使用solve_ivp的Python求解ODE系统

我一直在尝试用scipys solve_ivp解决ODE系统，这是一个分层组织组织模型的平均场近似，我想用给定时间点的“m”突变数量量化“k”水平的细胞数量。以下是方程式本身：

我的目标是计算具有1,2,3。。。突变的数量，可以通过知道整个系统中至少有1,2,3个细胞的数量来获得。。。突变数，即：M（M）=\sum_{k=0，n}\sum_{l=M，inf}n_{k，l}，其中n是最后一个层次。 问题是，这些方程式产生的细胞数也包括那些没有获得新突变，但只是从母细胞遗传的细胞。 我想数一数那些获得新突变的细胞

所以我的问题是我很难修改方程，我想做的就是设置一个“计数器”，在每次迭代中我可以添加一定比例的单元，而我不修改控制系统动力学的原始方程

这是我的密码：

#/usr/bin/python
导入操作系统、软件、时间、系统、数学
从系统导入*
将numpy作为np导入
将matplotlib.pyplot作为plt导入
来自scipy.integrate import solve\u ivp
从mpmath导入*
mp.dps=30
n=3#级别数
g=3.0#组织的一个参数
三角洲=[0]*（n+2）#分化率
Nk=[1.0]*（n+2）#规定达到一定水平的细胞数
maxMut=10
N=1024*Nk[0]#组织生命周期内产生的细胞数
生命=N
sumNk=0
对于范围内的k（透镜（Nk）-1）：
sumNk+=Nk[k]
对于范围（0，n）内的l：
三角洲[l]=（1./g）**（n-1-l）
三角洲[n]=2.0
三角洲[n+1]=0
打印（三角洲）
Nkmt=np.zeros（（maxMut，n+1））.flatte（）#我把方程存储在这里
def Nt（t，Nkmt）：
retVec=[]
对于范围内的k（len（Nkmt））：
如果k%maxMut==0且k>0且kn*maxMut:#具有突变的术语水平
追加（（（delta[int（floor（k/float（maxMut）））-1]/Nk[int（floor（k/float（maxMut））-1]）*Nkmt[k-maxMut]）+mu*（（delta[int（floor（k/float（maxMut））-1]/Nk[int（floor（k/float（maxMut）））-1]）-mu*（（delta[int（floor（k/float（k/float（maxMut））-maxMut））-1]）/Nkmt[k-maxMut]））
elif k==n*maxMut:#术语级野生类型
retVec.append（（（delta[int（floor（k/float（maxMut）））-1]/Nk[int（floor（k/float（maxMut））-1]）*Nkmt[k-maxMut]）-mu*（（delta[int（floor（k/float（maxMut））-1]/Nk[int（floor（k/float（maxMut）））-1]）*Nkmt[k-maxMut]））
其他：#其他一切
（1）1）（Nkmt[k-maxMut-k-maxMut-k-maxMut-k-maxMut-k-k/k[int（地板（k/浮动（k/浮动（k/浮动（maxMut）k/浮动（k/浮动（k/浮动（k/浮动（k/浮动（k/浮动（maxMut）（maxMut）（maxMut）（maxMut））））-1-1-1-1-1-Nkmt-Nkmt[Nkmt[Nkmt[k-Nkmt[k[k[k/k/k/k/浮（k/浮动（k/浮动（k/浮动（k/浮动（k/浮动（k/浮动（k/浮动（k/浮动（maxmu（maxMut）（maxMut）（maxMut）（k/浮动（k/浮动（maxMut）（maxMut）（k/浮动（k））k/浮动（maxMut）））））））mt[k]）/Nk[int（floor（k/float（maxMut）））]
返回retVec
Nkmt=Nkmt.tolist（）
initCond=[0]*（len（Nkmt））
M_Vec=[0]*maxMut
P_vec=[0]*maxMut
对于范围内的k（len（Nkmt））：
如果k%maxMut==0且k我可以解决它

