尝试将向量化选项用于solve_ivp,奇怪的是,它抛出一个错误,y0必须为一维。 MWE:
from scipy.integrate import solve_ivp
import numpy as np
import math
def f(t, y):
theta = math.pi/4
ham = np.array([[1,0],[1,np.exp(-1j*theta*t)]])
return-1j * np.dot(ham,y)
def main():
y0 = np.eye(2,dtype= np.complex128)
t0 = 0
tmax = 10**(-6)
sol=solve_ivp( lambda t,y :f(t,y),(t0,tmax),y0,method='RK45',vectorized=True)
print(sol.y)
if __name__ == '__main__':
main()
主叫签名是fun(t,y)。这里t是一个标量,并且ndarray y有两个选择:它可以具有形状(n,);也可以具有形状(n,)。然后乐趣必须返回形状为(n,)的array_like。或者,它可以具有形状(n,k);那么fun必须返回一个形状为(n,k)的array_like,即每一列对应于y中的单个列。这两个选项之间的选择由矢量化参数确定(请参见下文)。向量化的实现可以通过有限的差分(刚性求解器需要)更快地逼近雅可比行列。
错误:
ValueError:
y0
必须是一维的。
Python 3.6.8
scipy。版本 '1.2.1'
答案 0 :(得分:0)
这里vectorize
的含义有些混乱。这并不意味着y0
可以是2d,而是y
传递给函数时可以是2d。换句话说,如果求解器愿意,func
可以一次在多个点求值。有多少点取决于求解器,而不是您。
更改f
,以在每次调用时显示y
的形状:
def f(t, y):
print(y.shape)
theta = math.pi/4
ham = np.array([[1,0],[1,np.exp(-1j*theta*t)]])
return-1j * np.dot(ham,y)
一个示例通话:
In [47]: integrate.solve_ivp(f,(t0,tmax),[1j,0],method='RK45',vectorized=False)
(2,)
(2,)
(2,)
(2,)
(2,)
(2,)
(2,)
(2,)
Out[47]:
message: 'The solver successfully reached the end of the integration interval.'
nfev: 8
njev: 0
nlu: 0
sol: None
status: 0
success: True
t: array([0.e+00, 1.e-06])
t_events: None
y: array([[0.e+00+1.e+00j, 1.e-06+1.e+00j],
[0.e+00+0.e+00j, 1.e-06-1.e-12j]])
相同的通话,但带有vectorize=True
:
In [48]: integrate.solve_ivp(f,(t0,tmax),[1j,0],method='RK45',vectorized=True)
(2, 1)
(2, 1)
(2, 1)
(2, 1)
(2, 1)
(2, 1)
(2, 1)
(2, 1)
Out[48]:
message: 'The solver successfully reached the end of the integration interval.'
nfev: 8
njev: 0
nlu: 0
sol: None
status: 0
success: True
t: array([0.e+00, 1.e-06])
t_events: None
y: array([[0.e+00+1.e+00j, 1.e-06+1.e+00j],
[0.e+00+0.e+00j, 1.e-06-1.e-12j]])
如果设置为False,则传递给y
的{{1}}是(2,),1d;如果为True,则为(2,1)。我想如果求解器方法如此需要,它可能是(2,2)甚至是(2,3)。这样可以减少对f
的调用,从而加快执行速度。在这种情况下,没关系。
f
具有类似的quadrature
布尔参数:
Numerical Quadrature of scalar valued function with vector input using scipy
相关的错误/问题讨论: