私はpython 3に後方オイラーソルバーを実装しました(numpyを使用)。私自身の便宜と演習として、勾配の有限差分近似を計算する小さな関数を作成しました。これにより、ヤコビアンを常に分析的に決定する必要はありません(可能な場合でも!)。
Ascher and Petzold 1998で提供された説明を使用して、特定のポイントxで勾配を決定するこの関数を作成しました。
def jacobian(f,x,d=4):
'''computes the gradient (Jacobian) at a point for a multivariate function.
f: function for which the gradient is to be computed
x: position vector of the point for which the gradient is to be computed
d: parameter to determine perturbation value eps, where eps = 10^(-d).
See Ascher und Petzold 1998 p.54'''
x = x.astype(np.float64,copy=False)
n = np.size(x)
t = 1 # Placeholder for the time step
jac = np.zeros([n,n])
eps = 10**(-d)
for j in np.arange(0,n):
yhat = x.copy()
ytilde = x.copy()
yhat[j] = yhat[j]+eps
ytilde[j] = ytilde[j]-eps
jac[:,j] = 1/(2*eps)*(f(t,yhat)-f(t,ytilde))
return jac
振り子の多変量関数を取得し、シンボリックヤコビアンを数値的に決定されたポイント範囲の勾配と比較することにより、この関数をテストしました。テストの結果に満足しました。エラーは1e-10前後でした。近似ヤコビアンを使用して振り子のODEを解くと、非常にうまく機能しました。この2つの違いを検出できませんでした。
次に、次のPDE(1Dのフィッシャーの方程式)でテストしてみました。
有限差分離散化を使用します。
Newtonのメソッドは最初のタイムステップで爆発します。
/home/sfbosch/Fisher-Equation.py:40: RuntimeWarning: overflow encountered in multiply
du = (k/(h**2))*np.dot(K,u) + lmbda*(u*(C-u))
./newton.py:31: RuntimeWarning: invalid value encountered in subtract
jac[:,j] = 1/(2*eps)*(f(t,yhut)-f(t,yschlange))
Traceback (most recent call last):
File "/home/sfbosch/Fisher-Equation.py", line 104, in <module>
fisher1d(ts,dt,h,L,k,C,lmbda)
File "/home/sfbosch/Fisher-Equation.py", line 64, in fisher1d
t,xl = euler.implizit(fisherode,ts,u0,dt)
File "./euler.py", line 47, in implizit
yi = nt.newton(g,y,maxiter,tol,Jg)
File "./newton.py", line 54, in newton
dx = la.solve(A,b)
File "/usr/lib64/python3.3/site-packages/scipy/linalg/basic.py", line 73, in solve
a1, b1 = map(np.asarray_chkfinite,(a,b))
File "/usr/lib64/python3.3/site-packages/numpy/lib/function_base.py", line 613, in asarray_chkfinite
"array must not contain infs or NaNs")
ValueError: array must not contain infs or NaNs
これはさまざまなeps値で発生しますが、奇妙なことに、PDE空間ステップサイズとタイムステップサイズがクーラント-フリードリッヒ-レビー条件が満たされないように設定されている場合にのみ発生します。それ以外の場合は動作します。(これは、フォワードオイラーで解く場合に予想される動作です!)
完全を期すために、ここにニュートン法の関数を示します。
def newton(f,x0,maxiter=160,tol=1e-4,jac=jacobian):
'''Newton's Method.
f: function to be evaluated
x0: initial value for the iteration
maxiter: maximum number of iterations (default 160)
tol: error tolerance (default 1e-4)
jac: the gradient function (Jacobian) where jac(fun,x)'''
x = x0
err = tol + 1
k = 0
t = 1 # Placeholder for the time step
while err > tol and k < maxiter:
A = jac(f,x)
b = -f(t,x)
dx = la.solve(A,b)
x = x + dx
k = k + 1
err = np.linalg.norm(dx)
if k >= maxiter:
print("Maxiter reached. Result may be inaccurate.")
print("k = %d" % k)
return x
(関数la.solveはscipy.linalg.solveです。)
ヤコビアンの関数を使用してテストし、安定した結果が得られたため、後方オイラーの実装が適切であると確信しています。
デバッガーでは、エラーが発生する前にnewton()が35回の反復を管理していることがわかります。この数値は、試したすべてのepsで同じままです。
追加の観察:FDAと初期条件を入力として使用して関数で勾配を計算し、イプシロンのサイズを変えながら2つを比較すると、イプシロンが縮小するにつれてエラーが大きくなります。イプシロンが縮小すると、最初は大きくなり、その後小さくなり、再び大きくなると予想されます。したがって、ヤコビアンの実装におけるエラーは合理的な仮定ですが、もしそうなら、それは非常に微妙なため、私はそれを見ることができません。編集:jacobian()を修正して、中心の違いの代わりにforwardを使用し、予想されるエラーの発生を観察しました。ただし、newton()はまだ収束に失敗します。ニュートンの反復でdxを観察すると、成長するだけで、変動さえありません。各ステップで倍になり(係数1.9)、係数は次第に大きくなります。
AscherとPetzoldは、ヤコビアンの差分近似は必ずしもうまく機能しないと述べています。有限差分を持つ近似ヤコビアンは、ニュートン法の不安定性を引き起こすことができますか?または、原因はどこか別の場所ですか?この問題に他にどのようにアプローチできますか?