BDF#
- class scipy.integrate.BDF(fun, t0, y0, t_bound, max_step=inf, rtol=0.001, atol=1e-06, jac=None, jac_sparsity=None, vectorized=False, first_step=None, **extraneous)[源代码]#
基于向后差分公式的隐式方法。
这是一种变阶方法,阶数自动从1变到5。BDF算法的总体框架在[1]中描述。该类实现了准恒定步长,如[2]中所解释。常步长BDF的误差估计策略在[3]中推导。还实现了使用修正公式(NDF)[2]的精度增强。
可应用于复数域。
- 参数:
- fun可调用对象
系统的右侧:状态
y
在时间t
的时间导数。调用签名是fun(t, y)
,其中t
是标量,y
是一个len(y) = len(y0)
的 ndarray。fun
必须返回与y
形状相同的数组。更多信息请参见 vectorized。- t0浮点数
初始时间。
- y0类数组对象, 形状 (n,)
初始状态。
- t_bound浮点数
边界时间 - 积分不会在此时间之后继续。它也决定了积分的方向。
- first_step浮点数或 None,可选
初始步长。默认值为
None
,表示算法自行选择。- max_step浮点数,可选
允许的最大步长。默认值为 np.inf,即步长不受限制,完全由求解器决定。
- rtol, atol浮点数和类数组对象,可选
相对和绝对容差。求解器将局部误差估计值保持在
atol + rtol * abs(y)
以下。其中 rtol 控制相对精度(正确位数),而 atol 控制绝对精度(正确小数位数)。为达到所需的 rtol,将 atol 设置为小于rtol * abs(y)
可能的最小值,以便 rtol 在允许误差中占主导地位。如果 atol 大于rtol * abs(y)
,则不保证正确位数。反之,为达到所需的 atol,将 rtol 设置为rtol * abs(y)
始终小于 atol。如果 `y` 的分量具有不同的尺度,则通过为 atol 传递形状为 `(n,)` 的类数组对象,为不同分量设置不同的 atol 值可能会有益。默认值 *rtol* 为 1e-3,*atol* 为 1e-6。- jac{None, 类数组对象, 稀疏矩阵, 可调用对象},可选
系统右侧相对于 `y` 的雅可比矩阵,此方法需要。雅可比矩阵的形状为 `(n, n)`,其元素 `(i, j)` 等于
d f_i / d y_j
。有三种定义雅可比矩阵的方法如果为类数组对象或稀疏矩阵,则雅可比矩阵假定为常数。
如果为可调用对象,则雅可比矩阵假定依赖于 `t` 和 `y`;必要时将以
jac(t, y)
形式调用。对于 ‘Radau’ 和 ‘BDF’ 方法,返回值可能是稀疏矩阵。如果为 None(默认),雅可比矩阵将通过有限差分近似。
通常建议提供雅可比矩阵,而不是依赖有限差分近似。
- jac_sparsity{None, 类数组对象, 稀疏矩阵},可选
定义雅可比矩阵用于有限差分近似的稀疏结构。其形状必须是 `(n, n)`。如果 jac 不为 None,则忽略此参数。如果雅可比矩阵的*每*行只有少数非零元素,提供稀疏结构将大大加快计算速度 [4]。零项意味着雅可比矩阵中相应的元素始终为零。如果为 None(默认),则假定雅可比矩阵是稠密的。
- vectorized布尔值,可选
是否可以以向量化方式调用 fun。默认值为 False。
如果
vectorized
为 False,则 fun 将始终使用形状为(n,)
的y
调用,其中n = len(y0)
。如果
vectorized
为 True,则 fun 可以使用形状为(n, k)
的y
调用,其中k
是一个整数。在这种情况下,fun 必须表现为fun(t, y)[:, i] == fun(t, y[:, i])
(即返回数组的每一列都是与y
的列对应的状态的时间导数)。将
vectorized=True
设置为 True 可以让此方法更快地进行雅可比矩阵的有限差分近似,但在某些情况下(例如len(y0)
较小)可能会导致整体执行速度变慢。
- 属性:
- n整数
方程数量。
- status字符串
求解器的当前状态:‘运行中’、‘已完成’ 或 ‘失败’。
- t_bound浮点数
边界时间。
- direction浮点数
积分方向:+1 或 -1。
- t浮点数
当前时间。
- yndarray
当前状态。
- t_old浮点数
上一个时间点。如果尚未进行任何步进,则为 None。
- step_size浮点数
上一次成功步进的步长。如果尚未进行任何步进,则为 None。
- nfev整数
右侧评估次数。
- njev整数
雅可比矩阵评估次数。
- nlu整数
LU 分解次数。
方法
计算上一次成功步进的局部插值函数。
step
()执行一次积分步进。
参考文献
[1]G. D. Byrne, A. C. Hindmarsh, “A Polyalgorithm for the Numerical Solution of Ordinary Differential Equations”, ACM Transactions on Mathematical Software, Vol. 1, No. 1, pp. 71-96, March 1975。
[2] (1,2)L. F. Shampine, M. W. Reichelt, “THE MATLAB ODE SUITE”, SIAM J. SCI. COMPUTE., Vol. 18, No. 1, pp. 1-22, January 1997。
[3]E. Hairer, G. Wanner, “Solving Ordinary Differential Equations I: Nonstiff Problems”, Sec. III.2。
[4]A. Curtis, M. J. D. Powell, and J. Reid, “On the estimation of sparse Jacobian matrices”, Journal of the Institute of Mathematics and its Applications, 13, pp. 117-120, 1974。