几个月后,我开始使用python,考虑到它具有的巨大优势 . 但最近,我使用scipy的odeint来求解微分方程组 . 但是在集成过程中,实现的功能无法按预期工作 .
在这种情况下,我想解决一个微分方程组,其中一个初始条件(x [0])变化(4-5之间),这取决于变量在积分过程中达到的值(它在内部编程)通过if结构的功能) .
#Control of oxygen
SO2_lower=4
SO2_upper=5
if x[0]<=SO2_lower:
x[0]=SO2_upper
当odeint使用该函数时,即使函数改变了x [0]的值,也可以避免函数内部的一些代码行 . 这是我的所有代码:
import numpy as np
from scipy.integrate import odeint
import matplotlib.pyplot as plt
plt.ion()
# Stoichiometric parameters
YSB_OHO_Ox=0.67 #Yield for XOHO growth per SB (Aerobic)
YSB_Stor_Ox=0.85 #Yield for XOHO,Stor formation per SB (Aerobic)
YStor_OHO_Ox=0.63 #Yield for XOHO growth per XOHO,Stor (Aerobic)
fXU_Bio_lys=0.2 #Fraction of XU generated in biomass decay
iN_XU=0.02 #N content of XU
iN_XBio=0.07 #N content of XBio
iN_SB=0.03 #N content of SB
fSTO=0.67 #Stored fraction of SB
#Kinetic parameters
qSB_Stor=5 #Rate constant for XOHO,Stor storage of SB
uOHO_Max=2 #Maximum growth rate of XOHO
KSB_OHO=2 #Half-saturation coefficient for SB
KStor_OHO=1 #Half-saturation coefficient for XOHO,Stor/XOHO
mOHO_Ox=0.2 #Endogenous respiration rate of XOHO (Aerobic)
mStor_Ox=0.2 #Endogenous respiration rate of XOHO,Stor (Aerobic)
KO2_OHO=0.2 #Half-saturation coefficient for SO2
KNHx_OHO=0.01 #Half-saturation coefficient for SNHx
#Other parameters
DT=1/86400.0
def f(x,t):
#Control of oxygen
SO2_lower=4
SO2_upper=5
if x[0]<=SO2_lower:
x[0]=SO2_upper
M=np.matrix([[-(1.0-YSB_Stor_Ox),-1,iN_SB,0,0,YSB_Stor_Ox],
[-(1.0-YSB_OHO_Ox)/YSB_OHO_Ox,-1/YSB_OHO_Ox,iN_SB/YSB_OHO_Ox-iN_XBio,0,1,0],
[-(1.0-YStor_OHO_Ox)/YStor_OHO_Ox,0,-iN_XBio,0,1,-1/YStor_OHO_Ox],
[-(1.0-fXU_Bio_lys),0,iN_XBio-fXU_Bio_lys*iN_XU,fXU_Bio_lys,-1,0],
[-1,0,0,0,0,-1]])
R=np.matrix([[DT*fSTO*qSB_Stor*(x[0]/(KO2_OHO+x[0]))*(x[1]/(KSB_OHO+x[1]))*x[4]],
[DT*(1-fSTO)*uOHO_Max*(x[0]/(KO2_OHO+x[0]))*(x[1]/(KSB_OHO+x[1]))* (x[2]/(KNHx_OHO+x[2]))*x[4]],
[DT*uOHO_Max*(x[0]/(KO2_OHO+x[0]))*(x[2]/(KNHx_OHO+x[2]))*((x[5]/x[4])/(KStor_OHO+(x[5]/x[4])))*(KSB_OHO/(KSB_OHO+x[1]))*x[4]],
[DT*mOHO_Ox*(x[0]/(KO2_OHO+x[0]))*x[4]],
[DT*mStor_Ox*(x[0]/(KO2_OHO+x[0]))*x[5]]])
Mt=M.transpose()
MxRm=Mt*R
MxR=MxRm.tolist()
return ([MxR[0][0],
MxR[1][0],
MxR[2][0],
MxR[3][0],
MxR[4][0],
MxR[5][0]])
#ODE solution
t=np.linspace(0.0,3600,3600)
#Initial conditions
y0=np.array([5,176,5,30,100,5])
Var=odeint(f,y0,t,args=(),h0=1,hmin=1,hmax=1,atol=1e-5,rtol=1e-5)
Sol=Var.tolist()
plt.plot(t,Var[:,0])
首先十分感谢!!!!!
1 回答
简短回答:
您不应该修改ODE函数内的输入状态向量 . 而是尝试以下操作并验证您的结果:
我想这是你的问题,但我不确定,因为你没有解释结果到底出了什么问题 . 而且,你不改变“初始条件” . 初始条件是
你只需要改变输入状态向量 .
详细解答:
您的odeint集成商可能正在使用其中一种更高阶的自适应Runge-Kutta方法 . 该算法需要多个ODE函数评估来计算单个积分步骤,因此改变输入状态向量可能导致不确定的结果 . 在C boost :: odeint中,这甚至不可能这样做,因为输入变量是“const” . 然而,Python并不像C那样严格,我认为有可能无意中制造这种错误(尽管我没有尝试过) .
编辑:
好的,我明白你想要达到的目标 .
您的变量x [0]受模块代数约束,无法在表单中表达
这是普通微分方程的可能定义之一,ondeint库旨在解决 . 但是,这里可以使用很少的“黑客”来绕过这个限制 .
一种可能性是使用固定步长和低阶(因为您需要知道更高阶的求解器,您实际所在的算法的哪一部分,例如参见RK4)求解器并更改您的dx [0]等式(在您的代码中)它是MxR [0] [0]元素):
但是,我不推荐这种技术,因为它使您非常依赖于算法,并且您必须知道确切的步长(尽管我可能会建议它用于饱和度约束) . 另一种可能性是一次执行一个集成步骤,并在每次必要时更正x0:
抱歉C语法,这里是详尽的文档(C++ odeint steppers),这是它在python(Python ode class)中的等价物 . C odeint接口更适合您的任务,但是您可以在python中实现完全相同 . 只需寻找:
在文档中 .