Ich bin numerisch für x (t) für ein System der Differentialgleichungen erster Ordnung zu lösen. Das System ist:Vectorize Forward Euler-Methode für das System der Differentialgleichungen
dx/dt = y
dy/dt = x - a * y (x^2 + y^2 -1)
I der Vorwärts-Euler-Verfahren implementiert haben, dies zu lösen, Problem wie folgt:
def forward_euler():
h = 0.01
num_steps = 10000
x = np.zeros([num_steps + 1, 2]) # steps, number of solutions
y = np.zeros([num_steps + 1, 2])
a = 1.
x[0, 0] = 10. # initial condition 1st solution
y[0, 0] = 5.
x[0, 1] = 0. # initial condition 2nd solution
y[0, 1] = 0.0000000001
for step in xrange(num_steps):
x[step + 1] = x[step] + h * y[step]
y[step + 1] = y[step] + h * (-x[step] - a * y[step] * (x[step] ** 2 + y[step] ** 2 - 1))
return x, y
Nun möchte ich mag den Code weiter vektorisieren und im gleichen Array x und y zu halten, habe ich mit der folgenden Lösung kommen:
def forward_euler_vector():
num_steps = 10000
h = 0.01
x = np.zeros([num_steps + 1, 2, 2]) # steps, variables, number of solutions
a = 1.
x[0, 0, 0] = 10. # initial conditions 1st solution
x[0, 1, 0] = 5.
x[0, 0, 1] = 0. # initial conditions 2nd solution
x[0, 1, 1] = 0.0000000001
def f(x):
return np.array([x[1],
-x[0] - a * x[1] * (x[0] ** 2 + x[1] ** 2 - 1)])
for step in xrange(num_steps):
x[step + 1] = x[step] + h * f(x[step])
return x
des Frage: forward_euler_vector() funktioniert, aber war das der beste Weg, um es zu vektorisieren? Ich frage, weil die vektorisierte Version läuft etwa 20 ms langsamer auf meinem Laptop:
In [27]: %timeit forward_euler()
1 loops, best of 3: 301 ms per loop
In [65]: %timeit forward_euler_vector()
1 loops, best of 3: 320 ms per loop
Die "vektorisierte" Version vektorisiert nur wirklich "h * f (x [Schritt])" oder nur zwei Operationen. Die zusätzlichen Kosten für das Erstellen eines numpy-Arrays kompensieren mögliche Geschwindigkeitsgewinne. Je nachdem, was Sie gerade tun, sollten Sie sich [scipy.integrate.ode] (http://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.ode.html#scipy.integrate) ansehen. Ode). – Daniel