scipy.integrate.

OdeSolver#

class scipy.integrate.OdeSolver(fun, t0, y0, t_bound, vectorized, support_complex=False)[源代码][源代码]#

ODE 求解器的基类。

为了实现一个新的求解器，你需要遵循以下指南：

构造函数必须接受基类中列出的参数（如下所示）以及特定于求解器的任何其他参数。

构造函数必须接受任意多余的参数 **extraneous，但使用 common.warn_extraneous 函数警告这些参数是无关的。不要将这些参数传递给基类。

求解器必须实现一个私有方法 _step_impl(self)，该方法将求解器推进一步。它必须返回元组 (success, message)，其中 success 是一个布尔值，指示步骤是否成功，而 message 是一个字符串，包含步骤失败时的描述，否则为 None。

求解器必须实现一个私有方法 _dense_output_impl(self)，该方法返回一个覆盖最后一个成功步骤的 DenseOutput 对象。

求解器必须在属性部分列出以下属性。请注意，t_old 和 step_size 会自动更新。

使用 fun(self, t, y) 方法进行系统右侧的评估，这样函数评估的次数 (nfev) 将被自动跟踪。

为了方便，一个基类提供了 fun_single(self, t, y) 和 fun_vectorized(self, t, y) 分别用于以非向量化和向量化的方式评估右端项（无论构造函数中的 fun 是如何实现的）。这些调用不会增加 nfev。

如果一个求解器使用雅可比矩阵和LU分解，它应该记录雅可比矩阵的评估次数（njev）和LU分解的次数（nlu）。

按照惯例，用于计算雅可比矩阵有限差分近似的函数求值不应计入 nfev 中，因此在计算雅可比矩阵的有限差分近似时，请使用 fun_single(self, t, y) 或 fun_vectorized(self, t, y)。

参数:

有趣可调用

系统右侧：状态 y 在时间 t 的导数。调用签名是 fun(t, y)，其中 t 是一个标量，y 是一个 ndarray，且 len(y) = len(y0)。fun 必须返回一个与 y 形状相同的数组。更多信息请参见 vectorized。

t0浮动

初始时间。

y0类数组, 形状 (n,)

初始状态。

t_bound浮动

边界时间 — 整合不会超过这个时间。它还决定了整合的方向。

矢量化布尔

fun 是否可以以矢量化方式调用。默认为 False。

如果 vectorized 为 False，fun 将总是以形状为 (n,) 的 y 被调用，其中 n = len(y0)。

如果 vectorized 为 True，fun 可能会被调用，参数 y 的形状为 (n, k)，其中 k 是一个整数。在这种情况下，fun 必须表现得使得 fun(t, y)[:, i] == fun(t, y[:, i])``（即返回数组的每一列是对应于 ``y 的每一列的状态的时间导数）。

设置 vectorized=True 允许通过 ‘Radau’ 和 ‘BDF’ 方法更快地进行有限差分近似雅可比矩阵，但对于其他方法会导致执行速度变慢。在某些情况下（例如 len(y0) 较小时），它也可能导致 ‘Radau’ 和 ‘BDF’ 的整体执行速度变慢。

支持复杂bool, 可选

是否支持在复杂领域中的集成。通常由派生的求解器类能力决定。默认值为 False。

属性:

n整数: 方程的数量。
状态字符串: 求解器的当前状态：’运行中’、’已完成’ 或 ‘失败’。
t_bound浮动: 边界时间。
方向浮动: 集成方向：+1 或 -1。
t浮动: 当前时间。
yndarray: 当前状态。
t_old浮动: 上次时间。如果没有进行任何步骤，则为 None。
步长浮动: 最后一次成功步骤的大小。如果还没有进行任何步骤，则为 None。
nfev整数: 系统右侧评估的次数。
njev整数: 雅可比矩阵的求值次数。
nlu整数: LU 分解的次数。

方法

`dense_output`()	计算上一个成功步骤上的局部插值。
`step`()	执行一个积分步骤。