我正在使用R
软件包deSolve
来求解常微分方程组。在“系统动力学”文献中,可以使用平均延迟时间来模拟流入和流出速率的延迟。例如,在时间t,股票Y的变化率可以是:
dy(t)/dt = inflow(t) - ( outflow(t) / D )
其中延迟时间D
例如4个时间步骤。延迟被假定为平均延迟时间。
但是,对延迟进行建模的另一种方法是假设事件更加离散,其中流出等于先前D
个时间单位的库存流入量,因此:
dy(t)/dt = inflow(t) - inflow(t - D)
在deSolve
中,我们可以将lagvalue
和lagderiv
函数与dede
求解器函数一起使用,以指定利用状态的滞后值的延迟微分方程。变量,但我似乎找不到一种方法来要求deSolve
使用流入/流出速率的滞后值。
例如,使用简单的模型:
m<- function(t,y,p){
with(as.list(c(y,p)),{
inflow <- 100
outflow <- y*.5
dy <- inflow - outflow
return(list(c(dy), inflow=inflow, outflow=outflow))
})}
fit <- ode(func=m, y=c(100),t=seq(0,10,1),p=c(), method="euler")
time 1 inflow outflow
1 0 100.0000 100 50.00000
2 1 150.0000 100 75.00000
3 2 175.0000 100 87.50000
4 3 187.5000 100 93.75000
5 4 193.7500 100 96.87500
6 5 196.8750 100 98.43750
7 6 198.4375 100 99.21875
8 7 199.2188 100 99.60938
9 8 199.6094 100 99.80469
10 9 199.8047 100 99.90234
11 10 199.9023 100 99.95117
使用dede
,可以在上一个D = 2
时间步中使流出成为状态变量的滞后值:
m2<- function(t,y,p){
with(as.list(c(y,p)),{
inflow <- 100
if(t < D) outflow <- y*.5
if(t >= D) outflow <- lagvalue(t-D,1)*.5
dy <- inflow - outflow
return(list(c(dy), inflow=inflow, outflow=outflow))
})}
fit2 <- dede(func=m, y=c(100),t=seq(0,10,1),p=c(D=2))
time 1 inflow outflow
1 0 100.0000 100 50.00000
2 1 139.3469 100 69.67344
3 2 163.2120 100 81.60602
4 3 177.6870 100 88.84349
5 4 186.4665 100 93.23323
6 5 191.7915 100 95.89575
7 6 195.0213 100 97.51064
8 7 196.9803 100 98.49013
9 8 198.1684 100 99.08422
10 9 198.8891 100 99.44456
11 10 199.3262 100 99.66312
但是现在想象一下,我希望流出实际上是前面D=2
时间的流入。我想要类似的东西:
**** Code will not run ****
m3<- function(t,y,p){
with(as.list(c(y,p)),{
inflow <- 100
if(t < D) outflow <- 0
if(t >= D) outflow <- lagvalue(t-D,inflow)
dy <- inflow - outflow
return(list(c(dy), inflow=inflow, outflow=outflow))
})}
...
据我所知,deSolve
不允许这样做。有一种简单的方法可以允许它吗?
我对混合连续和离散事件类型模型感兴趣的原因在于对供应链进行建模,在该模型中,某些产品的平均时间延迟可能不准确。