Question

我正在尝试实现一个处理非负ODE系统的算法。我需要像MATLAB中的ode45这样的东西来定义必须为非负的状态。

我已经在3年前讨论过了，但是没有真正的解决方案。 deSolve仍然不是要走的路。我发现一些看起来很有前途的python代码。也许这在R中也是可能的。最后，我必须定义一个函数包装器，如python中的functools。它的作用非常简单。这是python包装器的代码：

def wrap(f):

        @wraps(f)

        def wrapper(t, y, *args, **kwargs):

            low = y < 0

            y = np.maximum(y, np.ones(np.shape(y))*0)

            result = f(t, y, *args, **kwargs)

            result[too_low]  = np.maximum(result[low], np.ones(low.sum())*0)


            return result

        return wrapper

    return wrap

我的意思是在python中这很简单。包装程序将在

调用的集成的每个步骤中使用

solver = scipy.integrate.odeint(f, y0)
solution = solver.solve()

R中是否可能相同？我知道也有一个functools包和functools函数。但是我不知道这是否真的有效。我可以在deSolve中使用事件吗？

我现在已经在这个项目上工作了5年，但我没有想法。我使用了MATLAB，C ++和Python接口，但是所有这些都很慢，我在R中需要它。非常感谢您的帮助！

Answer 1

出于充分的理由，deSolve不支持自动非负约束。过去，我们曾多次提出这样的问题，但事实证明，在所有这些情况下，负值的原因都是模型规范不完整。典型的情况是某些内容是从空池中导出的。由于不必要的负值通常表示模型规格不足，因此我们（目前）不考虑在将来添加“非负”约束。

示例：在以下等式中，通过模型设计，X可以变为负数：

dX / dt = -k

以下内容不能：

dX / dt = -k * X

如果您需要“在大多数情况下”线性减少，并且在X变为零之前不久将其减少为零，则可以使用Monod类型的防护措施（或类似方法）：

dX / dt = -k * X /（k2 + X）

k2的选择相对不严格。与求解器的数值精度相比，它应该足够小而不影响整体性能，并且不要太小。

另一种避免负值的方法是在对数转换的空间中工作。以下是一些相关线程：

https://stat.ethz.ch/pipermail/r-sig-dynamic-models/2010q2/000028.html

https://stat.ethz.ch/pipermail/r-sig-dynamic-models/2013q3/000222.html

https://stat.ethz.ch/pipermail/r-sig-dynamic-models/2016/000437.html

此外，当然也可以在R中编写自己的包装器。

希望有帮助

R中带有functools的非负ODE解决方案？

1 个答案: