Runge-Kutta四阶法

时间:2016-12-11 08:43:10

标签: python numerical-methods runge-kutta

我实现了两个方程组的Runge-Kutta四阶方法。

enter image description here

h是段数,因此T / h是步骤。

def cauchy(f1, f2, x10, x20, T, h):
    x1 = [x10]
    x2 = [x20]

    for i in range(1, h):
        k11 = f1((i-1)*T/h, x1[-1], x2[-1])
        k12 = f2((i-1)*T/h, x1[-1], x2[-1])
        k21 = f1((i-1)*T/h + T/h/2, x1[-1] + T/h/2*k11, x2[-1] + T/h/2*k12)
        k22 = f2((i-1)*T/h + T/h/2, x1[-1] + T/h/2*k11, x2[-1] + T/h/2*k12)
        k31 = f1((i-1)*T/h + T/h/2, x1[-1] + T/h/2*k21, x2[-1] + T/h/2*k22)
        k32 = f2((i-1)*T/h + T/h/2, x1[-1] + T/h/2*k21, x2[-1] + T/h/2*k22)
        k41 = f1((i-1)*T/h + T/h, x1[-1] + T/h*k31, x2[-1] + T/h*k32)
        k42 = f2((i-1)*T/h + T/h, x1[-1] + T/h*k31, x2[-1] + T/h*k32)

        x1.append(x1[-1] + T/h/6*(k11 + 2*k21 + 2*k31 + k41))
        x2.append(x2[-1] + T/h/6*(k12 + 2*k22 + 2*k32 + k42))

    return x1, x2

然后我在这个系统上测试它:

enter image description here

def f1(t, x1, x2):
    return x2

def f2(t, x1, x2):
    return -x1

def true_x1(t):
    return np.cos(t) + np.sin(t)

def true_x2(t):
    return np.cos(t) - np.sin(t)

它似乎工作正常(我还测试了它具有不同的初始值和不同的功能:一切正常):

x10 = 1
x20 = 1
T = 1
h = 10

x1, x2 = cauchy(f1, f2, x10, x20, T, h)
t = np.linspace(0, T, h)

plt.xlabel('t')
plt.ylabel('x1')
plt.plot(t, true_x1(t), "blue", label="true_x1")
plt.plot(t, x1, "red", label="approximation_x1")
plt.legend(bbox_to_anchor=(0.97, 0.27))
plt.show()

plt.xlabel('t')
plt.ylabel('x2')
plt.plot(t, true_x2(t), "blue", label="true_x2")
plt.plot(t, x2, "red", label="approximation_x2")
plt.legend(bbox_to_anchor=(0.97, 0.97))
plt.show()

enter image description here enter image description here

然后我想检查错误是否在O(step^4)的顺序,所以我减少步骤并计算错误,如下所示:

enter image description here

step = []
x1_error = []
x2_error = []
for segm in reversed(range(10, 1000)):
    x1, x2 = cauchy(f1, f2, x10, x20, T, segm)
    t = np.linspace(0, T, segm)
    step.append(1/segm)
    x1_error.append(np.linalg.norm(x1 - true_x1(t), np.inf))
    x2_error.append(np.linalg.norm(x2 - true_x2(t), np.inf))

我明白了:

plt.plot(step, x1_error, label="x1_error")
plt.plot(step, x2_error, label="x2_error")
plt.legend()

enter image description here

因此,错误与步骤呈线性关系。这真的很奇怪,因为它应该是O(step^4)的顺序。谁能告诉我我做错了什么?

1 个答案:

答案 0 :(得分:2)

for i in range(1, h):

这将从1迭代到h-1。由于缺少最后一步,因此x[h-1] T-T/hT时的确切解决方案之间的差异为O(T/h)

因此使用

for i in range(1,h+1):

hi-1

i步骤
for i in range(h):

hi的{​​{1}}步骤。

此外,i+1将生成np.linspace(0,1,4)个等间距的数字,其中第一个为4,最后一个为0,从而产生

1

这可能不是你所期待的。因此,使用上述修正

array([ 0.        ,  0.33333333,  0.66666667,  1.        ])

在两次计算中使用相同的时间点。

如果您使用通常含义的字母会更容易理解,其中t = np.linspace(0, T, segm+1) h是步长,dt是步数。然后在循环Nh=T/N之前定义,以避免在函数调用中重复使用dt=T/N