我想使用Python
计算二阶微分方程而不使用内置函数,但结果仅对于一阶方程是正确的。
让我给你举个例子(插图没有声誉! - 为了更好的方程外观)
dy/dt = -ky
并使用导数的基本定义
f'(x)= h ->0 (f(x+h)-f(x))/h
我们可以为 k=0.3 的方程编写基本的 Python 代码
def first_order(dt):
t = np.arange(0, 20, dt)
k = 0.3
y = np.zeros(len(t))
y[0] = 5
for i in range(1, len(t)):
y[i] = - k* y[i - 1] * dt + y[i-1]
return t, y
这工作得很好,但是当我尝试计算相应的方程时:
dp^2/dx^2 = (p- p0)/L
使用:
f''(x)= h ->0 (f(x+h)-2f(x)+ f(x-h)/h^2
二阶导数方程的初始条件为p(0) = 10^14
、p0 = 10^13
、L = 10 ^-6
和 p(infinity) = p0
,第二个条件可能会导致错误。
我尝试以简单的方式解决这个问题 - 类似于之前的
def diffusion_lenght(dt):
p0 = 10 ** 13 # initial state
t = np.arange(0, 20, dt)
p = np.zeros(len(t))
L = 1 * 10 ** -6
p[0] = 10 ** 14
p[len(t)-1] = p0
for i in range(1, len(t)):
p[i] = (2* p[i-1]- p[i-2]- p0 * dt ** 2 / L) / (1 - dt ** 2 / L)
print(p)
return t, p
但结果不正确。它应该给我 x 的指数递减,但我得到了收敛到 dt 值的直线。
最佳答案
如果您不介意,我几年前就这样做了,并且我有一个小脚本,所以我会给您我的代码,而不是在您的代码中查找错误。
我认为它非常清晰明确。
import numpy as np
class dif_eq(object):
def __init__(self):
pass
def ft4(self,dt,u,x1_before,x2_before,x3_before,x4_before,functionn):
x1_now = x1_before + dt * x2_before
x2_now = x2_before + dt * x3_before
x3_now = x3_before + dt * x4_before
x4_now = x4_before + dt * functionn(u,x1_before,x2_before,x3_before,x4_before)
vals = [x1_now,x2_now,x3_now,x4_now]
return vals
def ft3(self,dt,u,x1_before,x2_before,x3_before,functionn):
x1_now = x1_before + dt * x2_before
x2_now = x2_before + dt * x3_before
x3_now = x3_before + dt*functionn(u,x1_before,x2_before,x3_before)
vals = [x1_now,x2_now,x3_now]
return vals
def ft2(self,dt,u,x1_before,x2_before,functionn):
x1_now = x1_before + dt * x2_before
x2_now = x2_before+ dt * functionn(u,x1_before,x2_before)
vals = [x1_now,x2_now]
return vals
def ft1(self,dt,u,x1_before,functionn):
x1_now = x1_before + dt*functionn(u,x1_before)
vals = [x1_now]
return vals
使用示例:
"""
def order3equation(u,b,c,a): # Your differential equations
y=u-b*2-c*2.5-a*3.6 #+ noise*np.random.rand()/5
return y
def order1equation.....
....
return y
d=dif_eq()
val=[0] # init for 1order
val3=[0,0,0] # init for 3order
dt=0.05
result1order=[]
result3order=[]
for i in range(100):
val=d.ft1(dt,u,val[0],order1equation)
result1order.append(val[0])
for i in range(1000):
val3=d.ft3(dt,u,val3[0],val3[1],val3[2],order3equation)
result3order.append(val3[0])
"""
valx/vals 是导数的实际值。第一次传递初始值,然后将函数实际返回的值传递给函数。
工作示例 - 不稳定的系统
u = 1 # input/impulse or whatever name it is
d=dif_eq()
val3=[0,0,0]
dt=0.05
zz=[]
def my3(u, b, c, a):
y = u - b * 1 - c * 1 - a *1
return y
for i in range(1000):
val3=d.ft3(dt,u,val3[0],val3[1],val3[2],my3)
zz.append(val3[0])
from matplotlib.pyplot import *
plot(zz)
show()
关于python - 使用 python 进行二阶数值微分,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52888864/