sigma=10,r=28,b=83。
初始条件为(x,y,z)=(0,1,0)
这是我写的代码,但它给我抛出一个错误,说在 double_scalars
我看不出这个程序有什么不对。
from pylab import *
def runge_4(r0,a,b,n,f1,f2,f3):
def f(r,t):
x=r[0]
y=r[1]
z=r[2]
fx=f1(x,y,z,t)
fy=f2(x,y,z,t)
fz=f3(x,y,z,t)
return array([fx,fy,fz],float)
h=(b-a)/n
lista_t=arange(a,b,h)
print(lista_t)
X,Y,Z=[],[],[]
for t in lista_t:
k1=h*f(r0,t)
print("k1=",k1)
k2=h*f(r0+0.5*k1,t+0.5*h)
print("k2=",k2)
k3=h*f(r0+0.5*k2,t+0.5*h)
print("k3=",k3)
k4=h*f(r0+k3,t+h)
print("k4=",k4)
r0+=(k1+2*k2+2*k3+k4)/float(6)
print(r0)
X.append(r0[0])
Y.append(r0[1])
Z.append(r0[2])
return array([X,Y,Z])
def f1(x,y,z,t):
return 10*(y-x)
def f2(x,y,z,t):
return 28*x-y-x*z
def f3(x,y,z,t):
return x*y-(8.0/3.0)*z
#and I run it
r0=[1,1,1]
runge_4(r0,1,50,20,f1,f2,f3)
用数值方法求解微分方程是很有挑战性的。如果你选择的步长太高,解就会积累很高的误差,甚至会变得不稳定,就像你的情况。
要么你应该大幅减小步长 (h
),或者直接使用Runge Kutta提供的自适应Runge Kutta方法。scipy
:
from numpy import array, linspace
from scipy.integrate import solve_ivp
import pylab
from mpl_toolkits import mplot3d
def func(t, r):
x, y, z = r
fx = 10 * (y - x)
fy = 28 * x - y - x * z
fz = x * y - (8.0 / 3.0) * z
return array([fx, fy, fz], float)
# and I run it
r0 = [0, 1, 0]
sol = solve_ivp(func, [0, 50], r0, t_eval=linspace(0, 50, 5000))
# and plot it
fig = pylab.figure()
ax = pylab.axes(projection="3d")
ax.plot3D(sol.y[0,:], sol.y[1,:], sol.y[2,:], 'blue')
pylab.show()
该求解器使用4阶和5阶Runge Kutta组合,并通过调整步长来控制它们之间的偏差。更多使用文档请看这里。https:/docs.scipy.orgdocscipyreferencegeneratedscipy.integration.solve_ivp.html。
它可能与除以零或超过一个类型的限制时有关(浮点类型)。
要想知道何时何地发生这种情况,您可以设置 numpy.seterr('raise')
它将引发一个异常,这样你就可以调试并查看发生了什么。看来你的算法是有分歧的。
这里你可以看到如何使用 numpy.seterr
您使用的步长大小为 h=2.5
.
对于RK4,给定的Lipschitz常数的有用步长为 L
属于 L*h=1e-3
到 0.1
,可能会得到一些正确的结果,最高可达到 L*h=2.5
. 超过这个值,方法就会变得混乱,与底层ODE的任何相似之处都会消失。
Lorenz系统的Lipschitz常数约为? L=50
见 ODE解决方案的混沌和连续依赖性所以 h<0.05
是绝对需要的。h=0.002
是更好的和 h=2e-5
给出了这种数值方法的最佳结果。