python - 求解隐式ODE(微分代数方程DAE)

我正在尝试使用来自scipy的odeint解决二阶ODE。我遇到的问题是该函数隐式地耦合到二阶项，如简化的代码段所示(请忽略示例的假装物理学):

import numpy as np
from scipy.integrate import odeint

def integral(y,t,F_l,mass):
    dydt = np.zeros_like(y)
    x, v = y
    F_r =  (((1-a)/3)**2 + (2*(1+a)/3)**2) * v # 'a' implicit
    a  = (F_l - F_r)/mass

    dydt = [v, a]
return dydt


y0 = [0,5]
time = np.linspace(0.,10.,21)
F_lon = 100.
mass = 1000.

dydt = odeint(integral, y0, time, args=(F_lon,mass))

在这种情况下，我意识到可以代数求解隐式变量，但是在我的实际情况下，F_r与a的求值之间存在很多逻辑，代数操作失败。

我相信可以使用MATLAB的ode15i函数来解决DAE，但我尝试尽可能避免这种情况。

我的问题是-有办法解决python(最好是scipy)中的隐式ODE函数(DAE)吗？有没有更好的方法解决以上问题呢？

作为最后的选择，从上一时间步长传递a可能是可以接受的。在每个时间步骤之后，如何将dydt[1]传递回函数中？

最佳答案

如果代数运算失败，则可以寻求约束的数值解决方案，例如在每个时间步上运行fsolve:

import sys
from numpy import linspace
from scipy.integrate import odeint
from scipy.optimize import fsolve

y0 = [0, 5]
time = linspace(0., 10., 1000)
F_lon = 10.
mass = 1000.

def F_r(a, v):
    return (((1 - a) / 3) ** 2 + (2 * (1 + a) / 3) ** 2) * v

def constraint(a, v):
    return (F_lon - F_r(a, v)) / mass - a

def integral(y, _):
    v = y[1]
    a, _, ier, mesg = fsolve(constraint, 0, args=[v, ], full_output=True)
    if ier != 1:
        print "I coudn't solve the algebraic constraint, error:\n\n", mesg
        sys.stdout.flush()
    return [v, a]

dydt = odeint(integral, y0, time)

显然，这会减慢您的时间整合。始终检查fsolve是否找到了一个好的解决方案，并刷新输出，以便您可以在实现时立即意识到并停止模拟。

关于如何在上一个时间步“缓存”变量的值，您可以利用以下事实:默认参数仅在函数定义中计算，

from numpy import linspace
from scipy.integrate import odeint

#you can choose a better guess using fsolve instead of 0
def integral(y, _, F_l, M, cache=[0]):
    v, preva = y[1], cache[0]
    #use value for 'a' from the previous timestep
    F_r = (((1 - preva) / 3) ** 2 + (2 * (1 + preva) / 3) ** 2) * v
    #calculate the new value
    a = (F_l - F_r) / M
    cache[0] = a
    return [v, a]

y0 = [0, 5]
time = linspace(0., 10., 1000)
F_lon = 100.
mass = 1000.

dydt = odeint(integral, y0, time, args=(F_lon, mass))

请注意，为了使技巧起作用，cache参数必须是可变的，这就是我使用列表的原因。如果您不熟悉默认参数的工作原理，请参见this链接。

请注意，这两个代码不会产生相同的结果，因此在数值上的稳定性和精度上，您应该非常小心地使用上一个时间步长中的值。第二个显然要快得多。

关于python - 求解隐式ODE(微分代数方程DAE)，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/23578596/