！/usr/bin/python
导入操作系统、软件、时间、系统、数学
从系统导入*
将numpy作为np导入
将matplotlib.pyplot作为plt导入
来自scipy.integrate import solve_ivp，odeint
从mpmath导入*
mp.dps=30
N0=1
rm=2
nt=1
mg2=1
inf=25
阈值=0.0000000001
porq='p'
pkqk=1
def p（g）：
如果porq==“p”：
返回浮动（pkqk）
其他：
回报率2.0/（q（g）*g）
def q（g）：
如果porq==“q”：
返回浮动（pkqk）
其他：
回报率2.0/（p（g）*g）
def ddpd（m、g、s）：
返回1/（1+q（g）*（m*s*（g-1）-1））
def mc（g，s）：
返回ceil（1/（s*（g-1）））
def Dtr（g，k）：
返回k*（g-1）
def Dli（g、k、n）：
返回NpN0/g**（n-1）+Dtr（g，k）
def Pmul（g、k、n）：
如果（k==n）：
返回2.0/g
其他：
返回1.0
def Dadd（g、k、n）：
如果（k==n）：
返回0
其他：
返回值（1-p（g））/2.0
defp（μm，g，k，n）：
如果（k-1>=0）：
返回值（μ**m/math.gamma（m+1））*（（Dli（g，k，n）+Dadd（g，k，n）-1.5）**
m-（Dtr（g，k）+Dadd（g，k，n）-1.5）**m）*（g**k）*Pmul（g，k，n）
其他：
返回值（μ**m/math.gamma（m+1））*（Dli（g，0，n））**m
fileError=open（“Error.txt”，“w+”）
文件=打开（“Pmuem_Master_uuuuuuu”+sys.argv[1]+“uuuuuu”+str（1e-5）+“.txt”，“w+”）
对于范围内的Gamma（int（sys.argv[2]），int（sys.argv[3]）：
打印（伽马）
n=int（sys.argv[1]）
g=2.0+伽马*0.5
增量=[0]*（n+2）
Nk=[1e20]*（n+2）
maxMut=12
N=1e7*Nk[0]
生命=N
NpN0=N
sumNk=0
对于范围内的k（透镜（Nk）-1）：
sumNk+=Nk[k]
对于范围（0，n）内的l：
三角洲[l]=（1./g）**（n-1-l）
三角洲[n]=2.0
三角洲[n+1]=0
p=1
#íp=（2.0/g）
打印（三角洲）
Nkmt=np.zeros（（maxMut，n+1））.flatte（）#预分配矩阵
Ekmt=np.zeros（（maxMut，n+1））.flatte（）#预分配矩阵
def Nt（t，Nkmt）：
retVec=[]
retVecE=[]
对于范围内的k（len（Ekmt））：
#顶级差异化
如果k%maxMut==0且k>0且kn*maxMut:#具有突变的术语水平
#打印（“带突变的术语级别”，k，int（下限（k/float（maxMut））），k%maxMut，k-maxMut）
追加（（（delta[int（floor（k/float（maxMut）））-1]/Nk[int（floor（k/float（maxMut））-1]）*Nkmt[k-maxMut]）+mu*（（delta[int（floor（k/float（maxMut））-1]/Nk[int（floor（k/float（maxMut）））-1]）-mu*（（delta[int（floor（k/float（k/float（maxMut））-maxMut））-1]）/Nkmt[k-maxMut]））
elif k==n*maxMut:#术语级野生类型
#打印（“术语级野生类型”，k，int（下限（k/float（maxMut））），k%maxMut，k-maxMut）
retVec.append（（（delta[int（floor（k/float（maxMut）））-1]/Nk[int（floor（k/float（maxMut））-1]）*Nkmt[k-maxMut]）-mu*（（delta[int（floor（k/float（maxMut））-1]/Nk[int（floor（k/float（maxMut）））-1]）*Nkmt[k-maxMut]））
其他：#其他一切