Python求解微分方程（數(shù)值解法）
對(duì)于一些微分方程來(lái)說(shuō)，數(shù)值解法對(duì)于求解具有很好的幫助，因?yàn)殡y以求得其原方程。
比如方程：
但是我們知道了它的初始條件，這對(duì)于我們疊代求解很有幫助，也是必須的。
那么現(xiàn)在我們也用Python去解決這一些問(wèn)題，一般的數(shù)值解法有歐拉法、隱式梯形法等，我們也來(lái)看看這些算法對(duì)疊代的精度有什么區(qū)別？
```python
```python
import numpy as np
from scipy.integrate import odeint
from matplotlib import pyplot as plt
import os
#先從odeint函數(shù)直接求解微分方程
#創(chuàng)建歐拉法的類(lèi)
class Euler:
#構(gòu)造方法，當(dāng)創(chuàng)建對(duì)象的時(shí)候，自動(dòng)執(zhí)行的函數(shù)
def __init__(self,h,y0):
#將對(duì)象與對(duì)象的屬性綁在一起
self.h = h
self.y0 = y0
self.y = y0
self.n = 1/self.h
self.x = 0
self.list = [1]
#歐拉法用list列表,其x用y疊加儲(chǔ)存
self.list2 = [1]
self.y1 = y0
#改進(jìn)歐拉法用list2列表，其x用y1疊加儲(chǔ)存
self.list3 = [1]
self.y2 = y0
#隱式梯形法用list3列表，其x用y2疊加儲(chǔ)存
#歐拉法的算法，算法返回t,x
def countall(self):
for i in range(int(self.n)):
y_dere = -20*self.list[i]
#歐拉法疊加量y_dere = -20 * x
y_dere2 = -20*self.list2[i] + 0.5*400*self.h*self.list2[i]
#改進(jìn)歐拉法疊加量 y_dere2 = -20*x(k) + 0.5*400*delta_t*x(k)
y_dere3 = (1-10*self.h)*self.list3[i]/(1+10*self.h)
#隱式梯形法計(jì)算 y_dere3 = (1-10*delta_t)*x(k)/(1+10*delta_t)
self.y += self.h*y_dere
self.y1 += self.h*y_dere2
self.y2 =y_dere3
self.list.append(float("%.10f" %self.y))
self.list2.append(float("%.10f"%self.y1))
self.list3.append(float("%.10f"%self.y2))
return np.linspace(0,1,int(self.n+1)), self.list,self.list2,self.list3
step = input("請(qǐng)輸入你需要求解的步長(zhǎng):")
step = float(step)
work1 = Euler(step,1)
ax1,ay1,ay2,ay3 = work1.countall()
#畫(huà)圖工具plt
plt.figure(1)
plt.subplot(1,3,1)
plt.plot(ax1,ay1,'s-.',MarkerFaceColor = 'g')
plt.xlabel('橫坐標(biāo)t',fontproperties = 'simHei',fontsize =20)
plt.ylabel('縱坐標(biāo)x',fontproperties = 'simHei',fontsize =20)
plt.title('歐拉法求解微分線性方程步長(zhǎng)為'+str(step),fontproperties = 'simHei',fontsize =20)
plt.subplot(1,3,2)
plt.plot(ax1,ay2,'s-.',MarkerFaceColor = 'r')
plt.xlabel('橫坐標(biāo)t',fontproperties = 'simHei',fontsize =20)
plt.ylabel('縱坐標(biāo)x',fontproperties = 'simHei',fontsize =20)
plt.title('改進(jìn)歐拉法求解微分線性方程步長(zhǎng)為'+str(step),fontproperties = 'simHei',fontsize =20)
plt.subplot(1,3,3)
plt.plot(ax1,ay3,'s-.',MarkerFaceColor = 'b')
plt.xlabel('橫坐標(biāo)t',fontproperties = 'simHei',fontsize =20)
plt.ylabel('縱坐標(biāo)x',fontproperties = 'simHei',fontsize =20)
plt.title('隱式梯形法求解微分線性方程步長(zhǎng)為'+str(step),fontproperties = 'simHei',fontsize =20)
plt.figure(2)
plt.plot(ax1,ay1,ax1,ay2,ax1,ay3,'s-.',MarkerSize = 3)
plt.xlabel('橫坐標(biāo)t',fontproperties = 'simHei',fontsize =20)
plt.ylabel('縱坐標(biāo)x',fontproperties = 'simHei',fontsize =20)
plt.title('三合一圖像步長(zhǎng)為'+str(step),fontproperties = 'simHei',fontsize =20)
