Python Scipy和x27的性能问题;s解_-bvp与耦合微分方程
在Python 3.8.3中实现下面的耦合微分方程(也称为单模耦合方程)时,我遇到了一个问题。至于解算器,我正在使用Scipy的函数Python Scipy和x27的性能问题;s解_-bvp与耦合微分方程,python,performance,matlab,scipy,differential-equations,Python,Performance,Matlab,Scipy,Differential Equations,在Python 3.8.3中实现下面的耦合微分方程(也称为单模耦合方程)时,我遇到了一个问题。至于解算器,我正在使用Scipy的函数Scipy.integrate.solve_bvp,其文档可以阅读。我想求解复域中的方程,对于不同的传播轴值(z)和不同的β值(beta_分析) 问题在于,与使用函数bvp4c、bvpnit和bvpset在Matlab中的等效实现相比,它的速度非常慢(无法管理)。对两次执行的前几次迭代进行评估后,它们返回相同的结果,除了生成的网格(在Scipy情况下要大得多)。网格
Scipy.integrate.solve_bvp
,其文档可以阅读。我想求解复域中的方程,对于不同的传播轴值(z
)和不同的β值(beta_分析
)
问题在于,与使用函数bvp4c
、bvpnit
和bvpset
在Matlab中的等效实现相比,它的速度非常慢(无法管理)。对两次执行的前几次迭代进行评估后,它们返回相同的结果,除了生成的网格(在Scipy情况下要大得多)。网格有时甚至饱和到最大值
要求解的方程以及边界条件函数如下所示
import h5py
import numpy as np
from scipy import integrate
def coupling_equation(z_mesh, a):
ka_z = k # Global
z_a = z # Global
a_p = np.empty_like(a).astype(complex)
for idx, z_i in enumerate(z_mesh):
beta_zf_i = np.interp(z_i, z_a, beta_zf) # Get beta at the desired point of the mesh
ka_z_i = np.interp(z_i, z_a, ka_z) # Get ka at the desired point of the mesh
coupling_matrix = np.empty((2, 2), complex)
coupling_matrix[0] = [-1j * beta_zf_i, ka_z_i]
coupling_matrix[1] = [ka_z_i, 1j * beta_zf_i]
a_p[:, idx] = np.matmul(coupling_matrix, a[:, idx]) # Solve the coupling matrix
return a_p
def boundary_conditions(a_a, a_b):
return np.hstack(((a_a[0]-1), a_b[1]))
此外,考虑到solve_bpv
函数的fun
参数必须是可调用的,因此我无法找到将k
、z
和beta_zf
作为函数耦合方程
的参数传递的方法。我的方法是定义一些全局变量,但如果有更好的解决方案,我也将非常感谢在这方面的任何帮助
我试图编写的分析函数是:
def analysis(k, z, beta_analysis, max_mesh):
s11_analysis = np.empty_like(beta_analysis, dtype=complex)
s21_analysis = np.empty_like(beta_analysis, dtype=complex)
initial_mesh = np.linspace(z[0], z[-1], 10) # Initial mesh of 10 samples along L
mesh = initial_mesh
# a_init must be complex in order to solve the problem in a complex domain
a_init = np.vstack((np.ones(np.size(initial_mesh)).astype(complex),
np.zeros(np.size(initial_mesh)).astype(complex)))
for idx, beta in enumerate(beta_analysis):
print(f"Iteration {idx}: beta_analysis = {beta}")
global beta_zf
beta_zf = beta * np.ones(len(z)) # Global variable so as to use it in coupling_equation(x, y)
