使用NumPy数组和向量化，我试图创建一组n个不同的个体，每个个体具有三个属性：alpha，beta和{{1 }}（phenotype被计算为涉及phenotype和alpha的微分方程的稳态）。所以，我希望每个人都有自己的表型。
但是，我的代码为每个人产生相同的表型。此外，只有在beta的{{1}}数组（这里是n）中恰好有solve_ivp个条目（这里是y0）时，才会发生这种有害行为-否则会出现广播错误产生：
[0, 1]代码如下：
ValueError: operands could not be broadcast together with shapes (2,) (3,)
相比之下，如果通过“简单”等式从import numpy as np
from scipy.integrate import solve_ivp
def create_population(n):
"""creates a population of n individuals"""
pop = np.zeros(n, dtype=[('alpha','<f8'),('beta','<f8'),('phenotype','<f8')])
pop['alpha'] = np.random.randn(n)
pop['beta'] = np.random.randn(n) + 5
def phenotype(n):
"""creates the phenotype"""
def pheno_ode(t_ode, y):
"""defines the ode for the phenotype"""
dydt = 0.123 - y + pop['alpha'] * (y ** pop['beta'] / (1 + y ** pop['beta']))
return dydt
t_end = 1e06
sol = solve_ivp(pheno_ode, [0, t_end], [0, 1], method='BDF')
return sol.y[0][-1] # last entry is assumed to be the steady state
pop['phenotype'] = phenotype(n)
return pop
popul = create_population(3)
print(popul)
和alpha计算表型，则向量化可以正常工作：
beta答案 0 :(得分：0)
我可以看到两个问题：
首先，您将ODE的初始条件设置为[0, 1]。将solve_ivp的向量解的大小设置为2，而不考虑n的值。但是，数组pop['alpha']和pop['beta']的长度为n，并且在脚本中，您将create_population设置为3的情况下调用了n。 dydt的公式中的数组形状中：y的长度为2，但是pop['alpha']和pop['beta']的长度为3。这会导致您看到错误。
您可以通过使用np.ones(n)而不是[0, 1]作为对solve_ivp的调用的初始条件来解决此问题。
第二个问题是函数return sol.y[0][-1]中的语句phenotype(n)。 sol.y的形状为(n, num_points)，其中num_points是solve_ivp计算的点数。因此，sol.y[0]只是解决方案的第一个组成部分，sol.y[0][-1]是第一个组件的解决方案的最后一个值。这是一个标量，因此当执行pop['phenotype'] = phenotype(n)时，您将为所有表型分配相同的值（第一个组件的稳态）。
return语句应为return sol.y[:, -1]。返回结果数组的最后一个列（即所有稳态表型）。