ax = plt.gca()
ax.legend(('$Eular$','$fixed Eular$','$trapezoid$'),loc = 'lower right',title = 'legend')
plt.show()
os.system("pause")
對(duì)于歐拉法，它的疊代方法是：
改進(jìn)歐拉法的疊代方法：
隱式梯形法：
對(duì)于不同的步長(zhǎng)，其求解的精度也會(huì)有很大的不同，我先放一幾張結(jié)果圖：
補(bǔ)充：基于python的微分方程數(shù)值解法求解電路模型
安裝環(huán)境包
安裝numpy（用于調(diào)節(jié)range） 和 matplotlib（用于繪圖）
在命令行輸入
pip install numpy
pip install matplotlib
電路模型和微分方程
模型1
無(wú)損害，電容電壓為5V，電容為0.01F，電感為0.01H的并聯(lián)諧振電路
電路模型1
微分方程1
模型2
帶電阻損耗的電容電壓為5V，電容為0.01F，電感為0.01H的的并聯(lián)諧振
電路模型2
微分方程2
python代碼
模型1
import numpy as np
import matplotlib.pyplot as plt
L = 0.01 #電容的值 F
C = 0.01 #電感的值 L
u_0 = 5 #電容的初始電壓
u_dot_0 = 0
def equition(u,u_dot):#二階方程
u_double_dot = -u/(L*C)
return u_double_dot
def draw_plot(time_step,time_scale):#時(shí)間步長(zhǎng)和范圍
u = u_0
u_dot = u_dot_0 #初始電壓和電壓的一階導(dǎo)數(shù)
time_list = [0] #時(shí)間lis
Votage = [u] #電壓list
plt.figure()
for time in np.arange(0,time_scale,time_step):#使用歐拉數(shù)值計(jì)算法 一階近似
u_double_dot = equition(u,u_dot) #二階導(dǎo)數(shù)
u_dot = u_dot + u_double_dot*time_step #一階導(dǎo)數(shù)
u = u + u_dot*time_step #電壓
time_list.append(time) #結(jié)果添加
Votage.append(u) #結(jié)果添加
print(u)
plt.plot(time_list,Votage,"b--",linewidth=1) #畫(huà)圖
plt.show()
plt.savefig("easyplot.png")
if __name__ == '__main__':
draw_plot(0.0001,1)
模型2
import numpy as np
import matplotlib.pyplot as plt
L = 0.01 #電容的值 F
C = 0.01 #電感的值 L
R = 0.1 #電阻值
u_0 = 5 #電容的初始電壓
u_dot_0 = 0
def equition(u,u_dot):#二階方程
u_double_dot =(-R*C*u_dot -u)/(L*C)
return u_double_dot
def draw_plot(time_step,time_scale):#時(shí)間步長(zhǎng)和范圍
u = u_0
u_dot = u_dot_0 #初始電壓和電壓的一階導(dǎo)數(shù)
time_list = [0] #時(shí)間lis
Votage = [u] #電壓list
plt.figure()
for time in np.arange(0,time_scale,time_step):#使用歐拉數(shù)值計(jì)算法 一階近似
u_double_dot = equition(u,u_dot) #二階導(dǎo)數(shù)
u_dot = u_dot + u_double_dot*time_step #一階導(dǎo)數(shù)
u = u + u_dot*time_step #電壓
time_list.append(time) #結(jié)果添加
Votage.append(u) #結(jié)果添加
print(u)
plt.plot(time_list,Votage,"b-",linewidth=1) #畫(huà)圖
plt.show()
plt.savefig("result.png")
if __name__ == '__main__':
draw_plot(0.0001,1)
數(shù)值解結(jié)果
模型1
縱軸為電容兩端電壓，橫軸為時(shí)間與公式計(jì)算一致
模型2結(jié)果
縱軸
為電容兩端電壓，橫軸為時(shí)間標(biāo)題
最后我們可以根據(jù)調(diào)節(jié)電阻到達(dá)不同的狀態(tài)
R=0.01，欠阻尼
R=1.7,臨界阻尼
R=100,過(guò)阻尼
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- python實(shí)現(xiàn)各種插值法(數(shù)值分析)
- python實(shí)現(xiàn)數(shù)值積分的Simpson方法實(shí)例分析
- Python導(dǎo)入數(shù)值型Excel數(shù)據(jù)并生成矩陣操作
- Python實(shí)現(xiàn)列表中非負(fù)數(shù)保留,負(fù)數(shù)轉(zhuǎn)化為指定的數(shù)值方式
- 使用Python matplotlib作圖時(shí),設(shè)置橫縱坐標(biāo)軸數(shù)值以百分比(%)顯示
- Python如何將函數(shù)值賦給變量
- 教你如何利用python進(jìn)行數(shù)值分析