a = integrate.solve_bvp(fun=coupling_equation,
bc=boundary_conditions,
x=mesh,
y=a_init,
max_nodes=max_mesh,
verbose=1)
# mesh = a.x # Mesh for the next iteration
# a_init = a.y # Initial guess for the next iteration, corresponding to the current solution
s11_analysis[idx] = a.y[1][0]
s21_analysis[idx] = a.y[0][-1]
return s11_analysis, s21_analysis
我怀疑问题与传递给不同迭代的初始猜测有关(请参见分析函数中循环内的注释行)。我尝试将迭代的解设置为以下内容的初始猜测(这必须减少解算器所需的时间),但它甚至更慢,我不理解这一点。也许我错过了什么,因为这是我第一次尝试解微分方程
用于执行的参数如下所示:
f2 = h5py.File(r'path/to/file', 'r')
k = np.array(f2['k']).squeeze()
z = np.array(f2['z']).squeeze()
f2.close()
analysis_points = 501
max_mesh = 1e6
beta_0 = 3e2;
beta_low = 0; # Lower value of the frequency for the analysis
beta_up = beta_0; # Upper value of the frequency for the analysis
beta_analysis = np.linspace(beta_low, beta_up, analysis_points);
s11_analysis, s21_analysis = analysis(k, z, beta_analysis, max_mesh)
关于如何提高这些功能的性能有什么想法吗?提前谢谢大家,如果问题没有很好地表述,我接受任何有关这方面的建议
编辑:添加了一些有关问题性能和大小的信息
- 在实践中,我找不到一个关系来决定调用耦合方程的次数。这必须是解算器的内部操作问题。我通过打印一行来检查一次迭代中的呼叫次数,它发生在133个地方(这是最快的一次)。这必须乘以beta的迭代次数。对于分析的一个,解算器返回以下内容:
在11次迭代中求解,节点数529。
最大相对残留量:9.99e-04
最大边界剩余:0.00e+00
a
和z_网格
的形状是相关的,因为z_网格是一个向量,其长度与网格的大小相对应,解算器每次调用耦合_方程时都会重新计算。假设a
包含z_网格
每个点处的渐进波和回归波的振幅,a
的形状为(2,len(z_网格))
- 就计算时间而言,我只用Python在大约2小时内完成了19次迭代。在这种情况下,初始迭代速度更快,但随着网格的增长,迭代开始需要更多的时间,直到网格饱和到允许的最大值为止。我认为这是因为该点的输入耦合系数的值,因为在
beta_分析
中没有执行循环时也会发生这种情况(只需使用solve_bvp
函数来计算beta的中间值)。相反,Matlab设法在大约6分钟内返回整个问题的解决方案。如果我将上一次迭代的结果作为initial\u guess
(在analysis
函数中的注释行)传递,网格溢出速度会更快,并且不可能获得超过两次迭代的结果
基于半随机输入,我们可以看到有时会达到max\u mesh
。这意味着coupling\u方程
可以用相当大的z\u mesh
和a
数组调用。问题是coupling\u方程
包含一个缓慢的纯Python循环在每个列上迭代使用Numpy矢量化可以大大加快计算速度。以下是一个实现:
def耦合方程快(z网格,a):
ka_z=k#全局
z_a=z#全局
a_p=np.empty(a.shape,dtype=np.complex128)
beta_zf_i=np.interp(z_网格,z_a,beta_zf)#在网格的所需点获取beta
ka_z_i=np.interp(z_网格,z_a,ka_z)#在网格的所需点处获取ka
#快速手动矩阵乘法
a_p[0]=(-1j*beta_zf_i)*a[0]+ka_z_i*a[1]
a_p[1]=ka_z_i*a[0]+(1j*beta_zf_i)*a[1]
退
与原始实现相比,此代码提供了类似的半随机输入输出,但在我的机器上大约快了20倍
此外,我不知道您输入的max\u mesh
是否碰巧也很大,即使这是正常的/有意的。降低max\u mesh
的值以进一步减少执行时间可能是有意义的。在实践中调用了多少次耦合方程
z_网格
和a
在耦合_方程
中?整个计算需要多少时间?(请直接在问题中给出答案)@JérômeRichard谢谢你的快速评论!我编辑了这篇文章,以便添加你需要的信息。我希望这对你有所帮助