python 解决微分方程的操作(数值解法)

Python求解微分方程（数值解法）

对于一些微分方程来说，数值解法对于求解具有很好的帮助，因为难以求得其原方程。

比如方程：

但是我们知道了它的初始条件，这对于我们叠代求解很有帮助，也是必须的。

那么现在我们也用Python去解决这一些问题，一般的数值解法有欧拉法、隐式梯形法等，我们也来看看这些算法对叠代的精度有什么区别？

```python
```python
import numpy as np
from scipy.integrate import odeint
from matplotlib import pyplot as plt
import os
#先从odeint函数直接求解微分方程
#创建欧拉法的类
class Euler:
   #构造方法，当创建对象的时候，自动执行的函数
   def __init__(self,h,y0):
       #将对象与对象的属性绑在一起
       self.h = h
       self.y0 = y0
       self.y = y0
       self.n = 1/self.h
       self.x = 0
       self.list = [1]
       #欧拉法用list列表,其x用y叠加储存
       self.list2 = [1]
       self.y1 = y0
       #改进欧拉法用list2列表，其x用y1叠加储存
       self.list3 = [1]
       self.y2 = y0
       #隐式梯形法用list3列表，其x用y2叠加储存
   #欧拉法的算法，算法返回t,x
   def countall(self):
       for i in range(int(self.n)):
           y_dere = -20*self.list[i]
           #欧拉法叠加量y_dere = -20 * x
           y_dere2 = -20*self.list2[i] + 0.5*400*self.h*self.list2[i]
           #改进欧拉法叠加量 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)
           #隐式梯形法计算 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("请输入你需要求解的步长:")
step = float(step)
work1 = Euler(step,1)
ax1,ay1,ay2,ay3 = work1.countall()
#画图工具plt
plt.figure(1)
plt.subplot(1,3,1)
plt.plot(ax1,ay1,'s-.',MarkerFaceColor = 'g')
plt.xlabel('横坐标t',fontproperties = 'simHei',fontsize =20)
plt.ylabel('纵坐标x',fontproperties = 'simHei',fontsize =20)
plt.title('欧拉法求解微分线性方程步长为'+str(step),fontproperties = 'simHei',fontsize =20)
plt.subplot(1,3,2)
plt.plot(ax1,ay2,'s-.',MarkerFaceColor = 'r')
plt.xlabel('横坐标t',fontproperties = 'simHei',fontsize =20)
plt.ylabel('纵坐标x',fontproperties = 'simHei',fontsize =20)
plt.title('改进欧拉法求解微分线性方程步长为'+str(step),fontproperties = 'simHei',fontsize =20)
plt.subplot(1,3,3)
plt.plot(ax1,ay3,'s-.',MarkerFaceColor = 'b')
plt.xlabel('横坐标t',fontproperties = 'simHei',fontsize =20)
plt.ylabel('纵坐标x',fontproperties = 'simHei',fontsize =20)
plt.title('隐式梯形法求解微分线性方程步长为'+str(step),fontproperties = 'simHei',fontsize =20)
plt.figure(2)
plt.plot(ax1,ay1,ax1,ay2,ax1,ay3,'s-.',MarkerSize = 3)
plt.xlabel('横坐标t',fontproperties = 'simHei',fontsize =20)
plt.ylabel('纵坐标x',fontproperties = 'simHei',fontsize =20)
plt.title('三合一图像步长为'+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")

对于欧拉法，它的叠代方法是：

改进欧拉法的叠代方法：

隐式梯形法：

对于不同的步长，其求解的精度也会有很大的不同，我先放一几张结果图：

补充：基于python的微分方程数值解法求解电路模型

安装环境包

安装numpy（用于调节range） 和 matplotlib（用于绘图）

在命令行输入

pip install numpy
pip install matplotlib

电路模型和微分方程

模型1

无损害，电容电压为5V，电容为0.01F，电感为0.01H的并联谐振电路

电路模型1

微分方程1

模型2

带电阻损耗的电容电压为5V，电容为0.01F，电感为0.01H的的并联谐振

电路模型2

微分方程2

python代码

模型1

import numpy as np
import matplotlib.pyplot as plt

L = 0.01  #电容的值 F
C = 0.01  #电感的值 L
u_0 = 5   #电容的初始电压
u_dot_0 = 0

def equition(u,u_dot):#二阶方程
   u_double_dot = -u/(L*C)
   return u_double_dot

def draw_plot(time_step,time_scale):#时间步长和范围
   u = u_0
   u_dot = u_dot_0  #初始电压和电压的一阶导数
   time_list = [0] #时间lis
   Votage = [u] #电压list
   plt.figure()
   for time in np.arange(0,time_scale,time_step):#使用欧拉数值计算法 一阶近似
       u_double_dot = equition(u,u_dot) #二阶导数
       u_dot = u_dot + u_double_dot*time_step #一阶导数
       u = u + u_dot*time_step #电压
       time_list.append(time) #结果添加
       Votage.append(u) #结果添加
       print(u)
   plt.plot(time_list,Votage,"b--",linewidth=1) #画图
   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  #电容的值 F
C = 0.01  #电感的值 L
R = 0.1   #电阻值
u_0 = 5   #电容的初始电压
u_dot_0 = 0

def equition(u,u_dot):#二阶方程
   u_double_dot =(-R*C*u_dot -u)/(L*C)
   return u_double_dot

def draw_plot(time_step,time_scale):#时间步长和范围
   u = u_0
   u_dot = u_dot_0  #初始电压和电压的一阶导数
   time_list = [0] #时间lis
   Votage = [u] #电压list
   plt.figure()
   for time in np.arange(0,time_scale,time_step):#使用欧拉数值计算法 一阶近似
       u_double_dot = equition(u,u_dot) #二阶导数
       u_dot = u_dot + u_double_dot*time_step #一阶导数
       u = u + u_dot*time_step #电压
       time_list.append(time) #结果添加
       Votage.append(u) #结果添加
       print(u)
   plt.plot(time_list,Votage,"b-",linewidth=1) #画图
   plt.show()
   plt.savefig("result.png")

if __name__ == '__main__':
   draw_plot(0.0001,1)

数值解结果

模型1

纵轴为电容两端电压，横轴为时间与公式计算一致

模型2结果

纵轴

为电容两端电压，横轴为时间标题

最后我们可以根据调节电阻到达不同的状态

R=0.01，欠阻尼

R=1.7,临界阻尼

R=100,过阻尼

来源：https://blog.csdn.net/weixin_42312037/article/details/111828651