python中的Runge Kutta 4
我有一个问题,在代码中,h=0.1显示了一个小错误,h=0.01和h=0.001。我不明白为什么?但当h=0.0001时,误差再次减小 谢谢python中的Runge Kutta 4,python,runge-kutta,Python,Runge Kutta,我有一个问题,在代码中,h=0.1显示了一个小错误,h=0.01和h=0.001。我不明白为什么?但当h=0.0001时,误差再次减小 谢谢 def f(x,y): return 2*x**2-4*x+y def RK4(x0,y0): while x0 < b: k1 = h*f(x0,y0) k2 = h*f(x0+0.5*h,y0+0.5*k1) k3 = h*f(x0+0.5*h,y0+0.5*k2)
def f(x,y):
return 2*x**2-4*x+y
def RK4(x0,y0):
while x0 < b:
k1 = h*f(x0,y0)
k2 = h*f(x0+0.5*h,y0+0.5*k1)
k3 = h*f(x0+0.5*h,y0+0.5*k2)
k4 = h*f(x0+h,y0+k3)
y0+=(k1+2*k2+2*k3+k4)/6
x0+=h
return y0
b=3
h=0.001
print(RK4(1,0.7182818))
定义f(x,y):
返回2*x**2-4*x+y
def RK4(x0,y0):
而x0错误分析
如果您还打印最后一个x0
,那么您将看到迭代从未在b
处停止过。h
的浮点表示将被机器epsilon的一部分关闭。如果它稍微大一点,那么迭代将执行正确数量的循环。如果较小,则迭代将执行一个超出必要的循环,并在略小于b+h
的位置停止
此外,该测试问题的线性DE具有易于计算的精确解
y' - y = f'(x) - f(x), f(x) = -2*x^2
=> (y(x)-f(x))*exp(-x) = (y0-f(x0))*exp(-x0)
所以解的流函数是
def phi(x, x0,y0): return (y0+2*x0**2)*np.exp(x-x0)-2*x**2
为原始代码提供结果
exact solution: 2.085536712902183
h returned x returned y to exact at b to exact at ret. x
------------------------------------------------------------------------------------
0.1 : 3.00000000000000178 2.08553122271193736 -5.49019e-06 -5.49019e-06
0.01 : 3.00999999999997936 2.16719971215161866 0.081663 -6.90252e-10
0.001 : 3.00099999999977962 2.09363029572970216 0.00809358 -3.81029e-13
0.0001 : 3.00000000000200018 2.08553671291035991 8.17701e-12 -7.99849e-12
1e-05 : 3.00000000001310241 2.08553671302741339 1.2523e-10 1.92886e-11
在超调情况下,误差明显小于h
,而其他行显示预期的4阶收敛与浮点误差累积相竞争
修正变量
您可以通过预先计算步骤数或更正最后一步来更正此问题
def f(x,y):
return 2*x**2-4*x+y
def RK4(x0,y0,xf,h):
while x0 < xf:
if x0+h > xf: h=xf-x0
k1 = h*f(x0,y0)
k2 = h*f(x0+0.5*h,y0+0.5*k1)
k3 = h*f(x0+0.5*h,y0+0.5*k2)
k4 = h*f(x0+h,y0+k3)
y0+=(k1+2*k2+2*k3+k4)/6
x0+=h
return x0,y0
b=3
for k in range (1,5):
h0=10**-k;
for h in [2*h0, h0, 0.5*h0]:
xf,yf = RK4(x0, y0,b,h);
print(f'{h:6} : {xf:.17f} {yf:.17f} {yf-phi(b,x0,y0):12.6g} {(yf-phi(b,x0,y0))/h**4:12.6g}')
计算的误差系数表明,对于0.005
和0.1
之间的h
,四阶方法误差占主导地位,对于较大的步长,高阶误差项太大,对于较低的h
而言,必要步骤的数量增加得如此之多,以至于浮点误差的累积在方法误差中占主导地位
如前所述,您可以预先计算步骤的数量,并确保
N*h=xf-x0
。为了那个替代品
while x0 < xf:
if x0+h > xf: h=xf-x0
您仍然可以在x0
中观察浮点错误的累积
0.1 (3.0000000000000018, 2.0855312227119374)
0.01 (2.9999999999999796, 2.0855367122311055)
0.001 (2.9999999999997797, 2.085536712900021 )
0.0001 (3.000000000002, 2.08553671291036 )
1e-05 (3.0000000000131024, 2.0855367130274134)
如果我正确地假设您的代码生成的结果接近预期结果,那么您就没有编程问题,而是数值问题。这是一个更适合我的东西。然而,如果你问,请详细说明:你期望什么,为什么?你得到的实际值是多少?
Dx = float(xf-x0); N = int(0.5+Dx/h); h = Dx/N
for _ in range(N):
0.1 (3.0000000000000018, 2.0855312227119374)
0.01 (2.9999999999999796, 2.0855367122311055)
0.001 (2.9999999999997797, 2.085536712900021 )
0.0001 (3.000000000002, 2.08553671291036 )
1e-05 (3.0000000000131024, 2.0855367130274134)