Python 已知常微分方程的李雅普诺夫谱-3
我想用本文中描述的标准方法,数值计算的李雅普诺夫谱 基本上需要积分洛伦兹系统和切向向量,我用龙格-库塔方法。由洛伦兹系统的雅可比矩阵给出了切向矢量的演化方程。在每次迭代之后,需要对向量应用Gram-Schmidt方案并存储其长度。然后通过存储长度的平均值给出三个李雅普诺夫指数 我用python版本3.7.4实现了上面解释的方案,但没有得到正确的结果 我认为错误在于Rk4方法用于der向量,但我找不到任何错误…用于轨迹x、y、z的Rk4方法正确地工作,如图所示,并且实现的Gram-Schmidt方案也正确地实现 我希望有人能看看我的短代码,也许能找到我的错误 编辑:更新代码Python 已知常微分方程的李雅普诺夫谱-3,python,ode,chaos,Python,Ode,Chaos,我想用本文中描述的标准方法,数值计算的李雅普诺夫谱 基本上需要积分洛伦兹系统和切向向量,我用龙格-库塔方法。由洛伦兹系统的雅可比矩阵给出了切向矢量的演化方程。在每次迭代之后,需要对向量应用Gram-Schmidt方案并存储其长度。然后通过存储长度的平均值给出三个李雅普诺夫指数 我用python版本3.7.4实现了上面解释的方案,但没有得到正确的结果 我认为错误在于Rk4方法用于der向量,但我找不到任何错误…用于轨迹x、y、z的Rk4方法正确地工作,如图所示,并且实现的Gram-Schmidt方
from numpy import array, arange, zeros, dot, log
import matplotlib.pyplot as plt
from numpy.linalg import norm
# Evolution equation of tracjectories and tangential vectors
def f(r):
x = r[0]
y = r[1]
z = r[2]
fx = sigma * (y - x)
fy = x * (rho - z) - y
fz = x * y - beta * z
return array([fx,fy,fz], float)
def jacobian(r):
M = zeros([3,3])
M[0,:] = [- sigma, sigma, 0]
M[1,:] = [rho - r[2], -1, - r[0] ]
M[2,:] = [r[1], r[0], -beta]
return M
def g(d, r):
dx = d[0]
dy = d[1]
dz = d[2]
M = jacobian(r)
dfx = dot(M, dx)
dfy = dot(M, dy)
dfz = dot(M, dz)
return array([dfx, dfy, dfz], float)
# Initial conditions
d = array([[1,0,0], [0,1,0], [0,0,1]], float)
r = array([19.0, 20.0, 50.0], float)
sigma, rho, beta = 10, 45.92, 4.0
T = 10**5 # time steps
dt = 0.01 # time increment
Teq = 10**4 # Transient time
l1, l2, l3 = 0, 0, 0 # Lengths
xpoints, ypoints, zpoints = [], [], []
# Transient
for t in range(Teq):
# RK4 - Method
k1 = dt * f(r)
k11 = dt * g(d, r)
k2 = dt * f(r + 0.5 * k1)
k22 = dt * g(d + 0.5 * k11, r + 0.5 * k1)
k3 = dt * f(r + 0.5 * k2)
k33 = dt * g(d + 0.5 * k22, r + 0.5 * k2)
k4 = dt * f(r + k3)
k44 = dt * g(d + k33, r + k3)
r += (k1 + 2 * k2 + 2 * k3 + k4) / 6
d += (k11 + 2 * k22 + 2 * k33 + k44) / 6
# Gram-Schmidt-Scheme
orth_1 = d[0]
d[0] = orth_1 / norm(orth_1)
orth_2 = d[1] - dot(d[1], d[0]) * d[0]
d[1] = orth_2 / norm(orth_2)
orth_3 = d[2] - (dot(d[2], d[1]) * d[1]) - (dot(d[2], d[0]) * d[0])
d[2] = orth_3 / norm(orth_3)
for t in range(T):
k1 = dt * f(r)
k11 = dt * g(d, r)
k2 = dt * f(r + 0.5 * k1)
k22 = dt * g(d + 0.5 * k11, r + 0.5 * k1)
k3 = dt * f(r + 0.5 * k2)
k33 = dt * g(d + 0.5 * k22, r + 0.5 * k2)
k4 = dt * f(r + k3)
k44 = dt * g(d + k33, r + k3)
r += (k1 + 2 * k2 + 2 * k3 + k4) / 6
d += (k11 + 2 * k22 + 2 * k33 + k44) / 6
orth_1 = d[0] # Gram-Schmidt-Scheme
l1 += log(norm(orth_1))
d[0] = orth_1 / norm(orth_1)
orth_2 = d[1] - dot(d[1], d[0]) * d[0]
l2 += log(norm(orth_2))
d[1] = orth_2 / norm(orth_2)
orth_3 = d[2] - (dot(d[2], d[1]) * d[1]) - (dot(d[2], d[0]) * d[0])
l3 += log(norm(orth_3))
d[2] = orth_3 / norm(orth_3)
# Correct Solution (2.16, 0.0, -32.4)
lya1 = l1 / (dt * T)
lya2 = l2 / (dt * T) - lya1
lya3 = l3 / (dt * T) - lya1 - lya2
lya1, lya2, lya3
# my solution T = 10^5 : (1.3540301507934012, -0.0021967491623752448, -16.351653561383387)
以上代码根据Lutz建议进行更新。
结果看起来好多了,但仍然不是100%准确
正确的解决方案2.16,0.0,-32.4
我的解决方案1.3540301507934012,-0.0021967491623752448,-16.351653561383387
正确的解决方案来自。在第290-291页,他描述了他的方法,这与我在本文开头提到的论文(第81页)中的方法完全相同
所以我的代码中肯定有另一个错误 您需要将点和雅可比矩阵系统作为前向耦合系统进行求解。在原始源代码中,所有内容都在组合系统的一个RK4调用中更新 例如,在第二阶段中,您将混合这些操作,以获得一个组合的第二阶段 k2=dt*fr+0.5*k1 M=jacobianr+0.5*k1 k22=dt*gd+0.5*k11,r+0.5*k1 您还可以在g函数中委托M的计算,因为这是唯一需要它的地方,并且您可以增加变量范围中的局部性 注意,我将d的更新从k1改为k11,这应该是数值结果中错误的主要来源 关于最新代码版本2/28/2021的附加说明: 正如在评论中所说的,代码看起来会按照算法的数学规定执行。有两种误读会阻止代码返回接近参考的结果: 本文中的参数是sigma=16。 本文使用的不是自然对数,而是二元对数,即震级演变为2^L_it。所以你必须把计算出的指数除以log2。 使用中导出的方法,我得到了指数 [2.1531855610566595, -0.00847304754613621, -32.441308372177566]
这与参考文献2.16,0.0,-32.4非常接近。我更新了我以前的帖子。如果你能看一下,我将不胜感激。你的预期产量是多少?你得到了多少?看看[mvve]。我更新的帖子中现在包含了所需的输出。代码现在看起来在技术上是正确的。关于结果差异的任何问题现在都已脱离主题,属于scicomp.SE或math.SE。通过将RK4步骤设置为函数,甚至将整个迭代设置为函数,可以使代码更加紧凑,而不考虑初始迭代的计算l[1,2,3]值。