我一直在使用sympy来处理微分方程组。我象征性地编写方程，使用autowrap通过cython编译它们，然后将结果函数传递给scipy ODE求解器。这样做的一个主要好处是我可以使用sympy jacobian函数象征性地解析jacobian，编译它，并将它也解释为ODE求解器。
这对于大约30个变量的系统来说非常有用。最近我尝试用150个变量来做，发生的事情是我在编译jacobian函数时耗尽了内存。这是在Windows上使用anaconda和用于python的Microsoft Visual C ++ 14工具。基本上在编译jacobian时，它现在是一个22000个元素的向量，在链接步骤中的内存使用量上升到大约7GB（在我的8GB笔记本电脑上），然后最终崩溃。
在我去尝试拥有更多内存的机器之前，有人有一些建议吗？其他操作系统或其他C编译器是否可能改善这种情况？
我知道很多人都会做这类工作，所以如果有答案的话，这对社区的一大块人来说都是有益的。
编辑：回应Jonathan的一些评论：
是的，我完全清楚这是一个N ^ 2问题。雅可比是所有偏导数的矩阵，因此它的大小为N ^ 2。这种扩展没有真正的方法。但是，一个22000个元素的数组几乎没有在运行时产生内存问题的水平 - 我只在编译期间遇到问题。
基本上我们有三个层次可以解决这个问题。
1）在没有jacobian的情况下解决ODE问题，或者以某种方式将jacobian拆分为不具有150x150矩阵。这将解决根本问题，但它肯定限制了我能做的事情，而且我还不相信编译雅可比函数是不可能的
2）改变sympy自动生成C代码的方式，将其拆分为多个块，为中间表达式使用更多函数，以某种方式使.c文件更小。有更多同情经验的人可能对此有一些想法。
3）改变编译C的方式，这样就需要更少的内存。
我认为通过发布一个更加面向＃3（literal referencing of large array -- compiler out of memory）的单独问题，我会得到不同的受众回答。事实上，这正是发生的事情。也许＃3的答案是＆＃34;你不能＆＃34;＃34;但这也是有用的信息。
答案 0 :(得分：0)
根据http://www.sympy.org/scipy-2017-codegen-tutorial/发布的大量示例，我能够将其编译好。
关键是
1）而不是使用autowrap，直接编写C代码并对其进行更多控制。除此之外，这允许将参数列表作为向量传递而不是扩展它。这需要一些努力才能工作（通过distutils等设置编译器标志等），但最终它运行良好。将上面链接的课程回购作为一个例子有很大帮助。
2）使用公共子表达式消除（sympy.cse）来显着减小jacobian元素的表达式的大小。
（1）在这种情况下，它本身并没有那么多帮助（虽然我能够用它来大大提高小型号的性能）。代码仍然是200 MB而不是原来的300 MB。但是将它与（2）（cse）结合起来，我能够将其降低到1.7 MB（尽管有14000个临时变量）。
我的笔记本电脑上cse大约需要20-30分钟。之后，它会很快编译。