🍠Python重力弹弓流体晃动微分方程模型和交直流电阻电容电路

Python | 热层 | 大气层 | 运动轨迹 | 弹射角度 | 耦合微分方程 | 电磁 | 螺旋运动 | 重力弹弓 | 流体晃动 | 微分方程 | 模型 | 双摆运动 | 非线性 | 相空图 | 绝热 | 无粘流 | 流体力学 | 自由表面 | 简谐运动 | 化学 | 物理模型 | 交流 | 直流 | 电阻电容

🏈指点迷津 | Brief

🎯要点

📜欧拉法 | 本文 - 用例

📜MATLAB雨刮通风空调模糊器和发电厂电力聚变器卷积神经

📜Python物理量和化学量数值计算

📜Python流感常微分方程房室数学模型

📜C++计算资本市场收益及成本分配数学方程

📜Python计算物理粒子及拉格朗日和哈密顿动力学

📜C代码快速傅里叶变换-分类和推理-常微分和偏微分方程

📜Python物理学有限差分微分求解器和动画波形传播

📜Julia评估劳动力市场经济数学模型价值策略选择

📜Python嵌入式动态用户调制解调响应式射频信号

📜Python机器人动力学和细胞酶常微分方程

📜Python | C# | MATLAB 库卡机器人微分运动学 | 欧拉-拉格朗日动力学 | 混合动力控制

📜Python | C++ | MATLAB机器人正逆向运动学动力学求解器及算法

📜Python微磁学磁倾斜和西塔规则算法

📜Python烟雾液体弹性力微分模拟 | 出租车往返速度微分计算

🍇Python欧拉法

令 $\frac{d S(t)}{d t}=F(t, S(t))$ 为显式定义的一阶常微分方程。也就是说， $F$ 是一个函数，它返回给定时间和状态值的状态的导数或变化。另外，令 $t$ 为区间 $\left[t_0, t_f\right]$ 的数字网格，间距为 $h$ 。不失一般性，我们假设 $t_0=0$ ，并且对于某个正整数 $N，t_f=N h$ 。

$S(t)$ 在 $t_j$ 附近的线性近似为

S\left(t_{j+1}\right)=S\left(t_j\right)+\left(t_{j+1}-t_j\right) \frac{d S\left(t_j\right)}{d t}

还可以写为：

S\left(t_{j+1}\right)=S\left(t_j\right)+h F\left(t_j, S\left(t_j\right)\right)

这个公式称为显式欧拉公式，它允许我们在给定 S\left(t_j\right) 状态的情况下计算 $S\left(t_{j+1}\right)$ 状态的近似值。从给定的初始值 $S_0=S\left(t_0\right)$ 开始，我们可以使用这个公式对状态进行积分直到 $S\left(t_f\right)$ ；这些 $S(t)$ 值是微分方程解的近似值。显式欧拉公式是解决初值问题最简单、最直观的方法。在任何状态 $\left(t_j, S\left(t_j\right)\right)$ ，它在该状态下使用F“指向”下一个状态，然后朝该方向移动 $h$ 的距离。尽管有更复杂和更准确的方法来解决这些问题，但它们都具有相同的基本结构。因此，我们明确列举了使用显式欧拉公式解决初始值问题的步骤。

假设我们有一个函数 $F(t, S(t))$ 计算 $\frac{d S(t)}{d t}$ ，一个数值网格 $t$ ，区间 $\left[ t_0, t_f\right]$ ，初始状态值 $S_0=S\left(t_0\right)$ 。我们可以使用以下步骤计算 $t$ 中每个 $t_j$ 的 $S\left(t_j\right)$ 。

将 $S_0=S\left(t_0\right)$ 存储在数组 $S$ 中。
计算 $S\left(t_1\right)=S_0+h F\left(t_0, S_0\right)$
将 $S_1=S\left(t_1\right)$ 存储在 $S$ 中
计算 $S\left(t_2\right)=S_1+h F\left(t_1, S_1\right)$
将 $S_2=S\left(t_1\right)$ 存储在 $S$ 中。
...
计算 $S\left(t_f\right)=S_{f-1}+h F\left(t_{f-1}, S_{f-1}\right)$
将 $S_f=S\left(t_f\right)$ 存储在 $S$ 中
$S$ 是初始值问题的近似解

当使用具有这种结构的方法时，我们称该方法集成了常微分方程的解。

初始条件为 $f_0=-1$ 的微分方程 $\frac{d f(t)}{d t}=e^{-t}$ 有精确解 $f(t)=-e^{-t}$ 。使用显式欧拉公式，以 0.1 为增量，在 0 和 1 之间近似求解此初始值问题。绘制近似解和精确解之间的差异。

