当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy integrate.odeint用法及代码示例


本文简要介绍 python 语言中 scipy.integrate.odeint 的用法。

用法:

scipy.integrate.odeint(func, y0, t, args=(), Dfun=None, col_deriv=0, full_output=0, ml=None, mu=None, rtol=None, atol=None, tcrit=None, h0=0.0, hmax=0.0, hmin=0.0, ixpr=0, mxstep=0, mxhnil=0, mxordn=12, mxords=5, printmessg=0, tfirst=False)#

积分常微分方程组。

注意

对于新代码,请使用 scipy.integrate.solve_ivp 求解微分方程。

使用 FORTRAN 库 odepack 中的 lsoda 求解常微分方程组。

求解一阶刚性或非刚性系统的初始值问题 ode-s:

dy/dt = func(y, t, ...)  [or func(t, y, ...)]

其中 y 可以是一个向量。

注意

默认情况下,前两个参数的所需顺序函数与系统定义函数使用的参数顺序相反scipy.integrate.ode类和函数scipy.integrate.solve_ivp.使用带有签名的函数func(t, y, ...), 参数第一必须设置为True.

参数

func callable(y, t, ...) 或 callable(t, y, ...)

计算 y 在 t 处的导数。如果签名是callable(t, y, ...), 那么参数第一必须设置True.

y0 数组

y 的初始条件(可以是向量)。

t 数组

求解 y 的时间点序列。初始值点应该是这个序列的第一个元素。这个序列必须是单调递增或单调递减的;允许重复值。

args 元组,可选

传递给函数的额外参数。

Dfun callable(y, t, ...) 或 callable(t, y, ...)

梯度(雅可比)函数.如果签名是callable(t, y, ...), 那么参数第一必须设置True.

col_deriv 布尔型,可选

如果 Dfun 定义列下的导数(更快),则为真,否则 Dfun 应跨行定义导数。

full_output 布尔型,可选

如果返回可选输出的字典作为第二个输出,则为真

printmessg 布尔型,可选

是否打印收敛消息

tfirst 布尔型,可选

如果为真,前两个参数函数(和东风, 如果给定) 必须t, y而不是默认的y, t.

返回

y 数组,形状(len(t),len(y0))

包含 t 中每个所需时间的 y 值的数组,初始值 y0 在第一行。

infodict dict,仅在 full_output == True 时返回

包含附加输出信息的字典

钥匙

意义

‘hu’

每个时间步成功使用的步长向量

‘tcur’

每个时间步达到 t 值的向量(总是至少与输入时间一样大)

‘tolsf’

大于 1.0 的容差比例因子向量,在检测到精度要求过高时计算

‘tsw’

最后一次方法切换时的 t 值(给定每个时间步)

‘nst’

累计时间步数

‘nfe’

每个时间步的累积函数评估次数

‘nje’

每个时间步的雅可比评估的累积次数

‘nqu’

每个成功步骤的方法顺序向量

‘imxer’

误差返回时加权局部误差向量 (e /ewt) 中最大幅度分量的索引,否则为 -1

‘lenrw’

所需的双工作数组的长度

‘leniw’

所需整数工作数组的长度

‘mused’

每个成功时间步的方法指标向量:1:adams(非刚性),2:bdf(刚性)

其他参数

ml, mu 整数,可选

如果其中任何一个不是 None 或非负数,则假定 Jacobian 是带状的。这些给出了这个带状矩阵中下层和上层非零对角线的数量。对于带状的情况,东风应该返回一个矩阵,其行包含非零带(从最低对角线开始)。因此,返回矩阵江淮东风应该有形状(ml + mu + 1, len(y0))ml >=0或者mu >=0.中的数据江淮必须存储使得jac[i - j + mu, j]持有的导数i第一个方程关于j第一个状态变量。如果col_deriv是真的,这个的转置江淮必须退回。

rtol, atol 浮点数,可选

输入参数rol环礁确定求解器执行的误差控制。求解器将根据以下形式的不等式控制 y 中估计的局部误差的向量 emax-norm of (e / ewt) <= 1,其中 ewt 是正误差权重的向量,计算为ewt = rtol * abs(y) + atol. rtol 和 atol 可以是与 y 长度相同的向量,也可以是标量。默认为 1.49012e-8。

tcrit ndarray,可选

应注意积分的关键点向量(例如奇异点)。

h0 浮点数,(0:solver-determined),可选

第一步要尝试的步长。

hmax 浮点数,(0:solver-determined),可选

允许的最大绝对步长。

hmin 浮点数,(0:solver-determined),可选

允许的最小绝对步长。

ixpr 布尔型,可选

是否在方法切换时生成额外的打印。

mxstep 整数,(0:solver-determined),可选

t 中每个积分点允许的最大(内部定义)步数。

mxhnil 整数,(0:solver-determined),可选

打印的最大消息数。

mxordn 整数,(0:solver-determined),可选

非刚性 (Adams) 方法允许的最大订单。

mxords 整数,(0:solver-determined),可选

刚性 (BDF) 方法允许的最大阶数。

例子

受重力和摩擦力作用的摆的角度 theta 的二阶微分方程可以写成:

theta''(t) + b*theta'(t) + c*sin(theta(t)) = 0

其中bc是正常数,素数 (’) 表示导数。求解这个方程odeint,我们必须首先将其转换为一阶方程组。通过定义角速度omega(t) = theta'(t),我们得到系统:

theta'(t) = omega(t)
omega'(t) = -b*omega(t) - c*sin(theta(t))

设 y 为向量 [theta, omega]。我们用 Python 实现这个系统:

>>> import numpy as np
>>> def pend(y, t, b, c):
...     theta, omega = y
...     dydt = [omega, -b*omega - c*np.sin(theta)]
...     return dydt
...

我们假设常数是 b = 0.25 和 c = 5.0:

>>> b = 0.25
>>> c = 5.0

对于初始条件,我们假设钟摆几乎是垂直的,theta(0) = pi - 0.1,并且最初是静止的,所以 omega(0) = 0。那么初始条件的向量是

>>> y0 = [np.pi - 0.1, 0.0]

我们将在 0 <= t <= 10 的区间内以 101 个均匀分布的样本生成一个解。所以我们的时间数组是:

>>> t = np.linspace(0, 10, 101)

称呼odeint生成解决方案。传递参数bc挂起,我们给他们odeint使用参数争论。

>>> from scipy.integrate import odeint
>>> sol = odeint(pend, y0, t, args=(b, c))

解决方案是一个形状为 (101, 2) 的数组。第一列是 theta(t),第二列是 omega(t)。以下代码绘制了这两个组件。

>>> import matplotlib.pyplot as plt
>>> plt.plot(t, sol[:, 0], 'b', label='theta(t)')
>>> plt.plot(t, sol[:, 1], 'g', label='omega(t)')
>>> plt.legend(loc='best')
>>> plt.xlabel('t')
>>> plt.grid()
>>> plt.show()
scipy-integrate-odeint-1.png

相关用法


注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.integrate.odeint。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。