我的问题是关于当前scipy颂歌解决者 . 从scipy doc page开始，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))
我的问题是：它使用了很多python循环（while循环），这实际上减慢了程序的速度 . 我可以尝试编写一个C代码并使用ctypes来加快速度，但是我无法在scipy中访问像dopri5这样的好算法（除非我自己实现） .
是否有任何矢量化编码方式可以加快速度？
谢谢！
2 回答
'vectorization'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并且顺序对您来说无关紧要，Python程序员 .但像这样的ode解决方案本质上是一个串行操作 . 在
t+dt时解决问题之前，您必须在时间t解决问题 . 您无法通过时间对解决方案进行矢量化 . 你能做的最好的事情就是选择一个ode求解器，它可以为时间步长（dt）做出明智的选择，尽可能采取重大步骤，在需要捕捉快速变化时做出小步骤 .一个好的颂歌解算器可以让你矢量化空间维度 - 即并行解决10个颂歌 . 您也可以向量化计算雅可比行列式，同时返回
y+dy和y-dy. 基本上你想尽可能快地计算f和jac.这有点晚了，但我认为你需要的是scipy.integrate.odeint . 它需要一系列时间点并计算每个时间点的解决方案 . 这使循环在Python之外计算（在FORTRAN中） .