如何在solve_ivp迭代中复用ODE求解函数的非输出变量

你现在用scipy的solve_ivp求解ODE系统时，导数函数里的slow_function计算成本高，当前每次随机生成n0作为输入，想用上一时间步的输出n当当前步的n0来提效，不用全局变量的话，有两种更优的实现方式：

方法一：用类封装状态 #

把需要保留的状态（上一步的n）封装在类里，用类的方法作为solve_ivp的导数函数，这样状态会被安全保存，不会污染全局环境：

from scipy import solve_ivp
import numpy as np

class ODESolverWithState:
    def __init__(self, some_number):
        self.some_number = some_number
        # 初始化第一次调用用的随机n
        self.n = np.random.randn(some_number)
    
    def slow_function(self, n0):
        # 替换成你实际的计算成本高昂的函数逻辑
        return n0 * 0.9 + np.random.randn(self.some_number) * 0.1
    
    def ode_derivative(self, t, Y):
        # 用上一步保存的n作为当前的n0
        n0 = self.n
        # 更新n为当前步的计算结果，供下一次调用使用
        self.n = self.slow_function(n0)
        
        # 这里添加你的其他计算逻辑，生成dYdt
        # 示例：假设dYdt和当前n的均值相关
        dYdt = Y + np.mean(self.n)
        return dYdt

# 使用示例
some_number = 5
tspan = [0, 10]
ICs = [1.0]

# 初始化求解器实例
solver = ODESolverWithState(some_number)
# 传入类的方法作为导数函数
sol = solve_ivp(solver.ode_derivative, tspan, ICs)

方法二：用闭包保存状态 #

如果不需要复杂的类结构，闭包是更简洁的选择，它能在内部函数中访问并保留外部函数的变量状态：

from scipy import solve_ivp
import numpy as np

def create_ode_solver(some_number):
    # 初始化状态变量n，只在闭包内部可见
    n = np.random.randn(some_number)
    
    def slow_function(n0):
        # 替换成你实际的slow_function逻辑
        return n0 * 0.9 + np.random.randn(some_number) * 0.1
    
    def ode_derivative(t, Y):
        # 使用nonlocal关键字，允许内部函数修改外部函数的变量
        nonlocal n
        # 用上一步的n作为当前n0
        n0 = n
        # 更新n为当前步的结果
        n = slow_function(n0)
        
        # 你的其他计算逻辑，生成dYdt
        dYdt = Y + np.mean(n)
        return dYdt
    
    # 返回封装了状态的导数函数
    return ode_derivative

# 使用示例
some_number = 5
tspan = [0, 10]
ICs = [1.0]

# 创建带有状态的导数函数
ode_solver = create_ode_solver(some_number)
sol = solve_ivp(ode_solver, tspan, ICs)

两种方式对比 #

• 类的方式适合状态复杂、需要多个辅助方法的场景，扩展性更强；
• 闭包方式更轻量化，代码更简洁，适合状态简单的情况；
• 两者都比全局变量更安全，避免了全局命名空间的污染，代码也更易维护。

内容的提问来源于stack exchange，提问作者HWIK