scipy.integrate.

OdeSolver#

class scipy.integrate.OdeSolver(fun, t0, y0, t_bound, vectorized, support_complex=False)[source]#

ODE 求解器的基类。

为了实现一个新的求解器,您需要遵循以下指南:

  1. 构造函数必须接受基类中列出的参数(如下所示),以及特定于求解器的任何其他参数。

  2. 构造函数必须接受任意的额外参数 **extraneous,但应使用 common.warn_extraneous 函数警告这些参数是无关的。不要将这些参数传递给基类。

  3. 求解器必须实现一个私有方法 _step_impl(self),该方法将求解器向前推进一步。它必须返回元组 (success, message),其中 success 是一个布尔值,指示步骤是否成功,message 是一个字符串,如果步骤失败则包含失败描述,否则为 None。

  4. 求解器必须实现一个私有方法 _dense_output_impl(self),该方法返回一个覆盖最后成功步骤的 DenseOutput 对象。

  5. 求解器必须具有“属性”部分中列出的属性。请注意,t_oldstep_size 会自动更新。

  6. 使用 fun(self, t, y) 方法进行系统右侧项评估,这样函数评估次数(nfev)将自动被跟踪。

  7. 为方便起见,基类提供了 fun_single(self, t, y)fun_vectorized(self, t, y),分别用于以非向量化和向量化方式评估右侧项(无论构造函数中的 fun 如何实现)。这些调用不会增加 nfev

  8. 如果求解器使用雅可比矩阵和 LU 分解,它应该跟踪雅可比评估次数(njev)和 LU 分解次数(nlu)。

  9. 按照惯例,用于计算雅可比矩阵有限差分近似的函数评估不应计入 nfev 中,因此在计算雅可比矩阵的有限差分近似时,请使用 fun_single(self, t, y)fun_vectorized(self, t, y)

参数
fun可调用对象

系统的右侧项:状态 y 在时间 t 的时间导数。调用签名是 fun(t, y),其中 t 是一个标量,y 是一个形状为 len(y) = len(y0) 的 ndarray。fun 必须返回与 y 相同形状的数组。详见 vectorized

t0浮点数

初始时间。

y0类数组, 形状 (n,)

初始状态。

t_bound浮点数

边界时间 — 积分不会超过此时间。它也决定了积分的方向。

vectorized布尔值

是否可以以向量化方式调用 fun。默认为 False。

如果 vectorized 为 False,fun 将始终以形状为 (n,)y 调用,其中 n = len(y0)

如果 vectorized 为 True,fun 可能会以形状为 (n, k)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 的一列对应的状态的时间导数)。

vectorized=True 设置为 True 允许 ‘Radau’ 和 ‘BDF’ 方法更快地进行雅可比矩阵的有限差分近似,但对于其他方法会导致执行速度变慢。在某些情况下(例如 len(y0) 很小),它也可能导致 ‘Radau’ 和 ‘BDF’ 的整体执行速度变慢。

support_complex布尔值, 可选

是否应支持复数域中的积分。通常由派生求解器类的功能决定。默认为 False。

属性
n整数

方程数量。

status字符串

求解器的当前状态:‘running’(运行中)、‘finished’(已完成)或 ‘failed’(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

上一时间。如果尚未执行任何步骤,则为 None。

step_size浮点数

上次成功步骤的大小。如果尚未执行任何步骤,则为 None。

nfev整数

系统右侧项评估次数。

njev整数

雅可比评估次数。

nlu整数

LU 分解次数。

方法

dense_output()

计算最后成功步骤的局部插值。

step()

执行一次积分步骤。