为什么数值仿真里要用RK4（龙格库塔法）

小跳最近在搭建一个数值仿真环境，由于需要用到python里面的一些库，所以不得不把simulink的模型搬过来，我们都知道在simulink里，仿真的时候设置仿真步长和微分方程求解器是必要的步骤。但是为什么要设置这个小跳却早已忘记了。

一年级的时候搬砖搬多了，数分课也没好好上，回头一看，这么简单的东西，当时竟然整的稀里糊涂的。

为什么要用RK4

先po一张图，直观感受一下仿真的误差。

对于给定线性常微分方程
[dot x = x]
易得，其解是
[x(t) = Ce^t
]
RK4是龙格库塔法曲线，None是一阶解法(x(t+dt) = x(t)+dot x dt)
可以看到，线性常微分方程误差尚且如此之大，那么推广到非线性微分方程，像这种形式
[
dot x = f(x,t) = tx^2 - frac{x}{t}...
]
那肯定误差直接起飞了。解析解求起来也挺麻烦，这里就不再引入分析了。

接下来把定义回顾一下，贴一下代码，有需自取，希望对大家有所帮助。

定义回顾

数值分析中，龙格－库塔法（Runge-Kutta methods）是用于非线性常微分方程的解的重要的一类隐式或显式迭代法。这些技术由数学家卡尔·龙格和马丁·威尔海姆·库塔于1900年左右发明。该方法主要是在已知方程导数和初值信息，利用计算机仿真时应用，省去求解微分方程的复杂过程。

令初值问题表述如下。
[
y' = f(t,y), y(t_0) = y_0
]
则，对于该问题的RK4由如下方程给出：
[
y_{n+1}=y_{n}+frac{h}{6}left(k_{1}+2 k_{2}+2 k_{3}+k_{4} ight) \]
其中
[
egin{matrix}
k_{1}=fleft(t_{n}, y_{n} ight) \
k_{2}=fleft(t_{n}+frac{h}{2}, y_{n}+frac{h}{2} k_{1} ight) \
k_{3}=fleft(t_{n}+frac{h}{2}, y_{n}+frac{h}{2} k_{2} ight) \
k_{4}=fleft(t_{n}+h, y_{n}+h k_{3} ight)end{matrix}
]

式中，(h)为仿真步长，满足(h<epsilon_1 ightarrow error<epsilon_2)

代码实现

import numpy as np
import matplotlib.pyplot as plt
import sympy as sy

# 这里介绍一个符号运算的方法，可以用来求解方程什么的
def diff_eq(t,x):
    return sy.diff(x(t),t,1) - x(t)
    
t = sy.symbols('t')
x = sy.Function('x')
sy.pprint(sy.dsolve(diff_eq(t,x),x(t)))

def dot_x(t,x):
    return x

def rk4(f,t,x,h):
    k1 = f(t,x);
    k2 = f(t+0.5*h,x + 0.5*h*k1)
    k3 = f(t+0.5*h,x + 0.5*h*k2)
    k4 = f(t+h,x + h*k3)
    return h/6*(k1+2*k2+2*k3+k4)

t_list = np.arange(0,5,0.1);
#print(t)
x1_list = np.exp(t_list)
x2_list = []
x3_list = []
h = 0.1
x2 = 1;
x3 = 1;

for t in t_list:
#   print(t,idx)
    x2_list.append(x2)
    x3_list.append(x3)
    x2 = x2 + rk4(dot_x,t, x2, h)
    x3 = x3 + dot_x(t,x3) * h               
error_2 = x1_list - x2_list
error_3 = x1_list - x3_list

plt.figure()
plt.subplot(2,1,1)
plt.plot(t_list,x1_list, 'b-',label='Real')
plt.plot(t_list,x2_list,'r--', label = 'RK4')
plt.plot(t_list,x3_list,'g--', label = 'None')
plt.legend()

plt.subplot(2,1,2)
plt.plot(t_list,error_2, 'r--',label='Error_RK4')
plt.plot(t_list,error_3, 'g--',label='Error_none')
plt.legend()
plt.xlabel('Time(s)')
plt.show()

闲话

这里推荐一个提高效率的工具Matplotlib cheat sheet

对于一个经常画图的科研狗来说，这张图真是太太太太有必要了，因为时常遇到以下场景，不记得colormap名字，打开文档查一番，不记得线宽关键词，打开文档查一番，不记得marker名字，打开文档查一番。。。。。等等等等

所以，有了这张图，在平常画图的时候中遇到的95%需要查文档的问题都可以在这张图中找到答案。

这个速查表，可以关注微信公众号“探物及理”后台回复“python画图”领取。