动机:我有一个多维积分,为了完整性,我在下面再现。它来自于存在显着各向异性时第二维里系数的计算:
这里W是所有变量的函数。它是一个已知的函数,我可以为它定义一个python函数。
编程问题:如何让scipy
集成此表达式?我想把两个三重四边形(scipy.integrate.tplquad
)连在一起,但我担心性能和准确性。 scipy
中是否有更高维的积分器,可以处理任意数量的嵌套积分?如果没有,最好的方法是什么?
答案 0 :(得分:21)
使用像这样的高维积分,monte carlo方法通常是一种有用的技术 - 它们作为函数评估数的倒数平方根收敛于答案,这对于更高维度更好,然后你通常会得到甚至是相当复杂的自适应方法(除非你知道关于你的被积函数的一些非常具体的东西 - 可以被利用的对称性等)。
mcint包执行monte carlo集成:使用非平凡的W
运行但仍然是可积的,所以我们知道我们得到的答案(注意我已经截断r来自[ 0,1);你将不得不进行某种日志变换或某种东西,以使半无界域成为大多数数值积分器易于处理的东西):
import mcint
import random
import math
def w(r, theta, phi, alpha, beta, gamma):
return(-math.log(theta * beta))
def integrand(x):
r = x[0]
theta = x[1]
alpha = x[2]
beta = x[3]
gamma = x[4]
phi = x[5]
k = 1.
T = 1.
ww = w(r, theta, phi, alpha, beta, gamma)
return (math.exp(-ww/(k*T)) - 1.)*r*r*math.sin(beta)*math.sin(theta)
def sampler():
while True:
r = random.uniform(0.,1.)
theta = random.uniform(0.,2.*math.pi)
alpha = random.uniform(0.,2.*math.pi)
beta = random.uniform(0.,2.*math.pi)
gamma = random.uniform(0.,2.*math.pi)
phi = random.uniform(0.,math.pi)
yield (r, theta, alpha, beta, gamma, phi)
domainsize = math.pow(2*math.pi,4)*math.pi*1
expected = 16*math.pow(math.pi,5)/3.
for nmc in [1000, 10000, 100000, 1000000, 10000000, 100000000]:
random.seed(1)
result, error = mcint.integrate(integrand, sampler(), measure=domainsize, n=nmc)
diff = abs(result - expected)
print "Using n = ", nmc
print "Result = ", result, "estimated error = ", error
print "Known result = ", expected, " error = ", diff, " = ", 100.*diff/expected, "%"
print " "
跑步给出
Using n = 1000
Result = 1654.19633236 estimated error = 399.360391622
Known result = 1632.10498552 error = 22.0913468345 = 1.35354937522 %
Using n = 10000
Result = 1634.88583778 estimated error = 128.824988953
Known result = 1632.10498552 error = 2.78085225405 = 0.170384397984 %
Using n = 100000
Result = 1646.72936 estimated error = 41.3384733174
Known result = 1632.10498552 error = 14.6243744747 = 0.8960437352 %
Using n = 1000000
Result = 1640.67189792 estimated error = 13.0282663003
Known result = 1632.10498552 error = 8.56691239895 = 0.524899591322 %
Using n = 10000000
Result = 1635.52135088 estimated error = 4.12131562436
Known result = 1632.10498552 error = 3.41636536248 = 0.209322647304 %
Using n = 100000000
Result = 1631.5982799 estimated error = 1.30214644297
Known result = 1632.10498552 error = 0.506705620147 = 0.0310461413109 %
你可以通过矢量化随机数生成等来大大加快速度。
当然,您可以按照建议链接三重积分:
import numpy
import scipy.integrate
import math
def w(r, theta, phi, alpha, beta, gamma):
return(-math.log(theta * beta))
def integrand(phi, alpha, gamma, r, theta, beta):
ww = w(r, theta, phi, alpha, beta, gamma)
k = 1.
T = 1.
return (math.exp(-ww/(k*T)) - 1.)*r*r*math.sin(beta)*math.sin(theta)
# limits of integration
def zero(x, y=0):
return 0.
def one(x, y=0):
return 1.
def pi(x, y=0):
return math.pi
def twopi(x, y=0):
return 2.*math.pi
# integrate over phi [0, Pi), alpha [0, 2 Pi), gamma [0, 2 Pi)
def secondIntegrals(r, theta, beta):
res, err = scipy.integrate.tplquad(integrand, 0., 2.*math.pi, zero, twopi, zero, pi, args=(r, theta, beta))
return res
# integrate over r [0, 1), beta [0, 2 Pi), theta [0, 2 Pi)
def integral():
return scipy.integrate.tplquad(secondIntegrals, 0., 2.*math.pi, zero, twopi, zero, one)
expected = 16*math.pow(math.pi,5)/3.
