Python 为什么不是'；在SciPy中使用integrate.odeint时调用Dfun（gradient）吗？

任何人都可以提供一个例子，为SciPy中的

integrate.odeint

函数提供雅可比矩阵吗？。 我试图从SciPy教程中运行此代码，但似乎从未调用

Dfun（）

（雅可比函数）

from numpy import * # added
from scipy.integrate import odeint
from scipy.special import gamma, airy
y1_0 = 1.0/3**(2.0/3.0)/gamma(2.0/3.0)
y0_0 = -1.0/3**(1.0/3.0)/gamma(1.0/3.0)
y0 = [y0_0, y1_0]


def func(y, t):
    return [t*y[1],y[0]]
    
    
def gradient(y,t):
    print 'jacobian'  # added
    return [[0,t],[1,0]]
    
    
x = arange(0,4.0, 0.01)
t = x
ychk = airy(x)[0]
y = odeint(func, y0, t)
y2 = odeint(func, y0, t, Dfun=gradient)
print y2 # added

在引擎盖下，使用来自的LSODA解算器。为了处理您尝试积分的函数为的情况，LSODA在两种不同的积分计算方法之间自适应切换，这两种方法更快，但不适用于刚性系统，并且速度较慢，但对刚性具有鲁棒性

您试图集成的特定函数是非刚性的，因此LSODA将在每次迭代中使用Adams。您可以通过返回

infodict

（

..，full\u output=True

）并检查

infodict['mused']

来检查这一点

因为亚当斯的方法不使用雅可比矩阵，所以你的梯度函数永远不会被调用。但是，如果给

odeint

一个刚性函数进行积分，例如：

您应该看到，

odeint

切换到使用BDF，现在可以调用雅可比函数

---

如果你想对解算器有更多的控制，你应该研究它，它是一个面向多个不同积分器的更灵活的面向对象接口。

Perfect。比SciPy文档更清晰。这正是我想要的，谢谢阿里！

def vanderpol(y, t, mu=1000.):
    return [y[1], mu*(1. - y[0]**2)*y[1] - y[0]]

def vanderpol_jac(y, t, mu=1000.):
    return [[0, 1], [-2*y[0]*y[1]*mu - 1, mu*(1 - y[0]**2)]]

y0 = [2, 0]
t = arange(0, 5000, 1)
y,info = odeint(vanderpol, y0, t, Dfun=vanderpol_jac, full_output=True)

print info['mused'] # method used (1=adams, 2=bdf)
print info['nje']   # cumulative number of jacobian evaluations
plot(t, y[:,0])