Python 矢量化SciPy ode解算器

我的问题是关于当前的scipy ode解算器。从中可以看出，它们的用法是：

# A problem to integrate and the corresponding jacobian:

from scipy.integrate import ode
y0, t0 = [1.0j, 2.0], 0
def f(t, y, arg1):
    return [1j*arg1*y[0] + y[1], -arg1*y[1]**2]
def jac(t, y, arg1):
    return [[1j*arg1, 1], [0, -arg1*2*y[1]]]

# The integration:
r = ode(f, jac).set_integrator('zvode', method='bdf', with_jacobian=True)
r.set_initial_value(y0, t0).set_f_params(2.0).set_jac_params(2.0)
t1 = 10
dt = 1
while r.successful() and r.t < t1:
    r.integrate(r.t+dt)
    print("%g %g" % (r.t, r.y))

#积分问题和相应的雅可比矩阵：
从scipy.integrate导入ode
y0，t0=[1.0j，2.0]，0
def f（t、y、arg1）：
返回[1j*arg1*y[0]+y[1]，-arg1*y[1]**2]
def jac（t、y、arg1）：
返回[[1j*arg1，1]，[0，-arg1*2*y[1]]
#整合：
r=ode（f，jac）。设置积分器（'zvode'，方法='bdf'，且雅可比数=True）
r、 设置初始值（y0，t0）。设置参数（2.0）。设置参数（2.0）
t1=10
dt=1
当r.successful（）和r.t

我的问题是：它使用了大量python循环（while循环），这从本质上降低了程序的速度。我可以尝试编写一个C代码并使用ctypes使其更快，但我无法访问像scipy中的dopri5这样的优秀算法（除非我自己实现）

是否有任何矢量化的编码方式可以加快速度

---

谢谢大家!

“矢量化”意味着同时进行一系列并行计算。是的，详细的实现将涉及迭代，但它在

C

中，顺序对

Python

程序员来说并不重要

但是像这样的ode解决方案本质上是一个串行操作。您必须在时间

t

解决问题，然后才能在时间

t+dt

解决问题。你不能随时间矢量化解决方案。您最好选择一个

ode

解算器，为时间步（

dt

）做出智能选择，在可能的情况下选择大步，在需要时选择小步以捕获快速变化

---

一个好的ode解算器可以让你矢量化空间维度，即并行解算10个ode。您还可以对计算雅可比矩阵进行矢量化，同时返回

y+dy

和

y-dy

。基本上，您希望尽可能快地计算

f

和

jac

。

“矢量化”意味着同时进行一系列并行计算。是的，详细的实现将涉及迭代，但它在

C

中，顺序对

Python

程序员来说并不重要

但是像这样的ode解决方案本质上是一个串行操作。您必须在时间

t

解决问题，然后才能在时间

t+dt

解决问题。你不能随时间矢量化解决方案。您最好选择一个

ode

解算器，为时间步（

dt

）做出智能选择，在可能的情况下选择大步，在需要时选择小步以捕获快速变化

---

一个好的ode解算器可以让你矢量化空间维度，即并行解算10个ode。您还可以对计算雅可比矩阵进行矢量化，同时返回

y+dy

和

y-dy

。基本上，您希望尽可能快地计算

f

和

jac

。

这有点晚，但我认为您需要的是。它获取一组时间点并计算每个时间点的解。这使得循环在Python之外（用FORTRAN）计算。

这有点晚了，但我认为您需要的是。它获取一组时间点并计算每个时间点的解。这使得循环可以在Python之外（用FORTRAN）计算。

非常感谢！这对我来说完全有道理。非常感谢！这对我来说完全有道理。永远不会太迟，伙计！这就是我最后使用的内容，其他人在将来看这篇文章时可能会发现它很有帮助。谢谢！永远不会太迟，伙计！这就是我最后使用的内容，其他人在将来看这篇文章时可能会发现它很有帮助。谢谢！