秘错误:
DVODE-- ISTATE (=I1) .gt. 1 but DVODE not initialized
In above message, I1 = 2
/usr/lib/python3/dist-packages/scipy/integrate/_ode.py:869: UserWarning: vode: Illegal input detected. (See printed message.)
'Unexpected istate=%s' % istate))
问题2.1
在不抛出错误的情况下,求解器将在一次调用中执行的(内部)步骤数有上限。这可以通过 set_integrator
的 nsteps
参数进行设置。如果一次积分很大,就算没问题也会超过nsteps
,抛出如下错误信息:
/usr/lib/python3/dist-packages/scipy/integrate/_ode.py:869: UserWarning: vode: Excess work done on this call. (Perhaps wrong MF.)
'Unexpected istate=%s' % istate))
每当这种情况发生时,积分器就会停止。
问题2.2
如果您设置 nsteps=10**10
,集成运行不会出现问题。不过它仍然非常快(在我的机器上大约为 1 秒)。原因如下:
对于像您这样的多维系统,集成时有两个主要的运行时接收器:
积分器中的矢量和矩阵运算。在
scipy.ode
中,这些都是用NumPy运算或移植的Fortran或C代码实现的。无论如何,它们是通过没有 Python 开销的编译代码实现的,因此非常高效。计算导数 (
lambda t,y: w + K/N*np.sum( np.sin( y - y.reshape(N,1) ), axis=1)
在你的情况下)。您通过 NumPy 操作实现了这一点,这些操作同样通过编译代码实现并且非常高效。您可以使用纯编译函数对此进行一点改进,但这最多会给您一个小因素。如果改用 Python 列表和循环,速度会非常慢。
因此,对于您的问题,所有相关的事情都是在幕后用编译代码处理的,并且集成的处理效率与纯 C 程序相当。我不知道在 Matlab 中如何处理上述两个方面,但如果上述任一挑战是使用解释循环而不是编译循环处理的,这将解释您观察到的运行时差异。
关于python - scipy.integrate.ode.integrate() 是如何工作的?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43379852/