Skip to main content
 首页 » 编程设计

python之求解具有不连续输入/强制数据的 ODE

2024年10月24日16powertoolsteam

我正在尝试用 Python 求解耦合的一阶 ODE 系统。我对此很陌生,但是 Zombie Apocalypse example到目前为止,来自 SciPy.org 的帮助很大。

在我的案例中,一个重要的区别是用于“驱动”我的 ODE 系统的输入数据在不同的时间点突然变化,我不确定如何最好地处理这个问题。下面的代码是我能想到的最简单的例子来说明我的问题。我很欣赏这个例子有一个简单的解析解,但我的实际 ODE 系统更复杂,这就是为什么我试图了解数值方法的基础知识。

简化示例

考虑一个底部有孔的桶(这种“线性水库”是许多水文模型的基本构建 block )。桶的输入流量为R,孔的输出流量为Q。 Q 假定与桶中的水量 V 成正比。比例常数通常写为formula1 ,其中 T 是商店的“停留时间”。这给出了一个简单的 ODE 形式

fromula2

实际上,R 是观察到的每日总降雨量时间序列。 在每一天,假设降雨率是恒定的,但在天之间,降雨率突然变化(即R是一个不连续的 时间的函数)。我试图了解这对求解 ODE 的意义。

策略一

最明显的策略(至少对我而言)是在每个降雨时间步长内分别应用 SciPy 的 odeint 函数。这意味着我可以将 R 视为常数。像这样:

import numpy as np, pandas as pd, matplotlib.pyplot as plt, seaborn as sn 
from scipy.integrate import odeint 
 
np.random.seed(seed=17) 
 
def f(y, t, R_t): 
    """ Function to integrate. 
    """ 
    # Unpack parameters 
    Q_t = y[0] 
 
    # ODE to solve 
    dQ_dt = (R_t - Q_t)/T 
 
    return dQ_dt 
 
# ############################################################################# 
# User input    
T = 10      # Time constant (days) 
Q0 = 0.     # Initial condition for outflow rate (mm/day) 
days = 300  # Number of days to simulate 
# ############################################################################# 
 
# Create a fake daily time series for R 
# Generale random values from uniform dist 
df = pd.DataFrame({'R':np.random.uniform(low=0, high=5, size=days+20)}, 
                  index=range(days+20)) 
 
# Smooth with a moving window to make more sensible                   
df['R'] = pd.rolling_mean(df['R'], window=20) 
 
# Chop off the NoData at the start due to moving window 
df = df[20:].reset_index(drop=True) 
 
# List to store results 
Q_vals = [] 
 
# Vector of initial conditions 
y0 = [Q0, ] 
 
# Loop over each day in the R dataset 
for step in range(days): 
    # We want to find the value of Q at the end of this time step 
    t = [0, 1] 
 
    # Get R for this step 
    R_t = float(df.ix[step])    
 
    # Solve the ODEs 
    soln = odeint(f, y0, t, args=(R_t,)) 
 
    # Extract flow at end of step from soln 
    Q = float(soln[1]) 
 
    # Append result 
    Q_vals.append(Q) 
 
    # Update initial condition for next step 
    y0 = [Q, ] 
 
# Add results to df 
df['Q'] = Q_vals 

策略 2

第二种方法涉及简单地将所有内容提供给 odeint 并让它处理不连续性。使用与上述相同的参数和 R 值:

def f(y, t): 
    """ Function used integrate. 
    """ 
    # Unpack incremental values for S and D 
    Q_t = y[0] 
 
    # Get the value for R at this t 
    idx = df.index.get_loc(t, method='ffill')  
    R_t = float(df.ix[idx])        
 
    # ODE to solve 
    dQ_dt = (R_t - Q_t)/T 
 
    return dQ_dt 
 
# Vector of initial parameter values 
y0 = [Q0, ] 
 
# Time grid 
t = np.arange(0, days, 1) 
 
# solve the ODEs 
soln = odeint(f, y0, t) 
 
# Add result to df 
df['Q'] = soln[:, 0] 

这两种方法都给出了相同的答案,看起来像这样:

然而,第二种策略虽然在代码方面更紧凑,但它比第一种远慢。我猜这与 R 中的不连续性导致 odeint 出现问题有关?

我的问题

  1. 策略 1 是这里的最佳方法,还是有更好的方法?
  2. 策略 2 是个坏主意吗?为什么这么慢?

谢谢!

请您参考如下方法:

1.) 是

2.) 是

两者的原因:Runge-Kutta 求解器期望 ODE 函数的可微阶数至少与求解器的阶数一样高。这是必需的,以便存在给出预期误差项的泰勒展开。这意味着即使是 1 阶欧拉方法也需要一个可微分的 ODE 函数。因此不允许跳跃,1 阶可以容忍扭结,但高阶求解器则不能。

对于具有自动步长调整的实现尤其如此。每当接近一个不满足微分阶数的点时,求解器就会看到一个僵硬的系统并将步长推向 0,这会导致求解器变慢。

如果您使用步长固定且步长小于 1 天的求解器,则可以结合策略 1 和 2。然后,当天轮流的采样点作为(隐式)新常量的重启点。