result, err = integral()
diff = abs(result - expected)
print "Result = ", result, " estimated error = ", err
print "Known result = ", expected, " error = ", diff, " = ", 100.*diff/expected, "%"
这很慢但是对于这个简单的情况给出了非常好的结果。哪个更好会归结为W
的复杂程度以及您的准确性要求。简单(快速评估)W具有高精度将推动您采用这种方法;复杂(评估缓慢)具有中等精度要求的W将推动您使用MC技术。
Result = 1632.10498552 estimated error = 3.59054059995e-11
Known result = 1632.10498552 error = 4.54747350886e-13 = 2.7862628625e-14 %
答案 1 :(得分:6)
我将就如何准确地做这种积分做一些一般性的评论,但这个建议并不是针对scipy的(对评论来说太长了,即使它不是答案)。
我不知道你的用例,也就是说你是否满意于一个精确的几位数的“好”答案,可以使用Jonathan Dursi的答案中概述的蒙特卡罗直接获得,或者你是否真的想要尽可能提高数值精度。
我自己进行了维数系数的解析,蒙特卡罗和正交计算。如果你想准确地进行积分,那么你应该做一些事情:
尝试尽可能多地执行积分;很可能你的某些坐标中的集成非常简单。
考虑转换集成变量,以使被积函数尽可能平滑。 (这有助于蒙特卡罗和正交)。
对于蒙特卡罗,使用重要性抽样来获得最佳收敛。
对于正交,使用7个积分,可以使用tanh-sinh积分实现真正快速的收敛。如果你可以将它归结为5个积分,那么你应该能够得到10个精度的数字作为积分。我强烈推荐mathtool / ARPREC用于此目的,可从David Bailey的主页获取:http://www.davidhbailey.com/
答案 2 :(得分:2)
https://facebook.github.io/react-native/docs/layout-props#position给出了很好的答案。我将补充他的答案。
现在scipy.integrate
拥有一个名为nquad
的功能,可以轻松执行多维积分。有关更多信息,请参见Jonathan Dursi。下面我们以乔纳森(Jonathan)为例使用nquad
计算积分:
from scipy import integrate
import math
import numpy as np
def w(r, theta, phi, alpha, beta, gamma):
return(-math.log(theta * beta))
def integrand(r, theta, phi, alpha, beta, gamma):
ww = w(r, theta, phi, alpha, beta, gamma)
k = 1.
T = 1.
return (math.exp(-ww/(k*T)) - 1.)*r*r*math.sin(beta)*math.sin(theta)
result, error = integrate.nquad(integrand, [[0, 1], # r
[0, 2 * math.pi], # theta
[0, math.pi], # phi
[0, 2 * math.pi], # alpha
[0, 2 * math.pi], # beta
[0, 2 * math.pi]]) # gamma
expected = 16*math.pow(math.pi,5)/3
diff = abs(result - expected)
结果比链接的tplquad
更准确:
>>> print(diff)
0.0
答案 3 :(得分:1)
首先要说我在数学上不是那么好,所以请善待。无论如何,这是我的尝试:
请注意,在您的问题中有 6 变量,但 7 积分!?
在Python
使用Sympy
:
>>> r,theta,phi,alpha,beta,gamma,W,k,T = symbols('r theta phi alpha beta gamma W k T')
>>> W = r+theta+phi+alpha+beta+gamma
>>> Integral((exp(-W/(k*T))-1)*r**2*sin(beta)*sin(theta),(r,(0,2*pi)),(theta,(0,pi)),(phi,(0,2*pi)),(alpha,(0,2*pi)),(beta,(0,pi)),(gamma,(0,pi)))
>>> integrate((exp(-W)-1)*r**2*sin(beta)*sin(theta),(r,(0,2*pi)),(theta,(0,pi)),(phi,(0,2*pi)),(alpha,(0,2*pi)),(beta,(0,pi)),(gamma,(0,pi)))
,结果如下:[LateX code]
\begin{equation*}- \frac{128}{3} \pi^{6} - \frac{\pi^{2}}{e^{2 \pi}} - \frac{\pi}{e^{2 \pi}} - \frac{2}{e^{2 \pi}} - \frac{\pi^{2}}{e^{3 \pi}} - \frac{\pi}{e^{3 \pi}} - \frac{2}{e^{3 \pi}} - 3 \frac{\pi^{2}}{e^{6 \pi}} - 3 \frac{\pi}{e^{6 \pi}} - \frac{2}{e^{6 \pi}} - 3 \frac{\pi^{2}}{e^{7 \pi}} - 3 \frac{\pi}{e^{7 \pi}} - \frac{2}{e^{7 \pi}} + \frac{1}{2 e^{9 \pi}} + \frac{\pi}{e^{9 \pi}} + \frac{\pi^{2}}{e^{9 \pi}} + \frac{1}{2 e^{8 \pi}} + \frac{\pi}{e^{8 \pi}} + \frac{\pi^{2}}{e^{8 \pi}} + \frac{3}{e^{5 \pi}} + 3 \frac{\pi}{e^{5 \pi}} + 3 \frac{\pi^{2}}{e^{5 \pi}} + \frac{3}{e^{4 \pi}} + 3 \frac{\pi}{e^{4 \pi}} + 3 \frac{\pi^{2}}{e^{4 \pi}} + \frac{1}{2 e^{\pi}} + \frac{1}{2}\end{equation*}
你可以为你的问题多玩一点;)