代码处理：

 import numpy as np
 import matplotlib.pyplot as plt
 
 plt.style.use('seaborn-poster')
 %matplotlib inline
 
 
 f = lambda t, s: np.exp(-t) 
 h = 0.1 
 t = np.arange(0, 1 + h, h) 
 s0 = -1 
 
 s = np.zeros(len(t))
 s[0] = s0
 
 for i in range(0, len(t) - 1):
     s[i + 1] = s[i] + h*f(t[i], s[i])
 
 plt.figure(figsize = (12, 8))
 plt.plot(t, s, 'bo--', label='Approximate')
 plt.plot(t, -np.exp(-t), 'g', label='Exact')
 plt.title('Approximate and Exact Solution \
 for Simple ODE')
 plt.xlabel('t')
 plt.ylabel('f(t)')
 plt.grid()
 plt.legend(loc='lower right')
 plt.show()

在上图中，我们可以看到每个点都是基于前一个点以线性方式进行的近似。从初始值，我们最终可以得到数值网格上解的近似值。如果我们对 h=0.01 重复该过程，我们会得到更好的近似解：

 h = 0.01 
 t = np.arange(0, 1 + h, h) 
 s0 = -1 
 
 s = np.zeros(len(t))
 s[0] = s0
 
 for i in range(0, len(t) - 1):
     s[i + 1] = s[i] + h*f(t[i], s[i])
 
 plt.figure(figsize = (12, 8))
 plt.plot(t, s, 'b--', label='Approximate')
 plt.plot(t, -np.exp(-t), 'g', label='Exact')
 plt.title('Approximate and Exact Solution \
 for Simple ODE')
 plt.xlabel('t')
 plt.ylabel('f(t)')
 plt.grid()
 plt.legend(loc='lower right')
 plt.show()

显式欧拉公式之所以被称为“显式”，是因为它只需要 $t_j$ 处的信息来计算 $t_{j+1}$ 处的状态。也就是说， $S\left(t_{j+1}\right)$ 可以根据我们拥有的值（即 $t_j$ 和 $S\left(t_j\right)$ ）显式地编写。隐式欧拉公式可以通过在 $t_{j+1}$ 周围取 $S(t)$ 的线性近似并在 $t_j$ 处计算来导出：

S\left(t_{j+1}\right)=S\left(t_j\right)+h F\left(t_{j+1}, S\left(t_{j+1}\right)\right)

这个公式很奇特，因为它要求我们知道 $S\left(t_{j+1}\right)$ 才能计算 $S\left(t_{j+1}\right)$ ！不过，有时候我们可以用这个公式来近似求解初值问题。在详细介绍如何使用隐式欧拉公式解决这些问题之前，我们先给出另一个隐式公式，称为梯形公式，它是显式和隐式欧拉公式的平均值：

S\left(t_{j+1}\right)=S\left(t_j\right)+\frac{h}{2}\left(F\left(t_j, S\left(t_j\right)\right)+F\left(t_{j+1}, S\left(t_{j+1}\right)\right)\right)

为了说明如何求解这些隐式解，请再次考虑已简化为一阶的摆方程。

PreviousPython视觉轨迹几何惯性单元超维计算结构算法 NextPython微磁学磁倾斜和西塔规则算法

Last updated 7 months ago

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-poster') %matplotlib inline f = lambda t, s: np.exp(-t) h = 0.1 t = np.arange(0, 1 + h, h) s0 = -1 s = np.zeros(len(t)) s[0] = s0 for i in range(0, len(t) - 1): s[i + 1] = s[i] + h*f(t[i], s[i]) plt.figure(figsize = (12, 8)) plt.plot(t, s, 'bo--', label='Approximate') plt.plot(t, -np.exp(-t), 'g', label='Exact') plt.title('Approximate and Exact Solution \ for Simple ODE') plt.xlabel('t') plt.ylabel('f(t)') plt.grid() plt.legend(loc='lower right') plt.show()

h = 0.01 t = np.arange(0, 1 + h, h) s0 = -1 s = np.zeros(len(t)) s[0] = s0 for i in range(0, len(t) - 1): s[i + 1] = s[i] + h*f(t[i], s[i]) plt.figure(figsize = (12, 8)) plt.plot(t, s, 'b--', label='Approximate') plt.plot(t, -np.exp(-t), 'g', label='Exact') plt.title('Approximate and Exact Solution \ for Simple ODE') plt.xlabel('t') plt.ylabel('f(t)') plt.grid() plt.legend(loc='lower right') plt.show()